改进Gamma校正的人脸图像光照预处理算法

金玉多

摘要：光照不均和曝光质量不佳均会降低人脸识别的准确率。为此，提出一种改进Gamma校正的人脸图像预处理方法。首先，利用参数自适应的Gamma校正改善人脸图像的整体亮度;然后，采用拉普拉斯算子对人脸图像中的边缘进行增强;最后，将Gamma校正后的图像与边缘增强了的图像进行线性加权融合，進而得到预处理后的人脸图像。在YaleB人脸图像库的实验结果表明，该方法能有效提高人脸识别率，并且无须人工交互，计算量低。

关键词：人脸识别; 光照预处理; 伽马校正; 边缘增强

中图分类号：TP312        文献标识码：A

文章编号：1009-3044（2019）20-0214-04

开放科学（资源服务）标识码（OSID）：

Abstract： The accuracy of face recognition will be reduced by uneven illumination and poor exposure quality. Therefore， a preprocessing algorithm of face illumination with improved gamma correction is proposed. Firstly， the overall brightness of the face images is improved by the gamma correction with adaptive parameter. Then， the edge of the face images is enhanced by Laplace operator. Finally， the gamma-corrected image was combined with the edge-enhanced image in a linear weighted manner to obtain the preprocessed face image. Experimental results in YaleB face image library show that this method can effectively improve the face recognition rate. Moreover，  there is no need for human interaction and the computation is low.

Key words： Face Recognition; Illumination Preprocessing; Gamma Correction; Ddge Enhancement

1 引言

人脸识别是一种在人脸图像中提取人脸特征信息，从而达到识别人脸目的的图像处理技术。近几年来，人脸识别技术取得了长足进步，在理想条件下的识别精度稳步提高[1]。然而，很多因素都会对成像质量产生干扰，比如不同的姿态、各异的表情、复杂的光照、物体的遮挡等。尽管在不同的姿态和表情下，图像中仍然能够保留一些明显的面部特征，可是复杂光照所产生的阴影和亮度不均现象却会导致面部特征难以提取。具体地讲，由于环境光照因素的影响，采集的人脸图像可能会出现细节信息不突出、轮廓不清晰、特征不明显等多种问题，以致降低在后续识别过程中的人脸识别准确率。因此，提高复杂光照条件下的人脸图像预处理效率，对保证人脸识别系统的精度具有重要的现实意义。

目前，人脸图像的光照预处理方法可以大致分为如下三类，包括基于光照不变性提取的处理方法、基于模型的处理方法、基于图像处理技术的处理方法[2]。其中，基于光照不变性提取的方法试图从图像中提取出一些不会因为光照影响而发生改变的特征，如局部二值模式[3]、多特征融合[4]、熵图像等。但是，此类方法在光照较强或较弱时，往往会出现失效的情况，不能在所有光照强度下均呈现令人满意的鲁棒性[5]。基于模型的处理方法则借助特定的数学模型对大量的人脸图像进行训练和复原，在一定程度上提高了预处理算法的有效性，不过其假设较多且计算量很大，无疑增加了人脸识别的软硬件成本。基于图像处理技术的预处理方法的主要思想是通过改变不同灰度的像素数量以及灰度值的相对变化来改善整体的图像质量，如Gamma灰度校正[6]、直方图均衡[7]、线性拉伸等。考虑到此类算法执行效率较高，并且实现效果也较为理想，本文也将精力集中于此。由于单纯应用Gamma灰度校正或直方图均衡等方法只能达到提高对比度的目的，却无法增强那些利于人脸识别的特征，文献[7]在直方图均衡算法的基础上提取图像的细节信息，再与直方图均衡处理后的图像进行线性加权，不仅改善了图像的成像质量，也有效保留了部分细节信息，使得其人脸识别率产生了一定的性能提升。尽管该算法能够提高图像的对比度，可是不能很好地解决周围环境因素所导致的光照不均问题。

针对以上这些方法的分析，仍然存在着一些不足。综合各方法的优缺点，本文主要基于图像处理技术的方法对在不同光照条件下的人脸图像进行预处理。由于光照过亮、过暗都会对图像造成一定的影响，本文的方法首先通过gamma校正的方式改善图像的整体亮度。然后再通过边缘增强算法将细节特征进行保留，在保留原有图像的灰度分布基础上也较好地保留了细节特征，减轻了直接进行线性拉伸而产生的细节特征不突出的情况。

