基于γ變換的Weber-Faces的人臉識(shí)別方法

楊 超 伍世虔,2 方紅萍

1(武漢科技大學(xué)機(jī)械自動(dòng)化學(xué)院 湖北 武漢 430081)2(湖北省先進(jìn)鋼鐵材料協(xié)同創(chuàng)新中心 湖北 武漢 430081)3(武漢科技大學(xué)信息科學(xué)與工程學(xué)院 湖北 武漢 430081)

0 引 言

生物特征識(shí)別技術(shù)[1](Biometric)克服了傳統(tǒng)的身份識(shí)別技術(shù)[1,3-4]易遺忘、易偽造、安全性低等缺點(diǎn)。由于其獨(dú)特的性質(zhì)，被越來(lái)越多的科學(xué)家和學(xué)者們所推崇。人臉識(shí)別[5]是生物識(shí)別當(dāng)中的最簡(jiǎn)單直接高效的一種技術(shù)，在主動(dòng)身份識(shí)別和被動(dòng)視頻監(jiān)控中都有著廣泛的應(yīng)用，特別是在公共安全領(lǐng)域有著獨(dú)特的優(yōu)勢(shì)，為人們提供了便利及安全。雖然卷積神經(jīng)網(wǎng)絡(luò)在人臉識(shí)別技術(shù)中已經(jīng)發(fā)揮了很大的作用[6-8]，但是其學(xué)習(xí)的時(shí)間長(zhǎng)，消耗大量資源以及樣本的條件無(wú)法滿足，只能依靠單樣本進(jìn)行識(shí)別。但在單樣本人臉識(shí)別中仍然存在許多問(wèn)題，如光照、姿態(tài)、面部表情、模糊和年齡等[9-10]。特別是光照，人臉識(shí)別在室內(nèi)環(huán)境下的應(yīng)用已經(jīng)十分成熟，但是在室外環(huán)境下，光照條件對(duì)人臉識(shí)別有很大的影響。

許多經(jīng)典的人臉識(shí)別方法是基于單樣本圖像本身特征信息的。它們可以簡(jiǎn)單地分為三類[11]：第一類是傳統(tǒng)的圖像處理方法，不考慮光照反射模型。例如：直方圖均衡化(HE)[12]、Gamma灰度校正(GIC)[13]、各向同性擴(kuò)散(IS)[14]或各向異性擴(kuò)散(AS)[14]等。第二類試圖進(jìn)行光照歸一化，濾除掉人臉圖像的光照部分L，并獲得真實(shí)的反射人臉R。基于朗伯特反射模型[15-16]，人臉圖像上坐標(biāo)(x,y)點(diǎn)的像素I可以表示為：I(x,y)=R(x,y)L(x,y)。例如單尺度Retinex(Single Scale Retinex,SSR)[17]設(shè)計(jì)了一個(gè)全局的低通濾波器，并在對(duì)數(shù)域內(nèi)進(jìn)行濾波以濾去光照分量L，從而得到反射分量R。自商圖像(Self-Quotient Image, SQI)[18]是直接在圖像域內(nèi)通過(guò)高斯低通濾波器以商的方式獲得反射分量R。韋伯人臉WF(Weber-Faces)[19-20]和多尺度韋伯人臉MSW(Multi Scale Weber faces)[21]都假設(shè)局部光照相同，以去除光照L再積分求和獲得反射分量R。第三類嘗試提取光照不變的特征，利用圖像的序特征[22]，提取局部的信息。例如局部二值模式(LBP)[23]是基于序特征在局部鄰域內(nèi)進(jìn)行二進(jìn)制編碼的一種方法，同時(shí)還有其他多種改進(jìn)方法，例如：拓展局部二值模式(ELBP)[24]，局部三值模式(LTP)[9]，拓展局部三值模式(ELTP)[25]等。

這三類方法并不是完全獨(dú)立的，近年來(lái)，有許多學(xué)者將這三類融合在一起進(jìn)行研究，對(duì)人臉圖像先進(jìn)行預(yù)處理或光照歸一化，再提取它們的特征，以便于識(shí)別[9，26]。針對(duì)韋伯人臉局部光照相同的假設(shè)在光照突變處不適用的問(wèn)題，提出了一種基于γ變換的Weber-Faces的光照歸一化方法。利用γ變換達(dá)到局部光照均勻化的目的，再假設(shè)局部光照相同，進(jìn)行Weber-Faces的光照歸一化操作，以提高人臉識(shí)別率。并且證明了γ變換后的該假設(shè)在絕大部分情況下是成立的。最后，提取反射人臉的LBP特征，采用卡方距離和最近鄰原則[9]進(jìn)行識(shí)別。在Extend Yale B[27]和AR[28]數(shù)據(jù)庫(kù)上進(jìn)行實(shí)驗(yàn)，數(shù)據(jù)顯示，所提出的方法識(shí)別率分別為99.08%和99.56%，優(yōu)于WF和其他方法。

