李天宇，江 昕，杨 彪

(哈尔滨工业大学(深圳)建筑学院，广东 深圳 518000)

引言

随着 LED 照明技术的发展，其在道路照明应用中的潜在优势引起了广泛的关注，但由于缺乏系统的理论指导和科学依据，LED光源在视觉功效学方面的节能潜力尚未完全发挥。国家发改委在2017年发布的《战略性新兴产业重点产品和服务指导目录(2016版)》中，重点列入了“高效低成本LED替代光源”，包括高效低成本筒灯、射灯、路灯、隧道灯、球泡灯等替代型半导体照明光源和新型LED照明应用产品。国际照明委员会(CIE)标准CIE 115—2010[1]和英国道路照明标准BS 5489-1:2013[2]指出：行人道路照明旨在确保其安全的夜间步行环境，满足视觉信息的需求，其中对他人的意图识别被认为是安全步行中的关键视觉任务。目前亟需针对行人在步行环境中的视觉功效开展研究，解决 LED 光源在道路照明节能应用中的关键基础科学问题，为提供行人安全步行环境和实现 LED 照明节能提供理论依据。

国内外相关研究团队已经逐步开展了关于行人道路照明的工作。杨秀和郝洛西[3]对LED光源的光谱能量分布对行人视觉作业的影响进行了较为全面的综述，并运用视觉功效法分析视觉辨认时人眼的光谱能量分布响应特征，进行了实验室内模拟照明场景的实验和真实照明场景中的主观评价实验，研究结果揭示了光谱功率分布对周边视觉的影响作用，且影响程度随着角度的增加更加显著[4]。宋佳音等[5]探索了不同道路亮度等级下行人被识别的反应时间，并拟合了两者之间的视觉功效函数，结果表明同等亮度时LED光源下的反应时间比高压钠灯下的更短，揭示了光谱对视觉反应时间的补偿作用。

复旦大学林燕丹等[6,7]在实验室环境下，探讨了亮度、光谱、观察时间和视觉任务(身份识别和表情识别)等因素对行人面部辨识的影响，结果发现观察时间作为变量会影响识别能力，实验中如果观察时间不固定，则会增加实验误差，并与英国谢菲尔德大学的Fotios和Yang[8,9]合作探讨了面部识别实验方法的优劣。Fotios和Raynham[10]对过去关于行人照明和人脸识别的研究所使用的实验方法和视觉任务都提出了质疑，他们认为，针对光谱的精密心理学实验，应该在固定距离、固定观察时间的条件下完成，而且将人脸识别作为唯一的视觉任务是否合适也值得商榷。

Yang和Fotios[11]首次将狭义的人脸身份识别(facial recognition)扩展到了广义的人际判断(interpersonal judgement)，并指出身体语言、人脸表情和视线方向等表达他人意图的视觉线索(visual cue)是行人照明的关键视觉任务之一。Yang、Fotios和Cheal[12,13]在明确了观察距离(15 m)和观察时间(500 ms)的基础上，对青年组和老年组分别进行了实证实验，研究结果表明人脸表情50%辨识率时的阈值亮度为1.0 cd/m2，但其使用的视觉刺激物为接近单色的二维人脸表情照片。随后，Fotios等[14]又进一步研究了彩色人脸表情图像的颜色和光谱的关系，但由于所使用的视觉刺激均为人脸表情二维(2D)图像，其实验结果的有效性还需要使用三维(3D)人脸进一步验证。

近几年CIE更新的道路照明标准中增加了关于光谱和颜色方面的建议内容：当显色指数(Ra)大于60时，由于其对周边视觉的补偿作用，最低照度要求可以降低一级[15]。然而包括美国、英国和中国等大多数国家的道路照明标准中并没有包含关于光谱补偿照度的内容，主要原因是现有研究提供的科学依据尚未达成共识，有待针对具体视觉任务进行深入研究。Uttley等[16]的研究结果表示，具有较高S/P值(scotopic/photopic ratio)的光源可以提高低照度下识别障碍物的能力，这一结论是否同样适用于人脸表情识别需要进行进一步实验验证。

我们主要针对LED的照度、光谱功率分布(spectral power distribution, SPD)和S/P值对三维人脸表情识别能力的影响开展了实验性研究，为进一步完善基于LED的行人道路照明标准提供参考。