2 图像的Gamma校正

Gamma校正，亦称“伽马校正”，通过非线性变换来调整像素值，进而改善图像的整体亮度。该算法由三个主要步骤组成：

首先，将输入图像的所有像素值进行归一化，使其值域分布在[0，1]之间。

其次，通过给定的γ值对像素值进行非线性映射，其计算过程如式（1）所示：

其中，I为输入图像的像素值，f（I）为输出的非线性映射值，γ为非线性映射参数。需要指出，不同的γ值对图像亮度质量的改善效果不尽相同。当γ<1时，图像的灰度值增大，整体亮度提高并增强对比度;而当γ<1时，图像的灰度值减小，整体亮度降低，但也能在一定程度上增强图像的对比度。

最后，对所得像素值进行反归一化，使得像素值的值域扩大到[0，255]，从而获得伽马校正后的图像。

为了说明上述处理对图像的影响，图1（a）至图1（c）给出了一幅标准人脸测试图像经过Gamma校正后的效果。

3 边缘增强的改进Gamma校正算法

3.1 本文算法的基本思想

虽然传统的Gamma校正能够改善图像的整体亮度，可是却无法增强图像的边缘和纹理，而边缘和纹理对于有效保持人脸特征、保证人脸识别精度则起着重要作用。为此，本文首先通过Gamma校正改善图像的亮度;然后，利用拉普拉斯算子对所得图像进行边缘增强，其计算过程和卷积模板如式（2）-式（3）所示：

最后，根据增强后的边缘，再次自适应调整图像的整体亮度，从而使图像在亮度和边缘、纹理方面均能取得令人满意的成像质量。

根据上述思路，图2给出了本文算法的详细流程。在对人脸图像进行预处理之前，先明确输入图像的曝光状态和亮度均匀程度。当人脸图像偏暗时，Gamma校正的参数应在（0，1）区间进行调整;反之，若人脸图像偏亮或者曝光过度，则Gamma校正的参数值应大于1。此时，人脸图像的亮度已经得到了初步改善。不过，考虑到亮度调整过程将使图像的细节特征发生变化，本文通过拉普拉斯算子对图像进行了边缘特征的提取，获得细节特征增强的人脸图像。借助系数因子，将得到的边缘特征与Gamma校正处理后的图像进行加权融合，再次对图像亮度进行精细调整，得到预处理后的图像。

本文算法的详细步骤如下：

（1）通过传统的Gamma校正对图像的亮度进行调整和改善，得到图像[Ig]。

（2）利用拉普拉斯算子对图像[Ig]上进行边缘增强，得到图像[Il]。

（3）将[Ig]与[Il]按照适当的系数进行线性加权融合，得到基本处理后的图像。

（4）根据基本处理后的图像亮度特点，再次进行调整，得到最终的输出图像。

3.2 伽马校正参数的自适应选取

光照不足或者过强都會对人脸图像产生一定的影响。虽然Gamma校正能够对不均匀照度的图像进行一定改善，可是伽马校正的参数却需要用户根据需要进行交互修改，无法实现自适应处理。这样，不仅会明显增加用户的工作量，难以实现人脸图像的自动识别，而且也会产生不必要的误差。为了能够更好地解决图像不均匀照度的问题，文献[8]通过对二维Gamma函数进行改进，提出了一种光照不均匀图像的自适应校正算法[8]，取得了一定效果;文献[9]进一步将人为设定的光照亮度平均值128作为标准，对参数γ进行自适应调整，提出了一种改进的二维Gamma校正算法[9]。然而，尽管基于二维Gamma函数的校正算法能够取得较好的处理效果，可是其计算复杂度往往较高，不适用于规模较大的人脸数据库。因此，本文提出一种一维Gamma校正参数的自适应选取算法，以克服手动调节参数的不便，并提高大规模人脸图像数据库的预处理效率。

首先，求出整体图像像素的平均值，并据此判断待处理图像的整体曝光质量。以灰度值128为基准，整幅图像的像素均值超过128，则将图像视作偏亮，否则将图像视作偏暗。进而，以图像均值偏离128的归一化幅度作为Gamma校正的自适应参数，其计算过程如式（4）所示：

