翟音 赵宇烨

摘要：针对人脸识别中，人脸图像光照补偿问题进行研究。将人脸图像通过对数边缘图变换和Gamma灰度变换两种方法进行预处理，再结合Retinex光照补偿算法，得到两种改进的光照补偿算法。通过在YaleB人脸识别库上的实验结果来看，改进的算法在一定程度上提高了人脸图像的识别率。

关键词：光照补偿;对数变换;Gamma灰度变换

中图分类号：TP3        文献标识码：A

文章编号：1009-3044（2020）17-0031-02

开放科学（资源服务）标识码（OSID）：

光照变化一直是影响人脸识别的一个重要因素。由于人脸面部的立体性，不同的光照角度对人脸图像的变化影响非常大。比如光线照射在人脸左侧面时，右侧面会有阴影，这种情况下对人脸图像进行识别时，算法的识别率就会下降。因此，为了减少不同光照角度对人脸图像的影响，在对人脸面部图像识别的初始处理阶段，我们采用两种不同的预处理算法对人脸图像进行预处理，再提取特征点识别面部特征，以此來降低光敏感度，提高人脸识别系统的识别率。

1Retinex理论

Retinex理论指出，人们眼睛所获取的图像，主要是入射光和反射物体两大元素决定[1]。在Retinex光照补偿算法[2]中，首先把图像分成只含有入射信息的图像和只含有反射信息的图像。那么由该算法得到的图像的成像过程可以用式（1）表示：

在式（2）中，将反射函数和入射函数之间的乘积关系转换成对数相加关系，这样能够有效扩展被压缩的图像中的阴影部分，从而消除光照的影响，符合人们对光线的亮度感知能力。

由此可见，基于Retinex理论的光照补偿算法就是把入射光对图像的影响去除，只获取根据物体的反射性质R得到的图像的表面特征，从而减弱光照变化对图像的影响[6]。当光线照射在人脸侧面时，Retinex光照补偿算法并不能有效地获取阴影部分的图像的细节，为了获得更好的图像信息，我们将Retinex光照补偿算法与其他光照预处理算法相结合，寻找有效的人脸图像预处理算法。

2 两种常用的光照补偿预处理算法

2.1基于对数边缘图变换的方法

对数边缘图变换[4]是对整个图像区域的一个变换，在光线照射在人脸侧面时，为了降低光照对人脸识别图像的影响，在变换后的图像上选择一个局部窗口。如式（3）所示。

根据式（4）可以获得变换后的图像与光照照射角度无关的一些特性，有这种特性的图像叫作对数边缘图。

2.2基于gamma灰度教正的方法

Gamma校正方法[5]是人脸识别图像处理常用的一种技术，它的原理是通过改变Gamma 参数来获取图像的不同亮度效果。基于Gamma 灰度校正的方法是对 Gamma 校正方法的改进，其基本思想是首先设置一个预先定义好的标准光照条件下的图像[IO]，然后对要处理的图像的光照角度进行校正，使得它和标准图像[IO]所处的光照角度相同，这样可以在一定程度上减少图像识别时不同光照角度对其产生的影响。

利用Gamma 灰度校正方法进行人脸图像光照预处理的主要步骤[5]：首先定义标准人脸图像[IO]，这个图像[IO]是一个预先定义的标准光照角度下的图像，然后把要处理的图像进行Gamma灰度校正变换，使得变换后的图像和标准图像[IO]的光照角度相同，变换过程如式（5）所示：

3光照补偿算法的改进

将人脸图像通过对数边缘图变换和Gamma灰度变换进行预处理，再结合基于 Retinex 理论的光照补偿算法得到预处理结果，执行过程如图 1 所示。

为了验证改进的算法，我们主要选取面部有侧光照射的图像进行实验，首先对要处理的图像采用对数边缘图变换和Gamma灰度变换分别进行预处理，去除光照的噪声，再运用基于 Retinex 理论的光照补偿算法，最终得到的效果图如图2和图3所示。

从图像预处理的结果可以看出，通过对数变换和Gamma灰度校正两种预处理算法的结合，改进了原有的光照补偿算法在侧光照射下对获取图像细节不均匀的效果，减弱了图像预处理阶段光照的噪声，减少了光照变化对图像的影响，提高了人脸图像的识别率。

4对比研究

YaleB人脸库是光照和姿态变化的典型人脸数据库。以YaleB人脸库进行实验，选择人脸库中10个人在不同光照情况下的拍摄图像进行测试，这些图像是每个人在64种不同光照角度下用同一种姿势拍摄的正面照片，总共选择640张人脸图像进行实验。这些人脸图像根据拍摄时光照的不同角度大致分为5种情况，每种情况用一个子集来表示：小于等于12度是子集1;13度到25度之间是子集2;26度到50度之间是子集3;51度到77度之间是子集4;大于77度是子集5。

实验中，为了比较正面光线和侧面光线对人脸图像的识别情况，把正面照射人脸的子集1用作训练集，其他侧面照射人脸的4个子集作为测试集。实验结果如下。

从表1的对比数据中我们可以看出，方法1和方法2经过两种不同的图像预处理算法后，人脸图像的识别率都有所提高，局部对噪点的抗干扰性能更好一些，改进后的方法在一定程度上提高了人脸图像的识别率，识别的效果比较理想。

参考文献：

[1] 黄华，王孝通.基于Retinex理论的图像增强算法[J].四川兵工学报，2009，30（1）：64-65，68.

[2] 王彦臣，李树杰，黄廉卿.基于多尺度Retinex的数字X光图像增强方法研究[J].光学精密工程，2006，14（1）：70-76.

[3] SHAKED D， KESHET R. HPL200274R1，Robust recursive envelope operators for fast Retinex[R].Hewlett-Packard Research Laboratories，2002.

[4] Savvides M，Kumar B V K V.Illumination normalization using logarithm transforms for face authentication[M]//LectureNotesinComputerScience.Berlin，Heidelberg： Springer Berlin Heidelberg， 2003： 549-556.

[5] 杜波.人脸识别中光照预处理方法研究[D].北京：中国科学院研究生院，2005.

[6] 郑苑.多方法结合的人脸图像光照补偿算法[J].计算机系统应用，2012，21（2）：207-209.

【通联编辑：代影】