论文投稿_医学论文投稿_核心期刊,职称论文投稿发表_论文部落

　　摘要：光照问题是影响人脸识别性能的重要因素之一，本文提出了一种新的降低光照影响的图像预处理方法，较好的削弱了光照对人脸识别的影响。在ORL与Yale人脸库中进行了实验研究，表明了提出的算法对光照产生的高光、眼镜等小遮挡物具有较强的鲁棒性。另外，针对Yale人脸库，对本文提出的方法与中值滤波算法和线性平滑滤波算法进行了实验比较。
　　关键词：预处理；光照；降噪；人脸识别
　　1引言
　　人脸识别是模式识别领域的重要研究方向，很多学者对该问题进行了大量研究，主要包括人脸检测、图像预处理、特征选择与提取、分类识别等多个方面，并提出了众多经典算法和解决方案。一般来说，人脸识别过程主要包括以下步骤：输入图像、人脸检测与定位、图像预处理、人脸特征提取、分类识别等部分。其中图像预处理是识别过程中一个重要步骤，可以有效的去除或减小光照等外部环境对图像的影响。我们知道，人脸图像的采集是非常方便的，但是在采集过程中却存在很多干扰因素，如距离远近、焦距等会使人脸的位置和大小不确定，而光照强度变化也会导致图像的灰度元素分布不均匀，因此，为提高人脸识别系统的性能，需要对人脸图像进行预处理，包括扶正、归一化、图像增强等技术以此降低位置、大小以及光照等所带来的影响。
　　实际上，光照问题一直是图像预处理研究领域中的热点和难点，能否克服光照变化对人脸识别系统性能具有很大的影响[1]。A.Nabatchian提出的基于最大值滤波的方法，在简化图像预处理步骤中做出一定贡献，但却不能很好的改善光照对人脸识别的影响[2]。在不同的光照条件下，H.F.Hu.提出了一种离散小波变换（DWT）的光照归一化人脸识别方法，取得了较好的识别效果[3]。本文针对光照问题进行了研究，提出了一种解决光照问题的方法，并对图像处理中的线性平滑滤波和中值滤波方法进行比较。
　　2线性平滑滤波和中值滤波
　　2.1线性平滑滤波
　　线性滤波也称为均值滤波，有邻域平均法、加权均值法等处理方法[4]。利用邻域平均法的线性平滑滤波基本原理是用某像素领域内的均值代替该像素值。具体方法是对需要处理的当前像素点A（x，y）建立一个大小合适的滤波窗口模板，求模板中所有像素的均值，再把该均值赋予当前像素点。将这个步骤在图像中遍历，更替所有像素点的值。可以看到，邻域的大小与平滑的效果直接相关，邻域越大平滑的效果越好。但邻域过大，平滑会使边缘信息损失越大，从而使输出的图像变得模糊，因此需要合理选择邻域的大小。
　　2.2中值滤波
　　中值滤波是一种典型的非线性平滑滤波方法，中值滤波的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围像素灰度值的差比较大的像素改取与周围的像素接近的值，从而消除孤立的噪声点。对于二维图像进行中值滤波处理时，滤波窗口也是二维的，但这种二维窗口可以有各种不同的形状，如线状、方形、圆形、十字形、圆环形等[5]。中值滤波的主要步骤如下：
　　（1）将模板在图中漫游，并将模板中心与图中某个像素位置重合；
　　（2）读取模板下对应像素的灰度值；
　　（3）将这些灰度值从小到大排列，找出位于中间的值；
　　（4）将中间值赋予对应模板中心位置的像素。
　　3一种新的图像预处理方法
　　假设图像为A，其大小为m×n，将该图像放入x-y坐标系中，令。以（x0，y0）为原点坐标，图像水平向右为x轴正方向，垂直向上为y轴正方向，将图像分布在直角坐标系中，如图1所示。
　　可以看到，该图像的四部分分别位于坐标系中的四个象限，对每一象限中的图像分别建立窗口，如图2所示。例如，在第一象限中的图像内容按照图2（a）窗口确定像素的灰度，也就是说bi位置的灰度值由（bi+ai）/2确定，通过此方法使得邻域中远离原点的像素灰度值趋近于中部某元素的灰度值，从而达到消除噪声的目的。按照此方法分别在四个象限的图像中遍历，进而更替坐标轴外的所有像素点的灰度值。
　　由以上方法可以知道，该方法和线性平滑滤波具有一定的相似性，但是在邻域选取和遍历方式方面并不相同。以第一象限的图像为例，下面给出该方法的具体描述。
　　⑴选择图2（a）的2×2窗口，让该窗口的ai点和圆点O（x0，y0）重合。
　　⑵将bi位置的灰度值由（bi+ai）/2进行替换，然后移动该窗口，直至处理完该象限中的图像。
　　其它象限采取方法和上述一致。
