人脸预处理（精选6篇）
人脸预处理 篇1
0 引言
自动人脸识别算法主要是基于二维的灰度或者彩色图像[1]。随着三维成像技术的进步以及三维成像成本下降, 三维人脸识别方法受到了越来越多学者的关注。由于三维人脸数据或多或少仍然受到数据获取环境的影响, 在进行三维人脸识别之前, 通常需要先对三维人脸数据进行预处理, 其中包括去奇异值、中值滤波、空洞填补。有时还需要对人脸姿态进行单独的处理。最近三维特征点的自动检测与定位问题在参考文献[2]中得到了较好的解决。本文基于自动检测的特征点 (图1中标号分别为1、2、3、5、8) 空间坐标值和人脸本身是准左右对称的性质, 提出一种包括人脸姿态归一化在内的三维人脸预处理方法。该方法主要包括以下几步: (1) 基于特征点坐标, 得到人脸对称平面和本征平面, 分别为图2中的过坐标轴和坐标原点o的wov和uov平面; (2) 把人脸点云向本征平面进行投影, 根据特征点初始坐标及其投影点坐标, 确定人脸姿态, 对人脸姿态进行归一化; (3) 对归一化后人脸点云提取感兴趣的面部区域; (4) 对提取的面部区域在人脸深度方向进行去奇异点, 在人脸本征平面上进行空洞填补, 最后进行中值滤波。
1 人脸姿态的归一化
这里, 我们约定, 所有的计算都是在欧氏空间中进行的, 把经过轴uv以及鼻尖点的平面称为本征平面。并设相应的特征点的坐标为 (xi, yi, zi) , 其中x, y表示人脸水平方向, z表示人脸深度值, i对应图1中标号, 平面方程设为A·X+B·y+C·z+1=0, 对于这里应用, 不会出现平面过原点的情况。
1.1 本征平面方程的确定
由特征点1和3, 计算过鼻尖点人脸对称平面的方向向量, 即图2中的平面, 其中, 。接着进一步, 由以下三个条件以及一个约束条件得到本征平面的方程:
(1) 本征平面过鼻尖点5;
(2) 本征平面与对称平面垂直;
(3) 本征平面与经过鼻尖点5和鼻梁点2连线之间的夹角为/6 rad;
(4) 外加一个约束条件, 即限定特征点8和2位于本征平面的同一侧, 建立相应的线性方程组, 这样就确定本征平面的方程, 即图2中的uov。
1.2 基于本征平面的人脸姿态归一化
确定特征点1、3、5在本征平面上的投影点坐标, 设其投影点坐标分别为, 由三个投影点构成一个以特征点1和3为底边的等腰三角形, 过特征点5投影点向特征点1和3投影点的连线作垂线, 并设垂足点为Q, 可以确定Q点的坐标, 设为 () , 可以得到垂足点与特征点5投影点之间的距离, 设为。并且在进行人脸姿态归一化之后, 令鼻尖点5的坐标为坐标原点 (0, 0, 0) , 垂足点Q点坐标为 () , 并设特征点1和3的坐标为, 并令特征点1和3位于xoy平面内, 并且关于y轴对称, 这样的值为0, 并且, 的值等于, 余下的, 为未知量, 通过以下两个条件, 确定的值:
(1) 左右眼角点1和3之间的距离等于其在特征平面上投影点之间的距离;
(2) 左眼角点到垂足点之间的距离等于其在特征平面上投影点之间的距离。
这样就确定了姿态变化前后特征点1、3、5的坐标, 接着进行人脸姿态归一化。假定人脸姿态归一化由一个刚性的旋转变换和平移变换构成, 设为R和T, 首先根据鼻尖点在姿态归一化前后坐标关系确定T, 其中, 对于旋转变换R, 定义其为一个3×3的矩阵, 根据下式来确定。其中, 。解出R的值, 然后把R和T作用原始三维人脸数据。这样就得到了姿态归一化人脸点云数据。
2 人脸面部数据的提取、奇异点去除、空洞填补以及中值滤波
由于人脸点云数据是人脸在某个参考的坐标系下人脸的空间位置, 通常要进行人脸点云数据的奇异点去除、空洞填补以及中值滤波, 并且上述操作都是针对人脸点云数据的深度方向, 也就是z的值。为了叙述的方便, 我们采用的坐标轴分别为x、y、z轴。
2.1 面部感兴趣部分的提取
以鼻尖点为中心, 一个半径为r的球体, 落入球体区域内数据点作为感兴趣面部区域内数据点。
2.2 人脸深度方向奇异点的去除
首先对人脸的水平xy平面进行栅格化, 令栅格的长宽分别为l mm, 然后根据人脸点云数据x和y坐标值确定其落入的栅格, 然后, 统计落入栅格中的每个数据点, 统计其与周围栅格所包含的数据点欧氏距离, 得到一个阈值其中mean和std分别为距离平均值与方差, 如果当前点与其周围所有点之间的距离大于设定的阈值, 则该点为一个奇异点, 这里选择5×5的区域。
2.3 人脸空洞填补
在去除奇异点以及在扫描时, 在人脸面部区域出现空洞。这里采用的空洞填补方法是基于以下考虑的:
(1) 对提取的感兴趣的面部区域, 对应本征平面内, 在某个分辨率下, 每个栅格点都应该有值;
(2) 归一化后人脸姿态应该是正面且关于y轴对称的。
基于以上两点的考虑, 补洞方法如下:如果在某个栅格内没有数据点落入, 则为一个空洞点。首先判断该点关于y轴对称位置上是否有点, 如果有, 就把对称位置点z坐标的值赋给当前需要补洞的栅格点z坐标的值, 空洞点的xy坐标为当前栅格点中心点的xy坐标值;否则, 对其周围5×5区域进行判断, 采用一个邻域线性插值的方法, 得到当前待补洞的栅格点包含数据点的深度值, 其xy坐标值为当前栅格点的中心点坐标xy值;如果当前要补洞的点5×5区域不含数据点, 则表示该部分数据缺失过多, 即使进行空洞填补, 误差相对较大, 因此进行空洞填补的意义不大。
