[发明专利]基于非均匀光照人脸图像增强的混合人脸成分识别方法

说明书

本发明提供了基于非均匀光照人脸图像增强的混合人脸成分识别方法，包括S1：构建光照人脸数据库；S2：利用卷积神经网络probeset中的图像搜索Q张相似图像；S3:基于“以补代校”思想，使用Renitex算法实现光照补偿和增强；S4：针对光照增强后的人脸，提取其面部关键成分的区域特征，训练卷积神经网络人脸识别器，实现一种基于面部关键组件的人脸识别。通过本发明的技术方案，本发明内容主要包括两部分，一是对非均匀光照人脸图像增强；二是同时将增强后的人脸与其关键面部组件同时作为神经网络分类器的输入，目的是在降低对复杂光照的敏感性的前提下增加整体识别的准确性。

技术领域

本发明涉及图像处理与人脸识别技术领域，具体而言，特别涉及基于非均匀光照人脸图像增强的混合人脸成分识别方法。

背景技术

如今，越来越多的场所和场景下需要人脸识别技术和系统的支持，比如火车站等车站的乘客身份识别、大学校园的门禁系统等人流量较多的公共场所，以及智能移动设备或者APP的用户身份解锁、支付交易等多种场景下都希望实时地捕获到高清、准确的人脸图像。另外，与虹膜、指纹等生物特征相比，人脸的非接触性使得其具备用户友好的特性。但是，另一方面，不管是布置在户外还是室内的人脸识别系统都不可避免的存在着光源（太阳光、灯光等）方向、距离以及亮度等不均匀变化的干扰，主要是光照角度改变所引起的光照变化，这会使得采集到的人脸图像质量和特征发生巨大变化，即会出现明显的阴影或者亮斑区域，从而会对人脸识别系统的准确性和效率造成直接的不良作用，甚至会影响正常的社会活动的安全和高效。因此，社会生产生活中越来越多的应用场景需要具有抗光照干扰能力的人脸识别系统。

针对现实环境下复杂多样的非均匀光照变化问题，已有很多人脸图像处理和增强技术被提出，主要分为三种：光照归一化算法、光照建模法和光照不变特征提取法。这些现有方法虽然有效，但实现简单且通常建立在理想光照条件下，对人脸识别性能提升有限，所以在诸如复杂非均匀的强侧光照情况下，反而会带来阴影噪声，因此该领域的研究依然具有很大的发展空间。

发明内容

本发明针对非均匀光照角度变化对人脸图像质量带来的影响，所要解决的技术问题在于，提供一种“以补代校”（即以光照增强代替光照校正）的思想，设计一种光照增强算法，能够进一步消除非均匀光照和阴影的负面影响，同时基于面部先验知识，通过提取人脸重要局部关键区域的特征，结合光照不变性人脸特征的提取，从而明显提高系统在光照变化条件下的识别率和鲁棒性。

为了弥补现有技术的不足，并且基于“以补代校”思想,本发明提供了基于非均匀光照人脸图像增强的混合人脸成分识别方法。

本发明是通过如下技术方案实现的：基于非均匀光照人脸图像增强的混合人脸成分识别方法，具体包括以下步骤：

S1：构建光照人脸库，记作；并根据光源的入射角度差异将分为5种不同光照变化子集 ；

S2：依次选取一个子集作为ProbeSet，其余4个子集作为Galleryset； 利用卷积神经网络对ProbeSet中的每一张人脸图像，从Galleryset中搜索与其相似的Q张图像；

S3:利用Retinex理论分别计算ProbeSet中输入图像的光照矩阵 和对应Q张图像的平均光照矩阵 ，首先利用 实现粗粒度的不均匀光照人脸增强，保存增强后的图片为 ；然后利用 实现细粒度的不均匀人脸光照补偿，保存补偿后的人脸为 ；

S4：在 的基础上，分割人脸为多个组件成分的关键区域，将 和其组件同时作为三层卷积神经网络的输入，通过强化对各个面部组件的特征表示来增强网络对照明变化的人脸识别鲁棒性。

作为优选方案，步骤S1中具体包括以下步骤：

S1-1：将非均匀光照人脸库ExtendedYaleB构成所使用的光照人脸库；

S1-2：使用开源计算机视觉库Opencv统一对样本图像检测并裁剪出人脸正面区域，图像尺度被归一化为64x64；