【文章內(nèi)容簡(jiǎn)介】 征，基于局部的特征提取方法強(qiáng)有力地表達(dá)細(xì)節(jié)信息。人臉圖像的紋理特征能夠表征人臉的特征信息，采用整體和局部相結(jié)合的特征提取方法能夠更加全面地描述人臉特征。對(duì)局部特征的描述，采用等價(jià)局部二進(jìn)制模式；對(duì)整體特征的描述，采用小波多尺度分析，提取人臉的多尺度等價(jià)局部二進(jìn)制模式特征，最后把兩者綜合起來(lái)，構(gòu)成人臉的多尺度特征。5．人臉識(shí)別模塊人臉識(shí)別算法常用的有主成分分析(PCA)，線性判別分析LDA，神經(jīng)網(wǎng)絡(luò)，支持向量機(jī)SVM，最小近鄰法等，基于多種識(shí)別算法相結(jié)合的方法常用于人臉識(shí)別，但是這些方法都沒(méi)有找到人臉特征最優(yōu)描述和分類意義最優(yōu)的結(jié)合點(diǎn)。人臉圖像近似處于一個(gè)非線性子流行上，借鑒混沌理論中分形的思想，尋找嵌入在高維數(shù)據(jù)模型的低維子流行是人臉識(shí)別降維的關(guān)鍵。流行學(xué)習(xí)方法是描述非線性子流行的有效方法。保局投影和正交保局投影的方法成功應(yīng)用于高維人臉圖像降維，但是正交保局投影的方法正交化過(guò)程迭代運(yùn)算過(guò)大，兩者都沒(méi)有利用類別信息，雖然能得到最優(yōu)的特征描述，但是并非分類意義上最優(yōu)。采用正交拉普拉斯特征臉識(shí)別算法，考慮類別信息，把類間離散度融入保局投影的目標(biāo)函數(shù)，進(jìn)行有監(jiān)督學(xué)習(xí)，采用矩陣分解的方法，獲取特征值，實(shí)現(xiàn)投影基向量的正交化，經(jīng)過(guò)投影矩陣變換，實(shí)現(xiàn)降維，最后，采用最小近鄰法識(shí)別人臉。本章概述人臉識(shí)別流程，對(duì)人臉識(shí)別系統(tǒng)的各模塊做了全面的介紹。以每步的關(guān)鍵技術(shù)為出發(fā)點(diǎn)，研究相關(guān)技術(shù)，為人臉的自動(dòng)化識(shí)別建立系統(tǒng)模型。第三章圖像預(yù)處理從前面介紹的人臉識(shí)別處理流程可知，圖像預(yù)處理是人臉識(shí)別處理流程的第一步。圖像預(yù)處理的目的是對(duì)偏色圖像進(jìn)行糾正和對(duì)光照不均的圖像進(jìn)行增強(qiáng)。本章提出一種結(jié)合偏色糾正和改進(jìn)Retinex的彩色圖像增強(qiáng)算法。利用灰度世界和完美反射理論建立偏色糾正的數(shù)學(xué)模型，通過(guò)線性擬合對(duì)偏色圖像進(jìn)行偏色糾正。對(duì)彩色圖像進(jìn)行亮度和色度分離，利用多尺度Retinex增強(qiáng)算法對(duì)亮度分量增強(qiáng)并進(jìn)行自適應(yīng)調(diào)整，通過(guò)獲取的亮度增益矩陣對(duì)彩色圖像的RGB三分量進(jìn)行逐點(diǎn)增強(qiáng)。3．1偏色糾正3．1．1偏色檢測(cè)和糾正方法概述偏色檢測(cè)是對(duì)光源發(fā)出的光進(jìn)行檢測(cè)，判斷是否偏色。常用的偏色檢測(cè)方法主要包括直方圖統(tǒng)計(jì)法、灰平衡法、白平衡法等。直方圖統(tǒng)計(jì)往往可以給出此圖像的整體顏色表現(xiàn)。顏色的直方圖統(tǒng)計(jì)直接根據(jù)R、G、B三通道的平均亮度值初步判斷出圖像是否偏色?