基于一维经验模式分解与梯度脸的人脸光照处理算法.docVIP

基于一维经验模式分解与梯度脸的人脸光照处理算法 　　摘要：提出一种基于一维经验模式分解与梯度脸的人脸光照处理算法。首先将人脸图像分别进行水平方向和垂直方向的一维经验模式分解，分解层数为一层，分解完成后将两张图像相加。重构后的人脸图像用梯度脸对其高频成分进行增强。运用主成分分析法对人脸图像进行降维处理，采用基于余弦距离的k近邻进行分类判别。在Yale B正面人脸库中的实验结果表明，选择适当的参数，利用算法能有效减少人脸光照的影响，对不同角度的光照具有很好的鲁棒性。 　　关键词：光照处理； 一维经验模式分解；梯度脸； 人脸识别 　　DOIDOI：10.11907/rjdk.161978 　　中图分类号：TP312 　　文献标识码：A文章编号2016）010002903 　　0引言 　　光照问题是人脸识别中面临的一大难题[1]，相同人脸图像在光照条件下的差异有时远大于不同人脸图像在相同光照条件下的差异。针对光照问题已有许多人脸光照处理算法，主要分为三类[2]：基于预处理和归一化的方法、基于人脸光照不变特征提取的方法、基于三维人脸建模的方法。基于预处理和归一化方法的主要思想是在人脸识别前对其进行处理，将其转化为标准形式，然后用标准形式的人脸进行人脸判别，该类算法主要有直方图均衡、伽玛矫正、对数变换等，这些方法不能有效克服局部光照引起的人脸变化。基于人脸光照不变特征提取方法的基本思想是提取人脸图像光照不敏感特征[3]，主要方法有商图像、自商图像、边缘图等。局部二值模式[4]是光照不变的人脸识别算法，该方法主要记录像素点与其局部邻域像素点之间的对比关系，通过这种方式能够有效消除光照对人脸图像的影响。基于三维人脸建模的方法可构建生成人脸模型，该模型能重组不同姿态、不同光照条件下的人脸图像。具有代表性的方法有主成分分析、线性判别分析和基于这些方法的改进方法。光照锥也属于该类方法，其主要原理是通过不同光照的人脸图像形成光照凸形锥，能近似形成不同光照条件下的人脸图像。但该类方法需要大量不同光照条件下的人脸图像作为训练样本，在实际应用中受到一定限制。 　　经验模式分解算法是一种完全由数据驱动的自适应非线性非平稳时变信号分解方法，该方法可以将数据从高频到低频分解成具有物理意义的少数几个固有模态函数（IMF）分量和一个余量。本文首先使用一维经验模式分解算法对人脸图像进行水平方向和垂直方向的一层经验模式分解，然后将水平方向和垂直方向的人脸图像相加。人脸图像重建完成后运用梯度脸算法增强其高频细节成分。 　　1算法介绍 　　1.1图像对数变换 　　2实验 　　2.1人脸库介绍 　　本文采用Yale B正面人脸库进行实验，该数据库共包含10个人的9种不同姿态，每种姿态又包含64种不同的光照情况。因为本文只研究光照处理问题，所以实验中只使用正面姿态的人脸图像。人脸图像尺寸为128×128，将所有图像按照入射光的不同角度分为5个子集。角度小于12°（共70个样本）为子集1；角度在13～25°（共120个样本）为子集2；角度在26～50°（共120个样本）为子集3；角度在51～77°（共140个样本）为子集4；角度大于77°（共190个样本）为子集5。实验时，子集1作为训练样本，其余子集作为测试样本。 　　2.2实验参数选择 　　本文中，合理选择参数，人脸识别能达到较好的效果。选择经验模式分解的层数为1层，式（10）中的σ参数值选择为0.7。人脸图像光照补偿后，规范化其均值和方差分别为0和1，利用主成分分析法提取人脸特征（特征向量数为50），在进行人脸分类判别时，采用基于余弦距离的k近邻分类器，k取值选为3。 　　2.3实验结果对比 　　本文将现有部分人脸识别算法的实验结果与文本所提方法的识别结果作比较。表1中，DCT[6]的平均错误识别率为0.55%，OLHE[7]的平均错误识别率为0.9%，Tan[8]的平均错误识别率为1.94%，Vu[9]的平均错误识别率为1.75%，本文所提方法的平均错误识别率为0.18%。 　　3结语 　　本文首先对人脸图像进行水平方向和垂直方向上的一维经验模式分解，将分解后的图像两张相融合，重建后的人脸图像用梯度脸算法对其高频成分增强。用主成分分析法对图像降维，分类器为基于余弦距离的k近邻分类器。Yale B正面人脸库实验结果表明，该算法对不同角度的光照具有一定抑制作用，能有效进行光照处理。后续研究将在更大型的人脸库上测试本算法的有效性。 　　参考文献参考文献： 　　[1] AGRI KAYMAK，SARICI R，UAR A.Illumination invariant face recognition using principal component analy