基于改進二維伽馬算法的暗環境人臉識別方法研究

摘要：人臉識別技術是基于人的面部特征信息而進行識別的一種生物識別技術。相比于虹膜、指紋等生物特征，它具有非接觸、易采集等特點，已經在監控安防、人機交互、身份認證等社會生活中起著越來越重要的作用。但在實際應用中，人臉圖片的采集過程容易受拍攝角度、光照條件等因素影響，造成識別算法的準確度急劇下降。文章提出了一種基于改進二維伽馬算法的人臉識別方法，根據圖像的亮度分布特征實現伽馬校正算法的快速計算，能夠有效降低光照影響，提高暗環境下人臉識別的準確度和運行速度，為人臉識別技術在暗環境下的應用提供支撐和幫助。

關鍵詞：暗環境；光照預處理；改進伽馬算法

中圖分類號：TP39

文獻標志碼：A

0 引言

人臉識別技術是生物特征識別領域的重要分支之一，通過使用拍攝設備采集獲取人臉圖片，利用面部定位、特征提取以及識別算法完成人臉辨識，已經廣泛地應用于監控、人際交互、身份認證等方面。但在實際的應用場景中，采集人臉的圖像容易受到光照強度、角度、背景圖案等環境因素的影響，從而影響識別精度。這些干擾因素中，亮度條件對于人臉識別算法的影響最為顯著^［1］。研究表明，一個人在明暗兩種環境下的面部圖像差距甚至要超過兩個不同的人的圖像差距。由于亮度的不足，人臉圖片容易出現面部細節被遮蓋的問題，導致圖像質量和算法性能顯著下降。因此，本文研究基于暗環境條件下的人臉識別方法具有一定的現實意義。為了降低光照因素帶來的影響，通常的解決方案是利用光照補償減少或消除光照噪聲影響，從而提高后續人臉識別的魯棒性和相似度。常用的光照補償方法有直方圖均衡化、伽馬矯正、對數變換等，但在實際應用中這些方法都存在一定的不足。直方圖均衡化雖然使圖像灰度分布更加均勻，增強對比度，但卻沒有考慮圖像的頻率信息以及細節信息，圖像容易出現顏色失真；Retunex算法在進行光照補償時，會出現光暈；伽馬矯正算法存在計算量過大、運算速度慢等問題。本文基于光照分量的分布特性，提出一種基于二維伽馬算法的快速人臉識別方法，能夠有效地抑制光照因素的影響，提高人臉識別的相似度，算法運算效率高，具備更好的可靠性和有效性。

1 基于改進二維伽馬算法的人臉識別方法

本文提出基于改進二維伽馬算法的人臉識別方法的處理過程分為圖像采集、光照補償、特征提取與識別3個步驟，具體過程如圖1所示。第一步通過采集設備或現有人臉數據集獲取原始的弱光圖像；第二步利用本文提出的二維伽馬校正算法對輸入的弱光圖片進行光照補償；第三步利用SeetaFace人臉識別方法完成模式識別，得到準確率。

其中，光照補償部分需要先提取光照分量，然后利用改進二維伽馬函數完成亮度矯正，實現光照補償，具體流程如圖2所示。

1.1 多尺度的高斯函數法提取光照分量

1.1.1 單尺度高斯函數法

根據Lambert光照模型，任意一張灰度圖像可用二維函數f（x，y）進行表征，并且根據圖片成像的物理過程，灰度圖像能夠抽象成直射分量i（x，y）與反射分量r（x，y）的乘積。

f（x，y）=r（x，y）·i（x，y）（1）

其中，r（x，y）表示圖像中的反射光成分，其變化比較劇烈，主要存在于圖像的高頻部分，如邊緣、紋理等處。i（x，y）表示圖像中的光照分量，主要存在于圖像的低頻部分，可以通過二維高斯函數卷積運算得到，如下式所示：

i（x，y）=f（x，y）×g（x，y）（2）

式（2）中的g（x，y）表示二維的高斯函數，具體的表達式為：

高斯函數中的參數k表示尺度因子，λ為歸一化常數。尺度因子越小，光照分量的細節越突出，局部特性就越好，而尺度因子越大，圖像的動態范圍也就越大，色調保持能力越強，提取的光照分量的全局特性更好^［2］。另一方面，從二維高斯函數的對稱性分析可知，離高斯中心距離相等處的點具有相同的取值，則周圍的點對高斯中心位置的估計具有相同的影響。而在較大的區域內，光照分量是不均勻分布的，單尺度的高斯函數法提取的光照分量與實際情況有著一定的誤差。所以單尺度的高斯函數法不能完全表現圖像的光照信息，對于光照不均勻的圖像存在一定的局限性。