最后, 对所有人脸点云数据点的深度值进行中值滤波。至此, 人脸点云数据的预处理就全部完成。
3 实验结果与讨论
我们实验采用的数据库为FRGCv2.0的三维人脸数据集, 该数据集包含了557个不同个体的4948组点云数据, 每一组点云数据有一幅二维图像与之对应。大部分人脸姿态都是基本正面的, 其中部份包含了一些姿态变化和表情变化[3]。图3为人脸预处理的结果, 其中图像从左至右、从上至下, 六幅图分别为左侧视角下人脸本征平面、右侧视角下人脸本征平面、原始的三维人脸数据在xy平面垂直投影图、姿态归一化之后的人脸数据在xy平面内垂直投影图、经过去奇异点之后提取的感兴趣人脸面部区域向xy平面垂直投影图、对选取的人脸区域进行空洞填补和中值滤波后向xy平面垂直投影图。在实验的过程中, 我们发现有原始数据集中两组数据丢失了大部分的鼻子区域04505d222, 04814d22。
从图中可以看出, 对于非正面的姿态的人脸, 基于特征点的坐标以及人脸几何性质, 提出的姿态归一化方法把非正面姿态人脸矫正到了正面的姿态下, 同时实现了人脸面部感兴趣部位的提取、奇异点的去除、空洞填补、中值滤波处理等人脸预处理步骤, 达到预处理目标, 为后续的人脸识别相关操作奠定基础。
图3 FRGCv2.0三维人脸数据集中数据编号为04219d415的人脸预处理结果。a:定位的本征平面相对于人脸表面位置左视图, b:定位的本征平面相对于人脸表面位置右视图, c:原始人脸点云数据在xy平面垂直投影图, d:进行人脸姿态归一化后, 人脸点云数据在xy平面的垂直投影图, e:经过去奇异点提取的感兴趣面部区域在xy平面垂直投影图, f:对提取的面部区域, 进行空洞填补、中值滤波后在xy平面垂直投影图。
摘要：基于自动检测人脸特征点坐标, 利用人脸水平对称的性质, 提出一种新的三维人脸姿态预处理方法。首先基于人脸特征点坐标和人脸几何特性, 确定人脸本征平面, 实现人脸姿态归一化, 然后对归一化的人脸点云数据提取面部数据点, 最后对提取到的面部数据点去奇异点、中值滤波以及补洞。最后在FRGCv2.03D人脸数据库进行实验, 验证了提出的三维人脸数据预处理方法, 并取得了理想结果。
关键词：人脸点云,姿态归一化,本征平面,对称平面
参考文献
[1]A.F.Abate, M.Nappi, D.Riccio and G.Sabatino, “2D and 3D face recognition:A survey, ”Pattern Recognition Letters, vol.28, pp.1885-1906, 2007
[2]C.Creusot, N.Pears, J.Austin, “A machine-learning ap-proach to keypoint detection and landmarking on3D me-shes, ”International Journal of Computer Vision, in press, 2013.
[3]P.Phillips, P.Flynn, T.Scruggs, et al, “Overview of the face recognition grand challenge, ”IEEE Computer Society Con-ference on Computer Vision and Pattern Recognition, San Diego, Ca, vol.1, pp.947-954, 2005.
面向识别的人脸去光照预处理算法 篇2
1 图像增强方法
图像增强方法是一种以主观感受为导向的技术。它的目的是采用某种技术手段,改善图像的视频效果,或者将图像转换成更适合人眼观察和机器分析、识别的形式,以便从图像中获取更有用的信息。图像增强方法主要的算法有直方图均衡化、Gamma变换、对数变换等。
1.1 直方图均衡化
直方图均衡化又称为直方图平坦化。直方图均衡化的基本思想是将原始图像的不均衡直方图变换为均匀分布的形式。即将输入图像转换为在每一灰度级上都有相同的像素点数。直方图均衡化的结果扩展了像元取值的动态范围,从而达到增强图像整体对比度的效果。该方法很好地处理了图像整体偏暗、偏亮,或者灰度层次不丰富等情况,可以增加局部的对比度并且不影响全局的对比度。直方图均衡化虽然能够得到图像近似均匀分布的直方图,但是它往往在图像中形成不连续的斑块,特别是受光照影响严重时更为突出,并且变换后图像的灰度级减少,某细节消失。这种方法的另一个缺点是它对处理的数据不加选择,它可能会增加背景杂讯的对比度并且降低有用信号的对比度。