　　对于同一人不同光照情况下的两幅图像进行处理，处理前的图像图片色差大，处理后的图片均匀了色差，起到了良好的光照降噪效果。通过该方法处理后的图像，光照产生的高光点（来自于脸颊、眼睛等处）将有效消除，也会减少一些细节信息，比如不清晰的眼尾和眉尾，但是不会降低有效信息。
　　4实验结果和分析
　　4.1本文图像预处理方法在ORL数据库上的实验
　　使用2DPCA方法对本文提出的方法在ORL人脸库上进行性能测试，ORL数据库包含40个人，每人提供10种不同的图像。这些图像面部表情和细节有所不同，人脸具有一定的倾斜和旋转[6]。图3给出了ORL数据库中一个人的五幅图像。
　　实验中采用每类图像样本的前五张进行训练，后五张图像进行测试，分别在未经预处理的图像库和经过本文预处理方法处理过的图像库中进行人脸识别。
　　在ORL数据库中，经本文提出的预处理方法处理后的图像设为数据库A，未经预处理的图像设为数据库B。实验结果如图4所示。由实验知道，数据库B中被错误分类的图像经过使用本文提出的预处理方法处理后得到了正确的识别。在图4的两组图像中，待识别图像和错误分类图像由于光照原因或姿态相似度高而错误配对。其中图（a）中，待识别图像和错误分类图像不论在发型、脸型、五官等方面都相似。经过图像预处理后，图像的主要特征被增强，而次要特征被减弱。在图（b）中，可以看出该算法对眼镜这种遮挡物的鲁棒性非常好，对镜框产生的遮挡、镜片反光产生的高光起到了降噪作用，是否配戴眼镜并不影响识别效果。实际上，该预处理方法对由于眼睛眼白部分产生的白色区域也有很好的处理效果。另外，在数据库A和数据库B中，分别使用每类图像样本的4至9个图像作为训练样本，使用2DPCA方法进行人脸识别，实验结果如图5所示。可以看到，当每类的训练样本取4个以上时（2DPCA方法的特征向量数目取10），经本文预处理的图像识别率高于未处理的图像识别率。
　　4.2本文预处理方法在Yale数据库上识别效果比较
　　为了进一步验证提出的预处理方法的有效性，对本文预处理方法和线性平滑滤波、中值滤波在Yale数据库上进行实验比较。实验中采用每组前5个图像为训练样本，剩下6个图像作为测试样本，采用2DPCA和最近邻分类器进行识别。实验结果如表1所示，可以看到，在2DPCA做为识别算法时，在Yale数据库中本文提出方法的识别率明显高于中值滤波和线性平滑滤波。
　　表1不同预处理方法在Yale数据库中的识别效果
　　预处理算法训练样本个数（5幅）
　　无88.89
　　中值滤波90.00
　　线性平滑滤波90.00
　　图像退化去噪预处理方法100.00
　　5结论
　　本文提出了一种新的基于图像降噪的预处理方法，算法对光照产生的高光和小面积阴影、斑点、眼镜框等有有效地去除效果，同时也能够反映不同人之间的特征区别。算法在ORL、Yale人脸库上的实验中提高了识别率，在Yale的对比试验中，比中值滤波算法和线性平滑滤波算法的实验效果要好。
　　本文虽然在人脸识别预处理方法上做了一些尝试性的研究，但是算法还是存在许多实际应用问题。在人脸识别中有很多问题有待解决，随着人脸识别技术的发展，可以结合新提出的算法进一步研究，完善现有方法。
　　[参考文献]
　　[1]卢春梅，牛海军，郝琳波.消除光照和姿态变化影响的人脸识别[J].计算机工程与应用，2008（10）.
　　[2]A.Nabatchian，E.Abdel-Raheem，M.Ahmadi.Illuminationinvariantfeatureextractionandmutual-information-basedlocalmatchingforfacerecognitionunderilluminationvariationandocclusion[J].PatternRecognition，2011，44（10-11）：2576-2587.
　　[3]H.F.Hu.Variablelightingfacerecognitionusingdiscretewavelettransform[J].PatternRecognitionLetters，2011，32（13）：1526-1534.
　　[4]宋召青，郑苏，李志成.基于平滑滤波与最小二乘支持向量机的人脸图像识别研究[J].Proceedingsof29thChineseControlConference，2010，July29-31.
　　[5]李登辉，徐亚宁，王岩红.人脸识别中图像预处理方法的研究[J].大众科技，2011（4）：65-66.
　　[6]赵丽，马银雪.基于Fisher判别的人脸识别方法研究[J].电子设计工程，2012（24）.