1.1.2 多尺度高斯函數法

多尺度的高斯函數法是在單尺度高斯函數法的基礎上進行改進的，在單尺度高斯函數法中只是選取了一個高斯環繞尺度，不能同時體現圖像的動態壓縮和圖像的對比度^［3］。為了綜合全局特性和局部特性，多尺度的高斯函數法引入多個不同尺度的高斯濾波器提取圖像的光照分量并進行加權疊加，其表達式為：

式（4）中，g_k（x，y）表示不同尺度的高斯函數。其中N表示不同尺度的高斯函數的個數，W_k表示每個函數的權重。

在各個尺度的濾波器中，小尺度的高斯函數能夠有效地提供圖像的動態壓縮范圍，而大尺度的濾波器能夠表現圖像的局部對比度^［4］。本文中，選取的常數N的值為3，設置尺度因子的值為{15，80，250}，為了保證光照分量在原始的亮度范圍內，將3個卷積的結果進行按權疊加，這里取得權值為{1/3，1/3，1/3}。

1.2 二維伽馬校正算法

傳統的伽馬校正算法是基于空間域上的圖像處理方法，核心思想是通過建立原始圖像的像素灰度值與輸出圖像的對應值之間的伽馬函數關系，達到弱光圖像的校正作用^［5］。算法利用這種非線性關系，能夠將弱光圖像的灰度值區域擴展到更寬的區間上，從而能夠有效地提高圖片的整體亮度，并增強圖片的細節特征。但傳統的伽馬校正算法是基于固定參數的空域變換，對于亮度不同的兩個區域處理效果相同，不能根據亮度值的大小自適應地調整參數，從而在局部特征的改進效果比較有限^［6］。

二維的伽馬校正算法是在傳統伽馬校正算法的基礎上發展起來的，該算法利用二維的伽馬函數對圖像進行點處理，針對各個像素點的光照分量使用了多個伽馬函數，所以對于不同亮度范圍內的圖像區域有著不同的映射關系，很好地兼顧了整體特征和局部特征，實現了對弱光圖像的自適應校正處理。二維的伽馬校正算法要先將圖像從RGB空間域內轉換到HSV域內，提取亮度信息，并保證圖像的色調和飽和度不變。然后提取光照分量的大小，通過高斯函數與原始圖像相卷積，可以提取光照信息v（x，y），這一步對于降低光照因素對圖像質量的影響尤為關鍵。實際應用較多的算法有單尺度的高斯濾波法、雙邊濾波法以及基于Retinex理論的變分模型法，下一節將在單尺度的高斯濾波法基礎上，提出多尺度的高斯函數法。

然后，利用光照分量i（x，y）對二維的伽馬函數的參數γ進行調整，并將原始圖片的輸入灰度值進行校正處理，得到輸出圖像的亮度分量V（x，y）。

其中f（x，y）表示原始圖像的亮度分量，最后將校正后的亮度分量V（x，y）與原始的色調分量和飽和度分量進行合成，并轉化到RGB空間，得到最終的輸出圖像。

二維伽馬校正算法能夠有效地抑制光照不均勻帶來的影響，減弱了明亮區域的亮度值，增強了弱光區域的亮度值。整體上，圖像的細節特征和灰度層次范圍得到了有效提高，并且避免了對明亮區域的過度曝光問題。但是該算法的運行時間較長，需要針對圖像的每一個點的像素值進行校正處理，對于30萬像素的圖片，大約耗時6～7 s，難以滿足實際場景的應用要求。

2 基于亮度分布特征的伽馬算法快速實現

由于二維伽馬校正的處理算法較為煩瑣，需要針對每一個像素點的光照分量值動態地設置校正參數，再進行伽馬校正的相關運算。整個環節耗時較長，難以滿足人臉識別場景中有關實時性、高效性的要求。從伽馬校正的基本原理出發，提升了二維伽馬算法的運行速度。傳統伽馬算法計算主要包含以下步驟：（1）歸一化。將原始亮度值線性壓縮，轉換為0～1的實數。（2）預補償。獲取亮度歸一化后的數據以1/γ為指數的對應值。（3）反歸一化。將經過預補償的實數值進行反變換，使其為0～255的整數。

按照上述的算法流程，對一張分辨率為800×600的圖像進行伽馬校正處理，至少需要執行48萬個浮點數乘法、除法和指數運算。運行的效率太低，難以達到實時的效果。

針對上述情況，提出一種快速算法。假如，原始圖片的亮度取值范圍為0～255的整數，則在校正參數γ確定的情況下，0～255的任意整數經過歸一化、光照補償、反歸一化的操作后，對應的結果都是唯一的。也就是說，輸入輸出的亮度值存在著一一對應的映射關系，若能夠利用這種固定的映射關系，則能夠大幅度減少運算時間，提升運算效率。