1 实验方法

本次研究通过实验室复现了行人所经历的不同道路光环境，来研究行人对三维人脸表情的识别能力。在实验室中，通过调节“全光谱多通路 LED 模拟光源”，设置了15种光照环境，具体包括3种不同SPD的LED光源：模拟HPS(CCT=2 000 K，S/P=0.57，Ra=25)，模拟MH(CCT=4 200 K，S/P=1.77，Ra=92)，和自主调配出的具有极高S/P值的HIGH-SP(S/P=25.13，Ra=4.8)；每种SPD都使用了5个照度级别: 0.33，1.00，3.33，10.0 lx和30.0 lx，实验变量及条件如表1所示。

本实验所用视觉刺激物为陶塑人脸模型，上述照度的测量位置为目标刺激物的正面面部的垂直照度，所使用的三维人脸模型的四个侧面具有四种的标准表情(喜怒哀乐)：惊喜(surprise)、愤怒(angry)、悲哀(sad)和快乐(happy)，如图1所示。

表1 实验光环境与视觉刺激物的变量选取Table 1 Selection of variables in experimental light environment and visual stimuli

图1 3D人脸视觉刺激物及四种表情实物图Fig.1 3D visual stimuli and four kinds of expressions

三维人脸表情模型放置在自主研制的“视觉刺激物呈现与响应自动采集实验平台”上，距离被试者1.3 m左右，按模型大小比例计算，符合真实场景中4.0 m的观察距离[12]。该平台可使多个视觉刺激物(惊喜、愤怒、悲哀和快乐四种表情)以随机且均等机会的方式(counter-balanced)出现，其结构如图2所示。实验要求被试者在不同光照条件下，对随机出现的视觉刺激物进行表情识别，并通过与电脑连接的按键在四个备选项中做出选择。

被试者将在每种LED与照度的组合条件下，进行16次(4×4)表情识别选择，总共需进行240(16×3×5)组实验，每位被试均有充足的练习时间以便其充分熟悉实验流程。所有被试者的识别选择和反应时间数据将被自动记录存储用以统计分析。本次实验共有30名被试者参与(15男、15女)，年龄均在18～25岁范围内，视力及色觉正常。实验场景设置及全光谱多通路 LED 模拟光源如图3所示。

图2 视觉刺激物呈现与响应自动采集实验平台Fig.2 Automatic acquisition experiment platform for visual stimuli presentation and response

图3 实验场景设置及全光谱多通路 LED 模拟光源Fig.3 Setup of experimental scene and all-optical spectrum multipath LED simulation light source

2 结果与分析

2.1 实验结果

在上述实验中，被试者每次对表情的识别选择将以得分“1”(正确)或“0”(错误)记录。在每种光环境下，被试者需要进行16(4×4)次试验，全部识别正确将得到16分，全部错误将得到0分。由此可获得30名被试者分别在3种光源、5种照度(共15组数据)下的得分情况，对这15种灯光环境下所有人的得分取均值，结果见表2。

表2 不同照度和SPD下的3D人脸表情识别的平均效率(满分为16)Table 2 Average efficiency of 3D facial expression recognition under different illuminance and SPD (full score is 16)

依据表2可以画出不同照度和SPD下的3D人脸表情识别效率曲线，如图4所示。

图4 不同照度和SPD下的3D人脸表情识别效率曲线Fig.4 Efficiency curves of 3D facial expression recognition under different illuminance and SPD

由图4可得到初步结论：随着照度值的增加，被试者在三种不同光源下对表情的识别得分显著提升；当照度高于10.0 lx时，人脸表情识别的得分达到稳定；当照度高于1.00 lx时，被试者的识别正确率达到50%；当照度高于3.00 lx时正确识别率达到75%；如果以50%或75%作为夜间道路照明条件下人脸表情识别需要达到的最低正确率，则1.00 lx 或3.00 lx 可以被认为是最低的照明等级。对比三种LED光源的三条应代表曲线可知，被试者在HPS和MH光源下的人脸表情识别正确率稍高于HIGH-SP，但HPS和MH光源之间的识别正确率基本接近。以上观察结果需要通过统计分析进行进一步确认和验证。

2.2 统计分析

对所得数据进行了三个方面的统计分析：正态性检验，相同光源SPD下相邻照度的配对检验，以及相同照度下不同光源SPD的两两对比检验。

1)正态性检验。为了确定下一步使用参数或非参数分析方法，对于3种光源和5种照度下得到

的15组数据分别进行单样本Kolmogorov-Smirnov检验，以判断这15组数据是否服从正态分布。检验结果表明，15组数据中共有12组数据服从正态分布，数据整体的正态分布符合率达到了80%(12/15)，可以认为这15组数据服从或近似服从正态分布，适合使用参数统计的分析方法。