徐同莹等人提出了一种改进的直方图均衡化算法[2],首先进行直方图指数平滑,消除直方图中因为噪声而引入的随机干扰点,然后进行直方图均衡化,增大图像的对比度,然后直方图灰度间距均衡处理,使图像的灰度范围达到最大变化范围,最后进行中值滤波,滤除被增强的噪声。该方法能够使图像的细节和清晰度得到明显增强。但该方法也存在不足,中值滤波对于均匀噪声和高斯噪声的去噪效果较差,容易引起误差,用这种方法容易使灰度值发生变化,使得图像丢失一些细节和边缘。
由于原始直方图和徐同莹提出的算法均改变了图像的灰度级,使得图像处理效果受到影响。乔闹生提出了保留灰度级的直方图均衡化算法[3],对传统直方图均衡化后的灰度值进行调整,尽量使得调整后的直方图与原图像的直方图的灰度级数相等。如果低灰度级的灰度值较多,可从最低灰度值向上进行调整,如果大于255的灰度值较多,则可从最高灰度级开始往下进行调整。该方法解决了传统直方图均衡化中因灰度级合并导致图像灰度级过多减少,降低了图像灰度层次感的缺点,并且消除了虚假轮廓现象。但这种方法判别高低灰度的阈值无法确定,所以很难选取合适的阈值,影响处理效果,容易引起失真。
1.2 Gamma变换
Gamma变换方法是通过建立Gamma值和像素值之间的非线性关系,使得Gamma矫正能根据图像中每个像素的具体值进行适当的校正,进行变换后的图像可以视为与标准人脸图像相同光照环境,从而削弱了光照变化影响。
Gamma校对仍然存在一些不足。首先,对Gamma 数值采用线性修正缺乏有效增强Gamma 值随像素变化的能力;其次,Gamma 值的选取尚未较好解决图像中高光、过渡和阴影区域光照变化的实际问题;最后,图像经过Gamma 矫正后略显失真,尤其是对彩色图像失真效果明显。
针对Gamma值的选取,杨金峰等人提出了一种自适应的Gamma校正方法[4],该方法能根据图像中不同的像素自适应的选取相应的Gamma值实现对像素的校正,不仅能同时改善了图像中的阴影区和高光区的光照影响,而且能够克服由于矫正带来的噪声。但是该方法缺乏对高光区,过渡区和阴影区光照变化的适应能力,并且会使图像有所失真。
对于上述问题,师一华等人提出了非线性函数互相叠加的修正模式[5],改善了图像中高光区和阴影区对光照变化的实际需求,提高了图像的质量。该方法没有改善图像对比度,容易引起图像的视觉失真。
1.3 对数变换
对数变换是另外一种常用的灰度变换方法,对数变换的数学表达式如下
其中,a,b,c是为了调整曲线的位置和形状而引入的参数。
对数变换是在整个图像区域上的一个全局变换,当偏光存在情况下,对数变换不能很好地解决问题。需设置一滑动窗口,来进一步削弱光照的影响。具体实现如下
其中,i是对数变换后的图像;W(x,y)是以(x,y)为中心的滑动窗口。
虽然对数变换与人类视觉系统的对数传感特性一致,在低灰度级范围内能很好地增加对比度,但在高恢复及范围压缩了对比度。为尽可能地增强高动态范围图像中的全部细节,受局部直方图均衡化的启发,提出了局部对数变换来克服传统对数变换的缺点。
局部对数变换使得局部对比度更好,但它会产生块效应。焦立男等人提出了一种子块部分重叠的对数变换(POSLT)方法来消除块效应[6]。POSLT使用了一个特定大小的子块将图像划分成为很多部分重叠的子图像,然后对这些子图像进行对数变换,并记录每个像素被覆盖的次数,最后将每个像素进行平均,得到最后的图像。这种方法能同时改善一幅高动态范围图像中的黑暗和明亮部分,但是他的计算复杂度高,还没有找到能够在降低复杂度的同时还保持其良好性能的解决方法。
2 提取光照不变性
2.1 特征脸
特征脸方法,最初由Kirby和Sirovich将PCA技术引入到人脸识别领域。后来Turk和Pentland提出了基于PCA的特征脸方法,即将包含人脸图像的区域看成是一种随机向量,故可以用K-L变换获取其正交K-L基底,其中较大特征值的基地具有与人脸相似的形状。利用这些基底的线性组合可以表达、描述和逼近人脸图像。但传统的特征脸方法对每个样本的识别效果不太理想。
高丽萍等人对传统的特征脸进行了改进,提出了特征半脸方法[7],即把人脸图像分成上下两部分,分别应用特征脸方法,最后在识别计算距离上部采用较大的权重,下部采用较小的权重,求得综合距离最小的人脸图像序号。该方法能够适应少数人脸表情,且不增加算法的难度。但该方法忽略了人脸上下部分的差异,会存在误差,影响识别效果。
金璟璇等人提出了一种基于遗传算法寻优特性的小波域加权特征脸识别算法[8]。该算法具有良好的稳定性和鲁棒性。但该算法计算量比较大,效率较低。
特征脸的方法对尺度变化较敏感,在识别前必须进行尺度归一化处理;在图像空间是线性的,不能处理几何变化;在姿态和光照发生变化时识别率急剧下降。
2.2 自商图像
商图像必须满足人脸是朗伯表面。则人脸可以表示为该点的表面反射率、物体的表面法向量与点光源的方向向量的乘积。
图像I的自商函数R定义为
其中,
自商图像的主要步骤是:(1)选择几个平滑核G1,G2,…,Gn。(2)并根据图像计算相应的权值W1,W2,…,Wn。(3)求平滑图像
自商函数是两个亮度图像的比值,代表了图像不随光照变化的物理特性。但该方法要求物体是凸的朗伯表面,没有考虑镜面反射和阴影,而且假设同类的所有物体具有相同的形状信息,而实际上不同人的三维人脸外形一般不同。自商图像能够消除光照造成的投影阴影和附着阴影,同时也消除了原有图像的大量信息。
