论文部分内容阅读
人脸图像处理和识别技术在公共安全与多媒体艺术等方面有着广阔的应用前景。尽管经过40多年研究的人脸识别技术已经有一些成功应用的典型案例,但是光照变化问题一直是制约该类技术普及实用最关键的因素之一。当前世界上最权威的人脸识别测试(Face Recognition Vendor Test,FRVT2006)揭示,在可控光照环境下用高分辨率人脸图像进行人脸验证,在错误接受率为0.1％时现有算法达到错误拒绝率仅为1％,已经达到某些场合的实用要求。目前已有部分人脸识别系统被成功应用于海关通关、与会人员身份确认和产品用户身份验证等。但是在不同光照条件下,同个人脸获取的图像可能存在巨大的差异,这会严重影响到人脸特征提取操作,同时对人脸图像处理也带来较大的挑战。FRVT2006结果表明,在非可控光照条件下,尽管采用高分辨率人脸图像,表现最佳的人脸识别系统在错误接受率为0.1％的时候错误拒绝率仍然大于10％。因此,现有的人脸识别产品远不能满足光照不可控环境下的应用要求。
随着人脸识别技术的发展,人脸图像光照处理研究也已经进行了几十年。本文对过去的相关工作进行了系统总结。从处理方法来看,现有方法可以分为以下两大类:1)提取光照不变特征用于人脸识别；2)恢复标准(正面)光照人脸图像。本文在这两方面均做了较深入的研究,取得了一些富有意义的研究
结果:
1)提出基于非下采样轮廓变换(NonSubsampled Contourlet Transform,NSCT)的人脸光照不变特征提取算法,即Logarithmic NSCT(LNSCT)。
在提取光照不变的人脸特征方面,目前最主流的方法是通过应用高通滤波来估计人脸的反射成分作为光照不变特征进行人脸识别。但是现有方法采用的滤波器往往无法同时达到多尺度和多方向滤波,或者无法在特定的尺度空间灵活选择滤波方向,从而难以最有效地提取人脸内在特征。本文提出的LNSCT则具有灵活的多尺度和多方向分析能力,可以有效地估计人脸反射成分,同时能抑制噪声。
在恢复正面光照人脸图像方面,本文主要做了以下2)-5)四个贡献:
2)提出基于非理想类和非点光源商图像的人脸重加光算法。
经典的商图像理论基于“理想类”假设,即假设所有人脸具有相同的表面法线向量(3D形状)。而事实上,“理想类”假设即使对严格对齐过的人脸都无法满足。为加强商图像算法的安全性,本文提出基于非理想类非点光源商图像的人脸重加光算法。与经典的商图像算法不同,本文的算法不采用固定的参考人脸,而是针对每个待处理人脸重构一张参考入脸,使得两者具有相似的光照成分,从而代替“理想类”假设。改进的商图像算法突破了经典商图像理论中的“理想类”和“点光源”限制,同时能够较好地解决阴影存在的问题。
3)提出基于二次多项式模型的正面光照人脸图像生成算法。
本文提出用二次多项式模型来描述非正面光照条件下的人脸图像与正面光照条件下的人脸图像在对应像素点灰度值之间的关系,进而提出一种基于单张非正面光照人脸图像生成正面光照人脸图像的方法。该方法的一个重要特点是独立于任何先验物理模型而通过建立统计回归模型来学习不同光照条件图像之间的关系,易于实现。此外,提出用基于主成分分析的方法对光照归一化后的人脸图像进行加权补偿,进一步改善图像的可视化效果。
4)提出基于小尺度与大尺度特征(Small-and Large-scale features,S&L)的人脸光照处理新框架。
结合现有技术,本文提出基于小尺度与大尺度特征的人脸图像光照处理新框架(简称其为S&L框架)。对每张人脸图像,先将之分解成大尺度与小尺度特征。对小尺度特征,保持其不变或者进行一些小校正。对大尺度特征,进行主要的光照归一化操作。然后,用处理过的大小尺度特征合并成光照归一化后的人脸图像。如果有必要,对处理后的图像进行进一步的视觉补偿。新框架确保人脸图像的大尺度特征得以充分利用,同时避免光照不变的小尺度特征受扭曲。新框架既可以用于恢复正面光照人脸图像,也可以用于人脸识别的光照预处理。其中,前面提及的LNSCT算法可以用于新框架中的图像分解,而基于二次多项式模型的正面光照人脸图像生成算法和基于非理想类和非点光源商图像的人脸重加光算法可以用于新框架中对大尺度特征进行光照归一化处理。
5)发展了基于“核主成分分析+原像学习”(KPCA+Pre-image)技术的正面光照人脸图像生成方法。
KPCA+Pre-image是一种全局子空间学习方法,用于人脸图像处理能避免图像局部损坏。但是直接用KPCA+Pre-image算法对人脸图像进行处理会面临子空间方法中常见的样本泛化问题,即难于有效地处理训练样本集之外的人脸。借助S&L框架,本文发展了基于KPCA+Pre-image技术的正面光照人脸图像生成方法,即用KPCA+Pre-image算法对图像的大尺度特征进行光照归一化,而保护描述个体特征的小尺度特征,从而解决样本泛化问题。