1 光照歸一化

1.1 變 換

γ變換是一種常用的非線性變換，用于圖像校正，使較亮的區(qū)域灰度被壓縮，較暗的區(qū)域灰度被拉伸增強(qiáng)，圖像整體變亮。γ變換的目的是光照均勻化，使局部光照相同的假設(shè)更加嚴(yán)謹(jǐn)，以達(dá)到更好的光照處理結(jié)果和識(shí)別效果。為更好地實(shí)現(xiàn)變換，首先將圖像壓縮到0～1的范圍內(nèi)，即：

(1)

根據(jù)朗伯特反射模型[15-16]，I=RL，所以有式(1)成立。然后對(duì)Ii進(jìn)行γ變換得到Iγ：

(2)

1.2 條件假設(shè)

為了消除光照影響，文獻(xiàn)[19]假設(shè)3×3局部鄰域Ω的光照相同，有L(x,y)≈LΩ(x,y)，即導(dǎo)數(shù)dL(x,y)≈0。

對(duì)于γ變換后Iγ同樣為了簡(jiǎn)化并消除光照影響，假設(shè)d(Lγ(x,y))≈0，為了證明該假設(shè)更加合理和嚴(yán)謹(jǐn)，下面進(jìn)行驗(yàn)證。由于WF的假設(shè)條件為dL(x,y)≈0，需要證明dL(x,y)≥d(Lγ(x,y))≈0。

(3)

1.3 鄰域積分求和

(4)

(5)

1.4 處理結(jié)果對(duì)比

針對(duì)人臉識(shí)別中光照處理問(wèn)題，尤其是惡劣的光照條件，圖1給出了該方法的光照歸一化結(jié)果，并對(duì)比了幾種光照處理的方法，如WF、MSW、SQI、GIC等。如圖1所示，(a)表示光照惡劣條件下的人臉圖像，(b)到(e)分別為WF、MSW、SQI和GIC對(duì)原圖(a)的處理結(jié)果，而(f)則表示對(duì)(e)進(jìn)行WF的結(jié)果?？梢院苊黠@地看出，對(duì)(a)進(jìn)行了γ變換的結(jié)果(e)的可視性和清晰度改善了許多，局部的光照變得更加均勻，因此，(e)的局部光照相同的假設(shè)比(a)更加合理和嚴(yán)謹(jǐn)。所以對(duì)(e)進(jìn)行WF的結(jié)果(f)比直接對(duì)(a)進(jìn)行WF的結(jié)果(b)好很多，尤其體現(xiàn)在眼睛、鼻子、嘴巴等，同時(shí)(f)要優(yōu)于MSW、SQI。

圖1 幾種光照處理方法結(jié)果對(duì)比

2 實(shí)驗(yàn)結(jié)果

在得到光照歸一化的反射人臉r后，直接進(jìn)行識(shí)別會(huì)受到位移、微表情等的影響。為了消除這些影響，提取了人臉局部LBP特征，再利用卡方距離和最近鄰原則進(jìn)行識(shí)別。為了驗(yàn)證該方法的有效性，在Extend Yale B和AR數(shù)據(jù)庫(kù)上進(jìn)行了實(shí)驗(yàn)，并與其他光照歸一化方法進(jìn)行對(duì)比，例如LBP、SSR、SQI、GIC、WF、MSW，其參數(shù)設(shè)置都與文獻(xiàn)中所推薦的一致。

2.1 Extend Yale B數(shù)據(jù)庫(kù)

Extend Yale B數(shù)據(jù)庫(kù)包含38個(gè)人的64種光照角度的9種姿勢(shì)，除去含有損壞圖像的7種角度，選取57種光照角度的圖像作為測(cè)試庫(kù)，并以正面均勻光照角度(‘A+000E+00’)人臉圖像作為訓(xùn)練庫(kù)。每幅人臉圖像的大小為192×168，因此測(cè)量直方圖的卡方距離時(shí)，LBP特征圖像被分成24×24塊，每個(gè)塊的大小為8×7。為更好地檢驗(yàn)所提方法的性能，提高識(shí)別率，采用推薦的σ=1.5，并設(shè)置不同的參數(shù)α和γ，能夠獲得在Extend Yale B數(shù)據(jù)庫(kù)上更高的平均識(shí)別率，如表1所示。可以看出，在α=10且γ=0.7時(shí)，平均識(shí)別率最高，為99.08%，并在α=10且γ=0.6或0.7時(shí)，分別達(dá)到99.03%或98.98%，高于WF的識(shí)別率98.94%。值得注意的是γ=1時(shí)，相當(dāng)于直接進(jìn)行WF，唯一不同的是，該方法對(duì)式(1)進(jìn)行壓縮導(dǎo)致識(shí)別率略微下降。