胡华提出了一种改进的自商图像算法[9]。对光照图像进行伽玛变换,使用非下采样轮廓波变换对图像进行多尺度多方向分析,对各方向子带进行Wiener滤波,利用自商图模型提取人脸图像的光照不变特性。该方法从多尺度几何分析和自适应滤波的角度提取人脸图像的光照不变量,较大程度上消除了光照变化对人脸识别的影响,能有效消除Gills现象,保持良好的边界特性和几何结构。该方法用Gamma变换,Gamma参数的选取具有一定的局限性,会产生失真。
3 Retinex算法
Retinex是Edwin Land提出的一个关于人类视觉系统如何调节感知物体颜色和亮度的模型,它诠释了为什么同样的物体在不同的光源或光线条件下颜色是恒定的机理。Retinex算法可以在灰度动态范围压缩,边缘增强和颜色恒定性3方面达到平衡,可以对不同类型的图像进行自适应性地光照预处理。这种算法都是假设图像的照明是平滑的,因此在全局上对图像的光照补偿具有较好的效果,但对于局部光照变化较大的图像,其通过光照补偿的图像增强效果不太理想。但是普遍存在“光晕”现象和速度问题。
Jobson等人定义了单尺度算法,它可以实现动态范围压缩或色调重现的效果。它的基本原理是将图像分为亮度图像和反射图像两个部分
S(x,y)=R(x,y)×L(x,y) (3)
其中,L表示照射光,R表示物体的反射性质,S是反射光。先在对数域中将原始图像分解成入射分量,对应于图像的低频部分,和反射分量,对应于图像的高频部分。接着通过对原图像进行高斯平滑来对入射分量做出预测,然后用原始图像减去入射分量得到反射分量,最后对结果图像取反对数得到增强后的图像。
随后Jobson和Rahman又提出了多尺度Retinex算法,用以平衡动态范围压缩和色调重现以及图像增强效果。其形式是对多个尺度Retinex算法进行加权求和。
赵晓霞等人用一种新的增益函数来减弱经典多尺度Retinex算法带来的噪声和边缘晕环[10]。该函数对图像不同区域采用不同的增益,平滑区域和高对比度边缘采用较小的增益,细节区域采用较大的增益。该方法使小高斯环绕尺度Retinex输出不同区域增益差大,而大高斯环绕尺度Retinex输出不同区域增益差小,使图像细节更清晰,同时场景轮廓和颜色呈现更自然。
以上算法没有强侧光照使能有效提高识别率,但在强侧光照时会出现阴影现象,因此葛微等人提出了一种将无边缘增效应的传导函数用于自适应平滑算法的改进Retinex算法[11]。该传导函数用空间梯度和像素的局部不一致性两种方式共同测量灰度的剧烈变化,在平滑图像的同时没有边缘增强效应,且不会损失人脸特征边缘。该算法在处理侧光照的人脸时没有阴影,并且适用于无强测光的情况。虽然该算法处理后的效果较好,但它没考虑图像中的细节部分是否有丢失,影响处理效果。
4 小波变换
小波变换是一种信号的时间/尺度分析方法。它是将信号用一系列基函数加权和来表示,而基函数是由一个小波母函数经伸缩和平移得到的。对于一幅N×N的二维人脸图像,经过一次小波变换后,图像被分解为4幅N/2×N/2的不同分辨率、不同方向的子图像LL(低频近似分量),LH(垂直边缘细节分量),HH(对角边缘细节分量),HL(水平边缘细节分量)。当图像经过多次小波分解后,对称性最差的就是最后一级的近似分量,因此最后一级的近似分量可以表达对于光照的估计。通过对近似分量进行处理就可以去掉图像中的光照成分。
通过小波变换,人脸图像的分辨率降低,图像维数的降低,减轻了计算负担。小波变换同时提供了空间域和频域的局部信息,选择小波分解的低频分量,由于不包含高频信息,因此削弱了光线的影响,对噪声具有鲁棒性。但对于小波基函数的选择仍针对情况来选择适当的小波基函数,不能被普遍使用。
聂翔飞等人提出了一种新的基于小波包变换的对数域人脸光照补偿算法[12]。该算法首先将人脸图像变换到对数域,并在对数域中计算2维小波包变换,通过舍弃部分子带图像中的系数来实现人脸图像的非均匀光照补偿。该方法会造成图像部分信息会丢失,它对全黑状态的人脸去除光照的效果不明显。
Sweldens提出了第2代小波变换,它是一种不依赖于Fourier变换的小波构造方法,它使用许多线性或空间变化的预测和更新算子,来获得期望特性的小波函数而且可确保变换的可逆性。同传统的小波变换相比,计算速度更快,计算方法更简单,通过预测算子和更新算子设计最优匹配特定的信号,因此适合自适应、非线性变换。
段晨东等人为获得基于分析数据特征的小波函数[13],将最优估计理论与第2代小波变换差值细分方法相结合,提出了一种改进的第2代小波变换算法。该方法使设计的预测系数包含了分析数据的信息,具有自适应性,根据分析数据的特点来构造小波,从而使小波函数具有数据样本的构造特征。该算法对细节部分进行了处理,忽略了高频部分,边缘信息容易丢失。
5 结束语
人脸预处理 篇3