針對暗環境的弱光圖像而言，其光照亮度值分布具有一個明顯的特征：絕大部分像素點的光照分量值分布在0～50這一數值區間內，所以只需要在這一個區間內進行插值產生多個伽馬參數值γ。針對每個伽馬參數值γ，遍歷取值區間的所有可能取值，建立符合亮度分布特征的映射表，然后利用查找映射表的方式替代絕大多數像素點的校正過程。

3 實驗結果與分析

本文利用Seetaface算法搭建人臉識別框架，根據本文提出的算法流程，將暗環境下的人臉圖像進行光照補償處理，再利用人臉識別算法完成人臉相似度計算。本文將基于Yale數據集和CMU-PIE數據集進行算法仿真實驗，在相似度和運行效率方面進行對比分析。

3.1 相似度對比分析

為了比較本文所提的方法性能，實驗采用了改進伽馬校正算法、傳統伽馬算法、直方圖均衡化算法和未采用光照補償4種方法在人臉數據集上進行測試。比較其相似度，分別在Yale數據集和CMU Multi-PIE數據集中選取了16×7張實驗圖片，每個實驗組中包含1張普通光照的人臉圖片和6張弱光圖片。由于每一組的實驗圖片，都是嚴格限制在弱光環境下拍攝的，實驗結果也將反映預處理環節的性能優劣。實驗結果如圖3所示，根據相似度曲線可以看出4種方法中改進伽馬算法（實線方塊折線）的光照補償效果最佳，能夠更有利于人臉圖像的識別。此外，圖中第13次的相似度數據明顯偏離平均水平，3種算法均無改進效果，該情況是由于實驗圖片的畫質太差，光照補償無效，導致人臉識別算法無法提取特征，影響相似度。

部分人臉圖片的相似度對比如表1所示，從表格中統計的數據進行分析，改進伽馬算法相對于傳統伽馬算法有了0.03～0.04的相似度性能的提升，相對于直方圖的效果則更加顯著。改進算法相對于其他兩種算法更能夠抑制暗環境狀態下光照影響，并表現出圖像的人臉特征和局部細節。

3.2 運行效率分析

本文比較了二維伽馬校正算法和改進的二維伽馬校正算法的處理速度，在Yale數據集和CMU-PIE數據集中（每張圖像的大小為168×192）選取了16×6張圖片進行了實驗，實驗結果如圖4所示。

由圖4可以直觀看出，改進的二維伽馬校正算法平均處理時間要比二維的伽馬校正算法快2 ms，算法效率得到明顯提高，這表明利用亮度分布特征的快速算法在實際應用中能夠更加有效地滿足實驗場合的要求，并拓寬了算法應用的場景范圍。

4 結語

本文提出了一種基于改進二維伽馬算法的人臉識別方法，通過實驗分別從相似度和運行效率方面與其他方法進行比較，驗證了本文提出的方法在暗環境下能夠有效地抑制光照因素的影響，有效提高人臉識別的準確率，算法運算效率高，具備更好的可靠性和有效性。

參考文獻

［1］WU Y， ZHENG J， SONG W， et al. Low light image enhancement based on non-uniform illumination prior model［J］. IET Image Processing， 2019（13）： 2448-2456.

［2］余萍，郝成成.基于分數階微分和多尺度Retinex聯合的霧靄圖像增強算法［J］.激光與光電子學進展，2018（1）：280-285.

［3］趙清楠.基于Retinex理論的圖像增強凸優化模型研究［D］.成都：電子科技大學，2016.

［4］王浩，張葉，沈宏海，等.圖像增強算法綜述［J］.中國光學，2017（4）：438-448.

［5］劉志成，王殿偉，劉穎，等.基于二維伽馬函數的光照不均勻圖像自適應校正算法［J］.北京理工大學學報，2016（2）：191-196，214.

［6］QIAO N， QUAN C. Dual-frequency fringe projection for 3D shape measurement based on correction of gamma nonlinearity［J］. Optics amp; Laser Technology， 2018（106）： 378-384.

（編輯 沈 強）

Research on face recognition method in dark environment based on improved two-dimensional gamma algorithm

Yang Bingjie， Xue Yu

（Henan Branch of National Computer Network and Information Security Management Center， Zhengzhou 450000， China）

Abstract： Face recognition technology is a biometric identification technology based on facial features. Compared with other biological features such as iris and fingerprints， it has the characteristics of non-contact and easy acquisition， and has played an increasingly important role in social life， such as monitoring security， human-computer interaction， and identity authentication. However， in practical applications， the acquisition of facial images is easily affected by factors such as shooting angles and lighting conditions， resulting in a sharp decrease in the accuracy of recognition algorithms. This article proposes a face recognition method based on an improved two-dimensional gamma algorithm， which uses the brightness distribution characteristics of the image to achieve fast calculation of the gamma correction algorithm. It can effectively reduce the impact of lighting and improve the accuracy and speed of face recognition in dark environments， providing support and assistance for the application of face recognition technology in dark environments.

Key words： dark environment; light pretreatment; improved gamma algorithm