复杂光照环境下人脸图像预处理优化算法研究

齐荣霞

摘要：针对人脸图像在采集过程中受到复杂光照环境的影响造成光照不均和图像信息丢失的问题，提出一种基于自适应Gamma校正的人脸图像预处理优化算法。首先将图像转换为HSI彩色空间，然后利用高斯滤波函数提取图像中的光照分量，根据人脸图像光照分量的分布特性，调整Gamma函数的参数，以实现对光照不均的人脸图像进行自适应校正。仿真实验表明本文算法在增强光照不均人脸图像对比度、清晰度和信息量方面得到了较好的效果，在减弱复杂光照环境对人脸识别准确率的影响方面具有良好的用途。

关键词：复杂光照;人脸图像;HSI彩色空间;高斯滤波;Gamma校正

中图分类号：TP18 文献标识码：A

文章编号：1009-3044（2019）33-0218-03

1概述

随着科技的发展，人脸识别技术被广泛应用在人类的生活中，比如安全监控、人机交互、身份认证等领域。人脸识别技术在近几十年里取得了很大的进展，在理想的条件下，人脸识别精度已经非常高了，但是在非限定性环境中，人脸识别技术仍有许多问题有待解决，如复杂光照会导致人脸图像光照不均或信息丢失，对人脸识别率有着直接的影響。因此，复杂光照环境下人脸图像的预处理已成为人脸识别领域迫切需要解决的问题。

为了减弱人脸图像中光照问题对后续人脸识别结果的影响，国内外的学者们已经进行了许多相关的研究，并提出了许多有关光照处理的人脸图像增强算法。常见的光照处理方法包括以直方图均衡化法为代表的灰度变换法、基于Retinex理论的图像增强方法以及Gamma校正法等。但在实际应用中这些方法都存在一定的不足，以直方图均衡化法为代表的灰度变换法能使图像灰度分布更均匀，并增强图像对比度，但它没有考虑图像的频率信息以及细节信息，图像容易出现过增强现象。Retinex理论假设图像是由光照分量和反射分量两个可以分离处理的分量结合而成，而Retinex算法在进行光照补偿时，会出现光晕和颜色失真的问题。相比之下，Gamma校正法在处理图像光照不均的问题上有一定的优势。

在复杂光照环境下，采集人脸图像时会出现光照过暗或过亮，甚至是脸部出现阴影等现象。传统的Gamma校正通常会改变输入图像的亮度，但难以同时在过暗和过亮区域同时取得良好的增强效果。因此，为了克服传统Gamma校正方法无法处理过暗和过亮区域并存图像的问题，文献[11]利用非线性函数叠加的方法构造了一个合理的Gamma值变化曲线，使Gam-ma校正方法充分适应了图像中光照变化的实际情况，但并不能非常有效地防止Gamma校正可能产生的图像失真。文献【12】提出一种基于Retinex理论的自适应Gamma增强算法，利用Retinex理论分离图像的光照分量和反射分量，对光照分量进行自适应Gamma校正，但分离出来的光照分量存在照度细节信息表现力差等问题。

为了进一步提高人脸图像增强效果，本文提出一种基于自适应Gamma校正的人脸图像预处理优化算法，利用多尺度高斯函数将人脸图像光照分量分离出来，通过Gamma校正对光照分量进行校正处理，并通过主观评价和客观评价对实验结果进行分析和验证。

2算法原理与实现

基于人脸视觉系统的特性[13]可知，人眼感知亮度的敏感程度要高于对颜色的敏感程度，因此对光照不均人脸图像的光照分量进行校正是复杂光照环境下人脸图像预处理优化算法的关键。由于对RGB图像进行光照分量的提取需要同时对3个通道进行处理，运算量比较大，因此将RGB图像转换为HSI图像，只需要在1分量上采用多尺度高斯函数进行光照分量的提取。然后对提取出的光照分量进行自适应Gamma校正，最后合成彩色图像，并将图像由HSI彩色空间转换为RGB彩色空间。

2.1HSI彩色模型

HSI彩色模型以色调、饱和度和亮度三种基本特征量来感知颜色。这种设计反映了人观察彩色的方式，更符合人描述和解释颜色的方式，同时也有利于图像处理。其中H称为色调，定义颜色的波长;s称为饱和度，代表颜色的深浅程度;I表示亮度或强度。HSI彩色模型的建立基于两个重要的特性：一是1分量与图像的彩色信息无关;二是H和s分量与人感受颜色的方式紧密相联。正因为这些特性，对于亮度分量I的操作不会影响到其他分量，因此本文选择将RGB图像转换为HSI图像，然后在HSI色彩空间中对光照不均的人脸图像进行校正处理。

2.2 Retinex理论

为了实现对复杂光照环境下人脸图像的校正处理，准确地提取图像中的光照分量显得尤为重要。根据Edwin Land提出的Retinex理论㈣可知，一幅给定的图像S（x，y）可以分解成两幅不同的图像：反射物体图像R（x，y）和入射光图像L（x，y），其原理示意图如图1所示。

2.4图像优化预处理算法设计与实现

基于对HSI彩色模型的分析以及对多尺度Retinex图像增强方法和Gamma校正法的研究，本文设计了复杂光照环境下基于自适应Gamma校正的人脸图像预处理算法，算法流程图如图2所示。

3实验结果与分析

为检测本文处理方法的有效性，采用CMU_PIE人脸库和东方人脸数据库（OFD）进行仿真实验，并利用直方图均衡化（HE）算法、Gamma校正法和本文方法分别对人脸图像进行处理，处理后的结果如图3和图4所示。

从图3和图4可以看出，对光照不均的人脸图像分别进行处理之后，从主观视觉效果判断可知直方图均衡化算法处理结果会出现严重的色彩失真和过度增强的现象，Gamma校正算法处理的效果比直方图均衡化算法要好一些，但图像中脸部的阴影没有得到有效的处理，并且在Gamma函数的取值方法上不够自适应，本文算法不仅有效的处理了图像中脸部光照不均的问题，还对图像具有很好的色彩保持性，并且可以自适应的校正光照不均的人脸图像。

为了进一步的对比不同算法的处理效果，本文使用标准差、平均梯度和信息熵等客观指标对不同算法进行衡量。标准差可以反映图像的对比度特征，平均梯度是图像清晰度的重要衡量指标，熵可以衡量图像所包含的信息量。使用3种不同处理方法之后的人脸图像数据对比如表1所示。

由表1中的数据可知，经过本文算法处理之后的人脸图像的质量有了较好的改善，主要表现在标准差的值变大，体现出人脸图像的对比度增强了;平均梯度值变大，表现出人脸图像变得更加清晰;熵值变大，代表可以从校正后的人脸图像中提取出更多的信息量，由此可见本文算法对复杂光照环境下人脸图像的预处理取得了较好的效果。

4结论

本文针对复杂光照环境下采集人脸图像会造成光照不均的问题，设计实现了基于自适应Gamma校正的复杂光照环境下人脸图像预处理优化算法，仿真实验表明本文算法有效地增强了复杂光照环境下人脸图像的对比度、清晰度和信息量，在减弱复杂光照环境对人脸识别准确率的影响方面具有良好的用途。