在人脸识别的方法中,子空间人脸识别已经成为研究领域的热点,而主成分分析(Principal Component Analysis,PCA)开创了子空间人脸识别的先驱,并在一定程度上取得了很好的识别效果。但由于PCA在提取图像特征的时候,考虑的是图像的整体结构,所以当图像受到光照、姿势影响的时候,PCA的识别效果就会大大降低。笔者试图对此进行改进。
2 PCA的分析
主成分分析的原理是通过去除数据间的相关性达到降维的目的。在PCA[1]中,任何一幅图像都用一个n维向量x来表示,这里的n是图像的宽和高的乘积,对于图库中N幅人脸图片,定义总体离散矩阵为
式中:,为图库中所有图片的平均值。PCA的主要目的是用最小均方误差来重构人脸图像,所以其准则函数为
当Wopt=[w1w2…wm]是St的前m个最大特征值对应的特征向量的时候,上面的等式成立。可获得训练样本的投影特征yi
对于任意一幅输入测试图像xtest,得到ytest=WTxtest,计算测试样本和所有训练样本的欧式距离,将测试样本判别为与训练样本投影特征欧氏距离最小的样本所对应的类别。其判据为
下面分析PCA提取的特征子空间主要是提取哪些特征。把代入式(1)得
对St进行重写,交换i和j,得
改变求和顺序,得
对等式(6)和(7)求平均,得
因此,St也是(xi-xj)的协方差矩阵,这里把人与人之间的差异分为3类[2,3],内在差异I&代表的是人与人之间本身的差异,转变差异T’代表的是光照、表情、姿势所造成的差异,N(代表的是随机分布在人脸图像的中噪声。这样从式(8)很容易看出PCA所提取的特征包括了I&和T’,所以当人脸图像受到光照、姿势等影响的时候,PCA的识别效果就会大大降低,如图1所示。
3 人脸图像预处理
PCA在提取特征的同时,把人脸自有特征和一些外部因素也一并提取了出来,所以它的识别效果并不是很理想。所以针对PCA算法的不足,必须在进行特征提取之前有效降低光照和姿势的影响,使PCA提取的主成分中保留最大的人脸自有特征。
3.1 图像的灰度归一化
笔者研究的系统输入图像主要是从摄像机中获取,图像摄入是在自然条件下进行,因此得到的图像在光照方面会有很大的变化,为了能更好地去除光照对图像的一些影响,对图像进行了灰度归一化处理,通过灰度归一化,可对原始图像中的光照不均进行补偿,使得待识别人脸图像遵循同一或相似的灰度分布。常用的灰度归一化有直方图均衡化、直方图规定化和灰度均值方差标准化3种方法。这里主要采用灰度均值方差标准化,实现该标准化的过程如下:对于像素大小为a×b的图像矩阵,它的灰度分布矩阵为A(x,y),0
3.2 噪声处理
实际得到的图像一般都因受到某种干扰而含有噪声,如果直接进行特征提取和识别,会给结果带来很大的误差.因此,对图像进行有效去噪是提高识别率的重要途径。针对本系统的情况,图像摄入是在自然光条件下进行,外界光源可以近似认为是空间各相同性的漫射自然白光[4,5],从摄像机输入图像恢复到理论人脸图像可以通过维纳滤波来实现。
对于图像中出现的随机噪声,可以采用中值滤波来处理算法。图3给出了原始图像和经过噪声处理之后的图像。
3.3 图像尺度归一化
尺度归一化包括图像的旋转、图像的裁剪、图像大小的调整,对于一幅已标定人脸区域的图像,假设已定出人眼的两个瞳孔位置,标记为Er,El,并将瞳孔之间的中心位置O和距离作为图像旋转和裁剪的标准(见图4)。
1)首先对图像进行旋转,使穿过两瞳孔之间的直线例如保持水平。可以对任意捕捉到的旋转图像进行矫正,从而得到一个竖直的正脸图像。
2)对图像进行移动,使的中心O和图像边缘之间的距离为一个固定值,例如(0.5l,d)。
3)最后对图像进行大小调整,采用双线性插值把图像从2l×2d缩小到例如80×60,这样就可以保持两眼之间的距离为一个常量。
经以上处理后,任何检测到的人脸图像都有相同的尺寸和姿势,换句话说系统对检测到的人脸图像中人脸的位置和图像的大小都是固定的。同时,可在很大程度上消除背景的影响,因为图像窗口很贴近人脸边缘。经图像预处理后的人脸图像叫做“标准脸”。如图5所示。
4 实验结果
使用ORL人脸库和自制的人脸数据库来比较标准脸和传统预处理(如直方图均衡)的人脸在提高PCA识别率方面的作用。自制人脸库共包含20人,每人10张图像,分别在不同光照和不同姿势的情况下拍摄,主要用于系统对光照和姿势鲁棒性的测试,ORL人脸库共有40人,每人有10幅图像,这些图像包含表情和姿态变化。一组典型的人脸图像样本和经过标准脸处理后的图像如图6所示。
在训练过程中取每个人的前8张图像,剩下的2张图片进行识别。实验结果见图7。
可见,在ORL人脸库中,PCA的识别效果并没有很大提升,在自制人脸库中识别效率有很大提升,这是因为ORL中人脸的光照已比较均匀,选用ORL的原因是因为其尺度并没有归一化,但是在实际应用中,摄像机采集到的人脸很有可能是在不同光照下进行,所以有必要在光照比较明显的情况下进行一些测试。
对于图像预处理还有很多内容值得研究,比如对于采集到的人脸图像采取一种自适应的去光照系统,这有待于进一步研究。
参考文献
[1]TURK M,PENTLAND A.Eigenfaces for recognition[J].Cognitive Neuroscience,1991,3(1):71-86.