；移胶夥ㄊ轻槍?duì)滿足“灰度世界”假設(shè)，即整幅圖像的R、G、B均值相等，體現(xiàn)為中性“灰”，統(tǒng)計(jì)3個(gè)通道的平均亮度，通過(guò)顏色空間轉(zhuǎn)換，獲得相對(duì)均勻的Lab坐標(biāo)，計(jì)算與中性點(diǎn)的色度距離，從而判斷是否存在偏色。白平衡法是針對(duì)存在鏡面反射的圖像，認(rèn)為鏡面反射或白色區(qū)域反射的高光部分能夠反映光源的色度，統(tǒng)計(jì)3個(gè)通道的亮度極大值，通過(guò)顏色空間轉(zhuǎn)換，獲得相對(duì)均勻的Lab坐標(biāo)，計(jì)算與理想光源的色度距離，從而判斷是否存在偏色。傳統(tǒng)的顏色校正方法主要有灰度世界顏色校正和完美反射顏色校正兩種。(1)灰度世界顏色校正n副。該方法假設(shè)圖像顏色豐富，圖像的3個(gè)通道統(tǒng)計(jì)平均值相等， “表現(xiàn)”為灰階的顏色。對(duì)拍攝的圖像進(jìn)行統(tǒng)計(jì)求平均值，保持G分量不變，以R、B分量的均值作為顏色校正的依據(jù)。(2)完美反射顏色校正。物體本身并沒(méi)有顏色，它是通過(guò)不同波長(zhǎng)的光的吸收、反射或是投射，從而顯示出顏色。若物體為白色，則表示所有的光都被反射。白色的物體或區(qū)域，稱之為完美反射體。完美反射理論基礎(chǔ)是假設(shè)在一幅圖像中，可以把完美反射體視為標(biāo)準(zhǔn)白色。一個(gè)白色的物體，在任何光源色溫下的圖像，其R、G、B皆為極大值。以完美反射體為基準(zhǔn)，對(duì)其他顏色進(jìn)行校正?；叶仁澜绾屯昝婪瓷淅碚撨m用于大多數(shù)場(chǎng)合的顏色校正，但同時(shí)具有一定的局限性，不能正確再現(xiàn)物體的真實(shí)顏色。3．1．2二元法偏色糾正灰度世界和完美反射顏色校正方法各有其優(yōu)缺點(diǎn)，綜合兩種方法的優(yōu)點(diǎn)，建立線性加權(quán)模型，能夠?qū)崿F(xiàn)二者間的平衡。在原有灰度世界和完美反射方法“線性”映射校正的基礎(chǔ)上，以R通道為例，其校正表示為以下形式： （31)其中，a和b為通道的校正系數(shù)。根據(jù)灰度世界的假設(shè)，必須滿足以下條件： (32)根據(jù)完美反射理論，必須滿足以下條件： (33)由公式(3．1)， (3．2)， (3．3)可得相關(guān)通道校正系數(shù)a和b的矩陣形式為由求解出的顏色校正系數(shù)a和b對(duì)R通道進(jìn)行顏色校正，G通道保持不變。同理對(duì)B通道進(jìn)行校正系數(shù)計(jì)算和校正。圖31為原圖，二元法校正結(jié)果如圖32所示。圖31 原圖 圖32 偏色校正結(jié)果可以看出，原來(lái)圖像偏黃，校正后偏黃部分基本得到抑制，背景的白色得到再現(xiàn)?；叶仁澜绶椒ㄔ趫D像顏色豐富的條件下是可行的，而完美反射方法在存在白色物體的情況下也是可行，但是都具有局限性。結(jié)合兩種方法的特點(diǎn)，當(dāng)圖像顏色豐富的時(shí)候，可以突出灰度世界法校正效果；當(dāng)圖像以單一顏色為主時(shí)，可以有效抑制灰度世界法過(guò)飽和處理的缺點(diǎn)。3．2彩色圖像增強(qiáng)傳統(tǒng)的圖像增強(qiáng)算法有：直方圖均衡化、空域?yàn)V波增強(qiáng)、頻域?yàn)V波增強(qiáng)。這些算法都是全局圖像處理算法，雖然圖像的整體視覺(jué)處理效果有所增強(qiáng)，但會(huì)損失許多細(xì)節(jié)特征，而且主要是針對(duì)灰度圖像，并不能直接應(yīng)用到彩色圖像增強(qiáng)中去。