復雜光照環境下人臉圖像預處理優化算法研究

齊榮霞

摘要：針對人臉圖像在采集過程中受到復雜光照環境的影響造成光照不均和圖像信息丟失的問題，提出一種基于自適應Gamma校正的人臉圖像預處理優化算法。首先將圖像轉換為HSI彩色空間，然后利用高斯濾波函數提取圖像中的光照分量，根據人臉圖像光照分量的分布特性，調整Gamma函數的參數，以實現對光照不均的人臉圖像進行自適應校正。仿真實驗表明本文算法在增強光照不均人臉圖像對比度、清晰度和信息量方面得到了較好的效果，在減弱復雜光照環境對人臉識別準確率的影響方面具有良好的用途。

關鍵詞：復雜光照;人臉圖像;HSI彩色空間;高斯濾波;Gamma校正

中圖分類號：TP18 文獻標識碼：A

文章編號：1009-3044（2019）33-0218-03

1概述

隨著科技的發展，人臉識別技術被廣泛應用在人類的生活中，比如安全監控、人機交互、身份認證等領域。人臉識別技術在近幾十年里取得了很大的進展，在理想的條件下，人臉識別精度已經非常高了，但是在非限定性環境中，人臉識別技術仍有許多問題有待解決，如復雜光照會導致人臉圖像光照不均或信息丟失，對人臉識別率有著直接的影響。因此，復雜光照環境下人臉圖像的預處理已成為人臉識別領域迫切需要解決的問題。

為了減弱人臉圖像中光照問題對后續人臉識別結果的影響，國內外的學者們已經進行了許多相關的研究，并提出了許多有關光照處理的人臉圖像增強算法。常見的光照處理方法包括以直方圖均衡化法為代表的灰度變換法、基于Retinex理論的圖像增強方法以及Gamma校正法等。但在實際應用中這些方法都存在一定的不足，以直方圖均衡化法為代表的灰度變換法能使圖像灰度分布更均勻，并增強圖像對比度，但它沒有考慮圖像的頻率信息以及細節信息，圖像容易出現過增強現象。Retinex理論假設圖像是由光照分量和反射分量兩個可以分離處理的分量結合而成，而Retinex算法在進行光照補償時，會出現光暈和顏色失真的問題。相比之下，Gamma校正法在處理圖像光照不均的問題上有一定的優勢。

在復雜光照環境下，采集人臉圖像時會出現光照過暗或過亮，甚至是臉部出現陰影等現象。傳統的Gamma校正通常會改變輸入圖像的亮度，但難以同時在過暗和過亮區域同時取得良好的增強效果。因此，為了克服傳統Gamma校正方法無法處理過暗和過亮區域并存圖像的問題，文獻[11]利用非線性函數疊加的方法構造了一個合理的Gamma值變化曲線，使Gam-ma校正方法充分適應了圖像中光照變化的實際情況，但并不能非常有效地防止Gamma校正可能產生的圖像失真。文獻【12】提出一種基于Retinex理論的自適應Gamma增強算法，利用Retinex理論分離圖像的光照分量和反射分量，對光照分量進行自適應Gamma校正，但分離出來的光照分量存在照度細節信息表現力差等問題。

為了進一步提高人臉圖像增強效果，本文提出一種基于自適應Gamma校正的人臉圖像預處理優化算法，利用多尺度高斯函數將人臉圖像光照分量分離出來，通過Gamma校正對光照分量進行校正處理，并通過主觀評價和客觀評價對實驗結果進行分析和驗證。

2算法原理與實現

基于人臉視覺系統的特性[13]可知，人眼感知亮度的敏感程度要高于對顏色的敏感程度，因此對光照不均人臉圖像的光照分量進行校正是復雜光照環境下人臉圖像預處理優化算法的關鍵。由于對RGB圖像進行光照分量的提取需要同時對3個通道進行處理，運算量比較大，因此將RGB圖像轉換為HSI圖像，只需要在1分量上采用多尺度高斯函數進行光照分量的提取。然后對提取出的光照分量進行自適應Gamma校正，最后合成彩色圖像，并將圖像由HSI彩色空間轉換為RGB彩色空間。

2.1HSI彩色模型

HSI彩色模型以色調、飽和度和亮度三種基本特征量來感知顏色。這種設計反映了人觀察彩色的方式，更符合人描述和解釋顏色的方式，同時也有利于圖像處理。其中H稱為色調，定義顏色的波長;s稱為飽和度，代表顏色的深淺程度;I表示亮度或強度。HSI彩色模型的建立基于兩個重要的特性：一是1分量與圖像的彩色信息無關;二是H和s分量與人感受顏色的方式緊密相聯。正因為這些特性，對于亮度分量I的操作不會影響到其他分量，因此本文選擇將RGB圖像轉換為HSI圖像，然后在HSI色彩空間中對光照不均的人臉圖像進行校正處理。

2.2 Retinex理論

為了實現對復雜光照環境下人臉圖像的校正處理，準確地提取圖像中的光照分量顯得尤為重要。根據Edwin Land提出的Retinex理論㈣可知，一幅給定的圖像S（x，y）可以分解成兩幅不同的圖像：反射物體圖像R（x，y）和入射光圖像L（x，y），其原理示意圖如圖1所示。

2.4圖像優化預處理算法設計與實現

基于對HSI彩色模型的分析以及對多尺度Retinex圖像增強方法和Gamma校正法的研究，本文設計了復雜光照環境下基于自適應Gamma校正的人臉圖像預處理算法，算法流程圖如圖2所示。

3實驗結果與分析

為檢測本文處理方法的有效性，采用CMU_PIE人臉庫和東方人臉數據庫（OFD）進行仿真實驗，并利用直方圖均衡化（HE）算法、Gamma校正法和本文方法分別對人臉圖像進行處理，處理后的結果如圖3和圖4所示。

從圖3和圖4可以看出，對光照不均的人臉圖像分別進行處理之后，從主觀視覺效果判斷可知直方圖均衡化算法處理結果會出現嚴重的色彩失真和過度增強的現象，Gamma校正算法處理的效果比直方圖均衡化算法要好一些，但圖像中臉部的陰影沒有得到有效的處理，并且在Gamma函數的取值方法上不夠自適應，本文算法不僅有效的處理了圖像中臉部光照不均的問題，還對圖像具有很好的色彩保持性，并且可以自適應的校正光照不均的人臉圖像。

為了進一步的對比不同算法的處理效果，本文使用標準差、平均梯度和信息熵等客觀指標對不同算法進行衡量。標準差可以反映圖像的對比度特征，平均梯度是圖像清晰度的重要衡量指標，熵可以衡量圖像所包含的信息量。使用3種不同處理方法之后的人臉圖像數據對比如表1所示。

由表1中的數據可知，經過本文算法處理之后的人臉圖像的質量有了較好的改善，主要表現在標準差的值變大，體現出人臉圖像的對比度增強了;平均梯度值變大，表現出人臉圖像變得更加清晰;熵值變大，代表可以從校正后的人臉圖像中提取出更多的信息量，由此可見本文算法對復雜光照環境下人臉圖像的預處理取得了較好的效果。

4結論

本文針對復雜光照環境下采集人臉圖像會造成光照不均的問題，設計實現了基于自適應Gamma校正的復雜光照環境下人臉圖像預處理優化算法，仿真實驗表明本文算法有效地增強了復雜光照環境下人臉圖像的對比度、清晰度和信息量，在減弱復雜光照環境對人臉識別準確率的影響方面具有良好的用途。