[2]WANG Xiaogang,TANG Xiaoou.Unified subspace analysis for face recognition[C]//Proc.Ninth IEEE International Conference on Computer Vision.[S.l.]:IEEE Press,2003:679-686.
[3]BRUNELLI R,POGGIO T.Face recognition:features versus templates[J].IEEE Trans.Pattern Analysis and Machine Intelligence,1995,15(10):1042-1052.
[4]章柏幸.人脸成像特性研究及人脸归一化的目标[J].光电子·激光,2003,14(4):406-410.
人脸预处理 篇4
1 预处理方法的研究
人脸图像的预处理是指在整个图像识别和分析的过程中, 对所输入的人脸图像进行分割、特征抽取、匹配等。本文选取的预处理方法主要有:直方图均衡化、灰度拉伸、中值滤波、同态滤波等。对图像进行预处理能够去除图像中的不相关信息, 准确定位人脸部分, 使图像细节更明显, 进一步提高人脸图像的特征提取、匹配和识别的可靠性。
1.1 直方图均衡化
直方图均衡化是针对已知灰度概率密度分布图像的直方图。通过变换函数, 将其修正为分布比较均匀的直方图, 所以, 它又被称为直方图平坦化, 以此改变图像整体偏亮或整体偏暗、灰度层次不丰富的情况。直方图均衡化的处理过程主要包括以下三个步骤: (1) 计算出读入图像的统计直方图, 即Pr (r) ; (2) 采用累积分布函数对该直方图Pr (r) 作变换, 利用公式Sk=T (rk=) ∑Pr (r) 求出直方图变换后对应的新灰度值; (3) 用新的灰度值取代旧的灰度值。最后一步的计算过程是近似算法, 计算结果不一定都是整数, 但是, 由于实际灰度值是用正整数表示的, 所以, 需要根据处理目的选择合理的近似值, 将相等或近似的灰度值组合到一起。
1.2 灰度拉伸的意义
图像的灰度拉伸是运用简单的分段线性变换函数进行灰度变换的一种方法。该方法将原图像灰度值的动态范围转换到指定的范围内或整个论域范围内, 提高了图像在处理过程中灰度级的动态变化范围。此方法适用于低对比度图像的预处理。灰度拉伸主要有两个基本操作步骤: (1) 对给定的待处理图像做直方图统计, 根据直方图的曲线分布情况确定图像灰度拉伸的2个拐点的位置; (2) 对待处理图像进行灰度变换, 利用步骤 (1) 中确定的拐点, 由分段线性变换函数将读入图像中的每个像素的灰度值映射到处理后的像素灰度值中。
1.3 中值滤波
中值滤波是抑制图像噪声的主要方法之一, 它简单、易实现。图像多是由像素较多、面积较大的小块构成, 而以孤立点的形式出现的噪声点所对应的像素在图像上的数量较少。基于此特性, 中值滤波是一种较好的图像预处理方法。利用此方法进行图像预处理的主要步骤是: (1) 在待处理图像中漫游3×3或5×5模板, 并使得模板的中心点与待处理的图像中某个像素位置重合; (2) 当模板处于某一位置时, 读入模板下各像素的灰度值, 按由小到大的顺序排列这些灰度值, 并读取排在中间点的灰度值; (3) 将对应模板中心位置的像素值赋予这个中间点位置的灰度值。
由此可见, 中值滤波的主要作用是将那些与周围像素灰度值相差较大的像素用周围像素值的中间值取代, 因此, 该方法消除孤立噪声像素的能力是很强的。它并不是简单地选取模板中像素点的均值, 而是选取排序后的中值, 所以, 产生的模糊较少, 在消除孤立点噪声的同时, 还尽可能地保留图像的细节。
1.4 同态滤波
在不同光照条件下, 人脸图像可以使用同态滤波的预处理方法避免光照对其的影响, 以此提高人脸识别的准确性。同态滤波处理方法将灰度变换和频率过滤两种方法有机结合起来, 将图像的照明反射作为频域处理的基础, 这样能够有效地增强对比度和压缩灰度的范围。在密度域中, 运用这种方法改善图像效果是相当成功的。
待处理图像f (x, y) 可以表示成其反射分量r (x, y) 和照射分量i (x, y) 的乘积, 即:
利用同态滤波的方法改变了原有图像的光强度和反射光强度的特性, 这样不但可以降低图像的动态范围, 还可以增加其对比度。同态滤波预处理人脸识别图像的具体操作过程如下:
先在式 (1) 的两边取对数, 即
在式 (2) 两边取傅立叶变换, 得:
用频域函数H (u, v) 处理F (u, v) , 得:
将傅立叶逆变换到空间域, 得:
在式 (5) 两边取指数, 得:
2 人脸识别的过程
人脸检测和人脸识别是人脸识别技术中两个重要组成部分。根据人脸的先验导出规律和人脸器官分布特征进行人脸检测和识别。在人脸识别系统中, 图像处理过程如图1所示, 大致可以分为三大步骤, 即人脸特征提取、基于图像预处理的人脸检测和人脸识别。
在进行人脸识别的过程中, 先要快速判断采集到的人脸图像或视频图像是否存在。基于统计学的人脸检测方法不是针对某一个人的脸, 而是从人脸统一模型的角度出发, 利用统计原理, 从大量的人脸图像中数量化地统计、提取出人脸共有的各个器官的分布规律, 运用检测模块和先验知识进行人脸检测。如果检测结果是人脸图像, 则对人脸几何特征点进行定位。本文利用眼睛定位, 选取定位的基准为两眼的中心, 根据图像给出的信息, 按两眼之间的距离, 用几何归一化和灰度归一化进行人脸图像的缩放处理, 选择有效的人脸区域, 最后对选取出的人脸区域图像进行特征提取归一化处理, 并在分类器中进行识别, 将此与人脸库中的人脸进行对比, 从而鉴别出每个人脸的身份, 最终得到识别成果, 具体步骤如图2所示。
3 结论