2)相同光源相邻照度的配对t检验。对于每种光源5种照度下的数据，我们将所有同光源相邻照度下的两组数据进行配对t检验，以检验相同光源相邻照度下各组数据的均值是否存在显著差异，共进行12次检验，分别得到t统计量的概率p值如表3所示。

表3 三种光源SPD下相邻照度的配对检验结果Table 3 Paired test results under adjacent illumination of three illuminant SPD

*——p<0.05

给定显著性水平α=0.05，与概率p值作比较可以发现，在照度0.33 lx和1.00 lx对比、照度1.00 lx和3.33 lx对比以及照度3.33 lx和10.0 lx对比的p值中，只有HPS光源在照度1.00 lx和3.33 lx对比时的p值大于α，其余概率p值均小于α。因此可以认为3种光源在照度0.33 lx和照度1 lx、照度1 lx和照度3.3 lx、照度3.3 lx和照度10 lx的数据均值是存在显著差异的。

而在照度10 lx和30 lx的对比检验中，HPS和MH光源的概率p值均大于α，只有HIGH-SP光源的概率p值小于α，因此可以近似认为，在照度达到10.0 lx或30.0 lx时，数据的均值不存在显著差异。

3)相同照度下不同光源的配对t检验。为了研究光源SPD对人脸表情识别能力结果的影响，我们再对每种照度下3种光源的数据两两进行配对t检验，共进行15次检验，分别得到t统计量的概率p值结果如表4所示。

表4 五种照度下三种光源SPD两两对比的配对t检验结果Table 4 Paired t test results of pairwise contrast of three illuminant SPD under five illuminance conditions

*——p<0.05

从表4中可以看到，在照度0.33 lx下，HPS和HIGH-SP、HIGH-SP和MH的p值均小于给定显著性水平α(0.05)，在照度1.00 lx下，HPS和HIGH-SP、HPS和MH的p值均小于给定显著性水平α。因此可认为，在0.33 lx和1.00 lx这两组较低的照度水平下，不同光源的数据结果存在显著差异。

而在照度3.33 lx和照度10.0 lx下，都只有HIGH-SP和MH的p值小于显著性水平α，在照度30 lx下，3组p值均大于显著性水平α，因此可以认为，在照度为3.33、10.0 lx和30.0 lx的情况下，不同光源的数据结果不存在显著差异。

4 结论与展望

步行环境的照明需要兼顾安全性和节能性两个方面，LED照明技术的普及及其灵活的连续光谱为保持视觉功效的同时实现照明节能提供了新的途径。本文主要针对LED的照度、光谱功率分布(spectral power distribution, SPD)和S/P值对3D人脸表情识别能力的影响开展了实验性研究，并得到了照明参数与识别效率的关系曲线。研究结果将为行人道路照明的标准制定提供科学基础和实证依据。

统计分析结果表明，当观察距离为4 m时，3D人脸表情的识别正确率随面部处的照度增加而提升，且当照度增加到10.0 lx左右时，识别正确率将趋于饱和。因此垂直照度10 lx可以作为行人道路照明最低照度水平的参考阈值，与先前基于2D人脸表情的实验结果较为一致[12-14]。通过比较HIGH-SP和其他光源条件下的关系曲线可知，相同照度下具有较高S/P值的LED并不能提高人脸表情的识别效率。有两个可能的原因：①人脸表情识别是基于中央视觉(central vision)的视觉任务，主要依赖于视锥细胞，而S/P值的影响主要作用于依赖视杆细胞的周边视觉(peripheral vision)；②具有高S/P值的HIGH-S/P光谱中的蓝光成分较多，显色性较差，而陶泥材料制成的人脸表情模型主色调为棕色，被HIGH-S/P照亮的效率低，该自主调制的光谱和3D人脸表情的组合并不能完全代表行人在真实场景中所遇到的视觉任务。

在未来的研究工作中，我们将会调制更具有真实性的高S/P值白光LED光源进行实验，进一步研究S/P值对行人视觉任务的影响。同时随着3D打印技术的成熟发展，将会使用更贴近真实外观及肤色的3D人脸模型进行实验，以获得更加精确的实验结果。