彩色圖像的三基色分量相關(guān)性強(qiáng)，增強(qiáng)亮度和保持顏色不變相當(dāng)困難。彩色圖像增強(qiáng)算法分兩類：一類是根據(jù)顏色表示空間的多元化特征，將彩色圖像轉(zhuǎn)換到別的色調(diào)空間去，分離亮度和色調(diào)，再對(duì)亮度進(jìn)行處理。另一類是從視覺(jué)特性出發(fā)，將色彩的恒常性應(yīng)用于彩色圖像的增強(qiáng)?；赗etinex理論的增強(qiáng)算法是典型的視覺(jué)特性不變?cè)鰪?qiáng)算法n別?；赗etinex理論的算法影響深遠(yuǎn)。Land提出的Retinex理論可以用于動(dòng)態(tài)范圍壓縮，Jobson等對(duì)Retinex理論進(jìn)行改進(jìn)提出了MSRCR(MultiScale Retinex with Color Restoration)n81，它利用象素周圍的已處理象素的統(tǒng)計(jì)特性來(lái)計(jì)算象素值。3．2．1基于直方圖均衡的光照補(bǔ)償彩色圖像增強(qiáng)的直方圖均衡算法是常用的方法，算法描述如下：(1)首先對(duì)彩色圖像I(x，y)(M*N圖像)進(jìn)行灰度化處理得到g(x，y)。(2)對(duì)灰度圖像進(jìn)行直方圖統(tǒng)計(jì)。 (3．5)其中，i=0，1，．．．，255。(3)假設(shè)臨界系數(shù)為T(mén)=，滿足以下條件 (3．6)得到k值。令i=0，1，．．．，k，滿足條件的像素的平均灰度值表示為， (3．7)(4)計(jì)算光線補(bǔ)償系數(shù)并對(duì)彩色圖像進(jìn)行光照補(bǔ)償。 (3．8)對(duì)圖3．2進(jìn)行直方圖均衡光照補(bǔ)償實(shí)驗(yàn)結(jié)果如圖3．3所示。圖33 光照補(bǔ)償直方圖均衡增強(qiáng)能很好保持圖像的細(xì)節(jié)，這是一種整體增強(qiáng)算法，在要求不高的場(chǎng)合，卻是一種簡(jiǎn)單、快速、有效韻算法。但是保留了高光區(qū)，對(duì)曝光過(guò)度無(wú)能為力，適應(yīng)性不強(qiáng)，陰影區(qū)域依然存在。3．2．2 Retinex理論圖像增強(qiáng)Land提出視網(wǎng)膜皮層理論，即Retinex理論。根據(jù)Land的理論，人眼感知物體的亮度取決于環(huán)境的照明和物體表面對(duì)照射光的反射，表示為 (3．9)入射光E直接決定了一幅圖像中像素能達(dá)到的動(dòng)態(tài)范圍，被認(rèn)為是圖像L的低頻分量。反射物體R決定了圖像的內(nèi)在性質(zhì)。Retinex理論的目的就是從圖像L中揭示物體的反射性質(zhì)R取對(duì)數(shù)后可以表示為：log(R)=log(L)一log(E) (3．10)Land推出中心／圍繞空間對(duì)立Retinex理論n別，也稱單尺度Retinex(SSR)，對(duì)每一個(gè)顏色通道變換的結(jié)果可以表示為： i=1,2,3 (3．1 1)表示第i個(gè)顏色分量的圖像，*表示卷積算子，表示中心／圍繞函數(shù)，即 (3．12)是高斯函數(shù)的尺度參數(shù)，K由歸一化函數(shù)決定 (3．13)Ranhman等人提出了多尺度Retinex(MSR)算法。MSR就是對(duì)通道的單尺度Retinex輸出進(jìn)行線性加權(quán)求和，其基本形式是： i=1，2，3 (3．14)表示第n個(gè)SSR的權(quán)值，通常w=1／N；仃。