人脸识别的复杂性决定了单独使用任何一种图像处理技术都不能获得良好的识别效果, 鉴于人脸检测和识别的方法并不唯一, 将各种不同的技术、方法有效结合起来是以后该领域研究的必然趋势。人脸识别预处理的关键是在人脸识别前, 对读入的图像进行预处理, 增大图像的灰度范围, 去除噪声点、光照等不良因素的影响, 利用检测模块去除图像中的不相关信息, 增强图像的对比度, 使图像的细节更加明显, 有效改善人脸图像的定位与分割、几何特征提取、人脸识别和匹配的可靠性。如果不能有效预处理较难识别的图像, 将会影响几何特征的提取, 不能达到满意的人脸识别效果。本文具体阐述了人脸识别的图像预处理方法和人脸识别系统的具体步骤。目前, 在人脸检测和识别方面还有很多困难需要克服, 比如年龄、表情、化妆、胡须等外在因素的变化等。不同的采集设备会给人脸的检测和识别系统造成很大的影响。从心理学的角度看, 人脸识别是人类视觉的一个独特过程, 同卵双胞胎无法识别等这些情况都可能会阻碍识别技术的发展, 还有很多问题有待进一步解决。参考文献
摘要：针对人脸识别系统进行研究, 提出了采用直方图均衡化、中值滤波、灰度拉伸、同态滤波预处理图像和基于统计学的人眼检测、特征提取的人脸识别方法。描述了各种预处理方法和在人脸识别中的具体应用, 避免图像大小、光照不同等复杂因素对图像识别造成的影响, 为下一步进行图像识别奠定基础。
关键词：人脸识别,图像预处理,同态滤波,光照
参考文献
[1]周激流, 张晔.人脸识别理论研究进展[J].计算机辅助设计与图形学学报, 1999, 11 (2) :180-182.
[2]陈坚, 于林森, 等.人脸识别的神经网络群方法[J].东南大学学报, 1998, 28 (2A) :207-210.
[3]梁路宏, 艾海舟, 徐光佑, 等.人脸检测研究综述[J].中国图象图形学报, 2002, 25 (5) :449-456.
[4]张翠平, 苏光大.人脸识别技术综述[J].中国图象图形学报, 2000, 5 (11) :885-894.
[5]周杰, 卢春雨, 张长水, 等.人脸自动识别方法综述[J].电子学, 2000, 28 (4) :102-106.
[6]Roland W Fleming, Ron O Dror, Edward H Adelson.Rea-lworld illumination and the perception of surface reflective properties[J].Journal of Vision, 2003, 3 (5) :347-368.
图像处理在人脸识别系统中的应用 篇5
一、数字图像处理的优点
数字图像处理应用于人类依靠图像获取外界的信息, 经过处理, 具有以下优点:
1.重现性能好, 数字图像处理在进行传输、存储、复制等处理后, 用于服务生活。
2.数字化处理精度高。
3.数字信息处理技术适用面宽。
4.数字图像处理的灵活性高。
二、基本原理
人脸识别技术包括图像摄取、图像预处理、人脸检测与定位以及人脸识别。系统输入一般是一张或者一系列含有未确定身份的人脸图像, 以及人脸数据库中的若干已知身份的人脸图像或者相应的编码, 其输出是一系列相似度得分, 表明待识别的人脸的身份, 而图像处理则是人脸识别的前期过程, 起着决定性作用。
三、实现过程
(一) 人脸图像采集
不同的人脸图像都能通过摄像镜头采集, 比如静态图像、动态图像、不同的位置、不同表情等方面都可以得到, 当用户在采集设备的拍摄范围内时, 采集设备会自动搜索并拍摄用户的人脸图像。
(二) 图像预处理
人脸的图像预处理是指对图像进行处理并最终服务于特征提取的过程。系统获取的原始图像由于受到各种条件的限制和随机干扰, 往往不能直接使用, 必须对其进行预处理, 即对人脸图像进行特征提取。其处理过程主要包括人脸图像的转换、灰度变换、图像增强、人脸检测等。
1.图像转换
一般采集到的图像都是RGB图像, 图像增强、边缘检测都是针对灰度图像的, 因此, 要先对原图进行转换。实现的程序代码如下:
2.图像增强
(1) 将灰度图像直方图均衡化
通过将灰度图像直方图均衡化, 比较原图和直方图, 图像变得更清晰, 而且均衡化后的直方图比原直方图的形状更理想。程序代码如下:
(2) 灰度图像平滑与锐化处理
平滑滤波器的目的在于模糊图像或消除噪声。程序代码如下:
3.边缘检测
在本实例中采用了canny算子来实现, 程序代码如下:
4.人脸检测
人脸检测主要用于判断静态图像中是否存在人脸。通过人脸特征点的检测与标定, 可以确定人脸图像中显著特征点的位置, 同时还可以得到这些器官及其面部轮廓的形状信息的描述。若存在人脸, 给出其在图像中的坐标位置、人脸区域大小等信息。
人脸检测定位程序代码:
图像处理完毕后, 通过将输入人脸图像与人脸数据库中的所有已知的人脸图像进行计算相似度并对其排序来给出输入人脸的身份信息, 做出判断。
总之, 数字图像处理技术在模式识别领域中应用广泛, 如指纹识别、人脸识别等。其应用成果如:指纹锁、电脑脸部识别、水印等各种科技产品也伴随着日常生活进入普通家庭, 这不仅提高了我们的生活质量, 也提高了自身财产安全。
摘要：随着微电子、计算机和网络技术的发展, 人们把目光转向了利用人体生物特征进行识别的技术, 即人脸识别, 与利用指纹、虹膜等其他人体生物特征进行个人身份鉴别的方法相比, 人脸识别具有直接、友好、方便的特点, 是进行身份确认的最自然、最直接的手段。因此, 人脸识别是一种比较容易被人们接受的非侵犯性识别方法。而图像的预处理工作在人脸识别过程中则发挥着很重要的作用, 直接关系到人脸识别的准确率。简单介绍了人脸识别系统中图像处理的基本过程, 分析了如图像的转换、增强、检测等, 并在MATLAB中实现。
关键词：图像处理,人脸识别,系统,应用
参考文献
[1]高羽佳.图像处理在人脸识别中的应用[D].沈阳建筑大学, 2011.