表1 σ=1.5時(shí)，不同γ和α在Extend Yale B上

續(xù)表1

為進(jìn)一步比較該方法在不同條件下的效果，根據(jù)光照角度將測(cè)試庫(kù)分成五個(gè)子集(12°, 25°, 50°, 77°, 90°)[1]，并將其與其他光照歸一化方法進(jìn)行對(duì)比，結(jié)果如圖2所示?？梢钥闯?，因?yàn)镾SR是全局的算法，處理后效果不如直接使用LBP的識(shí)別方法。LBP提取的是局部序特征，即大小關(guān)系，而GIC不能改變這種局部大小關(guān)系，因此其效果與LBP不相上下。這些方法對(duì)光照變化的魯棒性較差，而SQI、WF、MSW以及本文方法都具有很強(qiáng)的光照魯棒性。其中，本文方法的魯棒性最高，在光照條件最惡劣的子集5上仍有最高的識(shí)別率97.53%，高于WF的96.22%，并且具有最高的平均識(shí)別率99.08%，高于WF的98.94%。因?yàn)榫植抗庹障嗤募僭O(shè)在鄰域越大時(shí)越不成立，所以MSW的識(shí)別率為98.73%，反而比WF略微下降。

圖2 幾種方法在Extend Yale B的五個(gè)子集中的識(shí)別率

2.2 AR數(shù)據(jù)庫(kù)

AR數(shù)據(jù)庫(kù)包含100個(gè)人的兩個(gè)時(shí)期，每個(gè)時(shí)期包含13種圖像。由于該方法主要解決光照問(wèn)題，選取每個(gè)時(shí)期圖像包括：1) 人臉正常光照，2) 人臉左邊光照，3) 人臉右邊光照，4) 兩邊光照，5) 戴眼鏡，6) 戴眼鏡左邊光照，7) 戴眼鏡右邊光照，8) 戴圍巾，9) 戴圍巾左邊光照，10) 戴圍巾右邊光照。因此有2 000張圖像，并將其分為三個(gè)子集，并分別以1) 人臉正常光照，5) 戴眼鏡，8) 戴圍巾作為訓(xùn)練庫(kù)，相對(duì)應(yīng)的其他光照?qǐng)D像作為測(cè)試庫(kù)。AR人臉圖像的大小為165×120，所以LBP特征圖像被分成15×15塊，每個(gè)塊的大小為11×8。識(shí)別結(jié)果對(duì)比如表2所示。

表2幾種方法在AR數(shù)據(jù)庫(kù)上的識(shí)別率

識(shí)別率/%子集1子集2子集3平均識(shí)別率/%LBP98.5099.2510099.25SSR97.8399.2510099.03SQI99.0095.7599.5098.08GIC98.6799.5010099.39WF99.0099.7599.7599.50MSW99.0099.5099.7599.42本文方法99.1799.7599.7599.56

可以看出，在子集3中因?yàn)橛辛藝淼恼趽酰覈硎俏獾?，而皮膚是反光的，所以LBP、SSR、GIC達(dá)到了100%，高于其他方法。但是在無(wú)遮擋的子集1中光照強(qiáng)度變化，本文方法卻優(yōu)于其他方法，LBP、SSR的效果反而下降了。最終，本文方法的在三個(gè)子集上的平均識(shí)別率最高，達(dá)到了99.56%。

3 結(jié) 語(yǔ)

針對(duì)人臉識(shí)別中光照問(wèn)題，提出了一種基于γ變換的Weber-Faces方法，改進(jìn)了原始Weber-Faces的條件假設(shè)，使其更加合理和嚴(yán)謹(jǐn)，提升了識(shí)別效果。實(shí)驗(yàn)結(jié)果表明，該方法比Weber-Faces具有更強(qiáng)的光照魯棒性，在Extend Yale B和 AR數(shù)據(jù)庫(kù)上，識(shí)別率分別達(dá)到99.08%和99.56%，優(yōu)于其他光照歸一化方法。