表示第n個(gè)SSR的尺度參數(shù)。針對(duì)灰度圖像的多尺度Retinex算法，比單尺度Retinex算法效果明顯改進(jìn)，容易推廣到彩色圖像。彩色圖像的R、G、B三通道相對(duì)獨(dú)立，針對(duì)彩色圖像，提出了多尺度彩色復(fù)原算法(MSRCR)，它是在多尺度Retinex基礎(chǔ)上考慮相互獨(dú)立的各通道色彩的結(jié)果，見(jiàn)(3．15)式 (3．15) (3．16)稱為彩色恢復(fù)函數(shù)，調(diào)節(jié)各通道的顏色分量比例(i=1，2，3)；c為顏色校正系數(shù)，常取100。Retinex算法的中心／圍繞函數(shù)相當(dāng)于一個(gè)低通濾波器的核，中心／圍繞函數(shù)的尺度參數(shù)直接影響到被處理后的顏色，越小，動(dòng)態(tài)范圍壓縮能力越強(qiáng)，暗區(qū)域增強(qiáng)作用明顯，但平均對(duì)比范圍縮小，輸出產(chǎn)生顏色失真；反之，越大，顏色保真度越高。MSRCR實(shí)現(xiàn)動(dòng)態(tài)壓縮范圍與彩色圖像再現(xiàn)之間的平衡。經(jīng)過(guò)Retinex算法處理后的圖片，對(duì)比度減弱，整體偏亮，顏色與原圖偏移很大，甚至導(dǎo)致完全丟失。彩色圖像的SSR，MSRCR實(shí)驗(yàn)結(jié)果如圖34所示。圖34 Retinex增強(qiáng)3．2．3改進(jìn)Retinex的彩色圖像增強(qiáng)算法綜合比對(duì)了直方圖均衡和Retinex理論的彩色圖像增強(qiáng)，提出一種基于改進(jìn)Retinex理論的彩色圖像增強(qiáng)算法。先對(duì)彩色圖像進(jìn)行色度和亮度的分離，得到亮度的灰度圖像，然后進(jìn)行亮度增強(qiáng)，接下來(lái)對(duì)圖像進(jìn)行高斯低通濾波，獲取圖像的鄰域信息，對(duì)鄰域信息進(jìn)行自適應(yīng)增強(qiáng)，增強(qiáng)的結(jié)果和原亮度的灰度圖像相比，得到彩色圖像增強(qiáng)的增益矩陣，最后對(duì)彩色圖像進(jìn)行三分量的同比增強(qiáng)。下面描述具體描述算法。彩色圖像如果兩個(gè)像素點(diǎn)、腳在RGB空間的值是成比例的，即 (3．17)那么這兩點(diǎn)具有相同的顏色，只是亮度不同，且亮度增益為。在RGB空間中，亮度和色度信息是融合在一起的，要實(shí)現(xiàn)三分量的同比增強(qiáng)，首先把圖像轉(zhuǎn)換顏色空間，并且要求亮度增強(qiáng)的同時(shí)能保持色度信息不變，因此把圖像從RGB空間轉(zhuǎn)換到HSV空間，分離出亮度信息。原彩色圖像灰度化為 (3．18)應(yīng)用Retinex理論對(duì)V分量增強(qiáng)，實(shí)驗(yàn)中發(fā)現(xiàn)反正切函數(shù)比對(duì)數(shù)增強(qiáng)效果更好，而且反正切函數(shù)的輸出是歸一化的，輸出范圍是(0，1)。反正切函數(shù)方程可以表示成如下形式： (3．19)所以運(yùn)用公式(3．20)對(duì)V分量進(jìn)行增強(qiáng)，應(yīng)用公式(3．21)進(jìn)行多尺度增強(qiáng)，() (3．21)其中表示彩色圖像的亮度分量多尺度增強(qiáng)結(jié)果，反正切函數(shù)實(shí)現(xiàn)輸出歸一化；表示第n個(gè)亮度分量增強(qiáng)的權(quán)值系數(shù)，通常取均勻權(quán)，=l/N,；表示第n個(gè)亮度分量增強(qiáng)的尺度參數(shù)，表示高斯核函數(shù)的形狀。