人脸预处理 篇6
色斑是评价皮肤质量好坏的一个重要指标。目前,在国外人们依靠一些专业设备如德国CK-Electronic的Skin-Visio Meter系列、 美国的VISIA以及韩国的Cosmanager对皮肤色斑进行检测,利用这些设备可以得到十分精确的皮肤色斑状况。国内对皮肤表面色斑的检测主要是依靠医生或美容师的主观评价。但这些方法都具有局限性,为了打破这种局限性,国内外都开始研究利用图像处理技术来进行皮肤表面色斑的评估。
图2.1.1存在高光的图像
图2.1.2灰度直方图
2皮肤色斑特征参数的提取及量化
本章利用阈值分割、形态学滤波、区域标记等常用的图像处理手段对色斑的特征参数进行提取。
2.1色斑图像的预处理
由于采集色斑图像时会受到光照的不均匀以及被采集者皮肤上的油脂反光等因素带来的影响,采集到的色斑图像会出现高光的情况如图2.1.1所示,图2.1.2是图2.1.1的灰度直方图。
这种高光对后期提取色斑的特征参数会造成很大的干扰。因此,在提取参数之前必须对图像进行预处理来去除高光。
通过分析发现利用传统的去高光方法并不能得到理想的结果。 据此,本节提出了一种基于分段函数的灰度变换的方法来去除高光如式子(2.1.1)所示,通过实验证明此方法在去除高光上是有效的。
2.2色斑的提取
本节是根据色斑图像的特点在其S域上进行阈值分割,最后利用形态学滤波和区域标记的方法将色斑提取出来。
要得到色斑的S域值,首先要将图像由RGB颜色空间转换为HIS颜色空间,其常用的转换公式为[1]。
其中式(2.2.1)中的θ为:
在得到图像的S域以后就可以对其进行阈值分割了,本文采用了Kittler和Illingworth于1986年提出的最小误差阈值法[2]。
2.3色斑特征参数的提取
本节主要是参考“ABCD-rules”,对色斑的颜色和几何特征参数进行提取。
利用freeman链码和边缘检测的方法提取色斑的边界,再利用提取的色斑及其边界计算色斑的周长(P)、面积(A)等几何特征参数,再利用这些参数计算出色斑的不规则度(IA)这个重要参数,如式(2.3.1)所示。
在本小节中,主要提取色斑区和正常皮肤区域饱和度的差值作为其颜色特征参数,如式(2.3.2)所示。
3实验结果分析
如图3.1(a),(b),(c),(d),(e),(f)所示的就是人脸皮肤色斑图像, 图3.2(a),(b),(c),(d),(e),(f)所示的就是本文提取皮肤色斑的结果。
表3.1显示了从图3.1.1 (a),(b),(c),(d),(e),(f)中提取的色斑不规则度和色斑饱和度这两个特征参数。
为了验证这些特征参数在评估色斑时是可行的,先将这六幅图两两分为1组,共15组;再邀请20位观察者根据判断色斑特征状况的依据从色斑的几何外形和颜色分别对这15组图像中色斑的特征进行观察,并对每组观察到的色斑特征做一个简单的描述;最后比较由观察得出的评估结果和由特征参数得出的评估结果。
通过上面的分析,发现通过图像处理的手段提取的色斑特征参数在评估色斑时是可行的。
4结论以及展望
本文初步验证了利用图像处理技术进行皮肤表面色斑评估是可行的。随着计算机技术的发展以及图像处理技术的完善,利用图像处理技术对皮肤可见特征进行评估将会成为一个大趋势。
摘要：近些年来,医学美容领域开始研究一种性价比较高的新方法来进行人脸面部色斑的评估——基于图像处理技术的皮肤表面色斑的检测。利用此方法提取的色斑特征参数在评估色斑时,相较于传统的方法而言有着可信度较高、成本代价小的优点。本文先采用了灰度变换、阈值分割、形态学滤波、区域标记、freeman链码以及边缘检测等方法来提取图像中色斑的特征参数;再通过观察法来分析利用本文的方法提取到的特征参数在评估色斑时的可行性。
关键词：皮肤色斑,图像处理,阈值分割,特征参数,可行性
参考文献
[1](美)冈萨雷斯(Gonzalez,R.C.)等.数字图像处理(第2版)[M],北京:电子工业出版社,2006,233-240.