如果取N=4，實(shí)驗(yàn)表明取27100、150取得較好的效果。通過(guò)亮度增強(qiáng)后，雖然V分量中較暗部分區(qū)域的亮度得到有效的增強(qiáng)，但是局部信息有丟失。對(duì)圖像進(jìn)行模糊化處理，獲得鄰域像素的信息，再進(jìn)行自適應(yīng)調(diào)整。由于中心／圍繞函數(shù)相當(dāng)于一個(gè)低通濾波器的核，通過(guò)中心／圍繞函數(shù)與亮度增強(qiáng)圖像的卷積可以獲得圖像的鄰域信息。 (3．22)根據(jù)獲得的鄰域信息對(duì)圖像進(jìn)行自適應(yīng)增強(qiáng)，獲得增益矩陣，其中低通濾波核的取值很重要，試驗(yàn)中取0．5。具體步驟如下：(1)計(jì)算亮度灰度圖像的方差，D=var(V(x，y))；(2)計(jì)算卷積結(jié)果與亮度灰度圖像的比值，并進(jìn)行冪運(yùn)算：(3．23)，其中a的取值為，如果D大于100，a=1/2：如果D小于等于25，a=2；其它情況a=D。3)增益矩陣為 (3．24)最后根據(jù)增益矩陣對(duì)原彩色圖像進(jìn)行三分量同比增強(qiáng)， (3．25)增強(qiáng)后，原來(lái)彩色圖像整體的亮度得到明顯的改善，保存了色度信息，同時(shí)抑制了較亮區(qū)域，突出陰影部分的區(qū)域和偏暗的背景部分，如果亮度調(diào)整后再進(jìn)行均衡補(bǔ)償，圖像的增強(qiáng)效果更加明顯，色彩豐富視覺(jué)效果明顯加強(qiáng)，實(shí)驗(yàn)效果如圖3．5所示：圖35 改進(jìn)的Retinex增強(qiáng)光照不均是圖像處理常見(jiàn)問(wèn)題，Retinex算法雖然能夠?qū)崿F(xiàn)偏色情況下的增強(qiáng)，但是圖像過(guò)亮，色度信息丟失嚴(yán)重。而本章提出一種結(jié)合偏色糾正和改進(jìn)Retinex的彩色圖像增強(qiáng)算法，利用線性擬合糾正圖像偏色，多尺度Retincx對(duì)亮度分量增強(qiáng)，自適應(yīng)調(diào)整亮度，獲得亮度增益矩陣進(jìn)行RGB三分量同比增強(qiáng)，能較好保持色度信息下增強(qiáng)彩色圖像，去除小塊的暗區(qū)域，克服高光現(xiàn)象，把圖像的亮度和色度調(diào)整到較理想狀態(tài)。第四章結(jié)合膚色和AdaBoost的人臉檢測(cè)方法人臉檢測(cè)目的是檢測(cè)圖像中是否存在人臉。本章對(duì)彩色圖像的人臉檢測(cè)問(wèn)題進(jìn)行研究，運(yùn)用結(jié)合膚色的AdaBoost人臉檢測(cè)算法檢測(cè)人臉。利用膚色檢測(cè)，去除量背景，獲得膚色區(qū)域信息和人臉的大小范圍，根據(jù)膚色二值圖和膚色塊分析結(jié)果，對(duì)圖像進(jìn)行掃描，產(chǎn)生子窗口圖像，并計(jì)算有效的子窗口圖像的積分圖特征，調(diào)用Adaboost算法檢測(cè)人臉。4．1人臉檢測(cè)方法和特征人臉作為一種自然形體，能跟別的形體很好區(qū)分開(kāi)來(lái)，說(shuō)明其本身具有非常強(qiáng)的共性，但是由于人臉個(gè)體的差異，人臉千變?nèi)f化，使得人臉具有復(fù)雜的模式變化。主要的人臉檢測(cè)方法有以下幾種：(1)基于人臉特征的方法。主要是尋找不依賴于外在條件和屬性的人臉特征。首先是輸入圖像，對(duì)圖像進(jìn)行處理，根據(jù)結(jié)果提取某些特征與人臉