图3给出了在改进前后，Gamma校正方法的结果对比。其中，图3（a）、（e）为未处理过的原图像，图3（b）、（c）、（f）、（g）为不同参数对应的原始Gamma校正处理后的图像，而图3（d）为本文改进的自适应Gamma校正处理后的图像。从中可见，虽然图3（b）（c）和图3（f）（g）在一定程度上改善了人脸图像的亮度，但是仍未取得最佳的成像质量，而本文的自适应校正方法则通过自适应的参数选取方法，更好地对人脸图像的整体亮度做出调整，使曝光质量不佳的图像变得更加清晰。同时，由于本文方法仅需计算图像的平均亮度，并据此得出合适的校正参数，其计算量很低，完全不会对人脸识别系统造成计算负担，有利于明显提升人脸图像的预处理效率。

图4给出了本文的图像预处理算法与传统直方图均衡算法的对比结果。其中，图4（a）所示为未经过预处理的原始图像，图4（b）为经过直方图均衡后的图像，图4（c）为利用本文算法处理后的图像。再结合图1的结果可以看出，直方图均衡处理后的图像质量总体上优于传统Gamma校正后的图像，图像的细节特征相对保留较好，但传统的Gamma校正算法和直方图均衡都不能缓解亮度不均的问题，而且直方图均衡甚至在左侧面部区域产生了过曝光的现象，而本文算法不仅有效抑制了原始图像的亮度不均现象，而且还很好地增强了原始图像的边缘和纹理，图像更加清晰，边缘特征也更加明显。图5进一步给出了原图像的灰度直方图和本文方法处理后的灰度值分布。不难发现，本文方法在保持原图像总体灰度分布不变的前提下，使得灰度值呈现出更明显的双峰分布，一方面有利于提高图像的对比度，另一方面也有助于完整地保留了原始图像的相对灰度变化，为后续的人脸识别奠定基础。

3.3 图像的加权融合

单纯应用Gamma校正和边缘特征提取均无法实现在调整对比度的同时，有效增强可识别特征的目的，甚至Gamma校正还可能造成图像细节的弱化或改变。考虑到这一点，本文进一步对经过Gamma校正和边缘特征提取后的两幅结果图像进行加权融合，以提高人脸识别的准确率。其具体计算过程如式（5）所示：

其中，[f（I）]表示原图像，[λ]表示待定的加权因子，[f（e）]表示进行边缘提取后的细节特征。通过大量实验，本文令[λ=1.2]。

由于细节特征的融合过程可能也会使图像的亮度信息发生改变，此时，我们首先计算图像均值M，如果M>128，就减小图像的总体灰度值;反之，将全体像素的灰度值增加，使其平均亮度能够趋于128。最终，获得了预处理后的人脸图像。这样，融合后的图像不但在亮度上做出了改善，同时细节信息也得到了一定的保留。

4 实验结果与分析

为了验证本文算法的有效性，采用YaleB人脸数据库进行测试，其原因在于该数据库具有不同光照条件下的人脸图像。该人脸图像库包含15个不同个体的具有不同年龄阶段和性别的165张人脸图像，每人各有11张图像。图6所示为某一个人的一组不同光照条件下的人脸图像集合。

表1和图7所示为分别选取不同数量的人脸图像训练样本时，各种预处理算法得到的人脸识别率。从中可以看出，经过预处理后的人脸图像识别率均高于未经预处理的图像识别率，表明亮度预处理对于改善人脸识别系统的性能具有积极作用。同时，本文方法在所有情况下均取得了最高的识别率，表现出较高的稳定性，这说明在对图像亮度进行拉伸过程中尽量保留面部的细节特征，能够更加有效地抑制光照给人脸图像所带来的负面影响，对提高人脸识别率具有重要意义。

5 结论

本文基于Gamma校正的改进方法对人脸图像进行了灰度的变换和图像细节的增强，以此来更好地保证图像的相对灰度变化和细节的完整性。光照在人脸识别过程中是一个重要的影响因素，如何彻底地解决光照问题，仍然值得我们思考。本文的算法还有许多问题需要进一步地研究和解决，比如针对gamma校正中的参数选择等问题。无论是采用何种方法去除人脸图像中的光照干扰，彻底地去除光照所带来的影响几乎都是不可能的[11]。如果光照问题能够得到很好解决，人脸识别技术将能够得到突破的进展，比如在不良光照条件下的局部遮挡问题等。随着人脸识别技术在各个领域的广泛应用，人脸图像去光照的问题是值得我们进一步研究的问题。在未来的人脸识别技术当中，从不均匀照度的人脸图像中提取最精准的特征也许会成为更好的问题解决方式。同时人脸识别技术将会随着信息技术的不断发展在不同领域具有更多的用途。

参考文献：

[1] W. Zhao， R. Chellappa， P. Phillips， et al.， "Face recognition： A literature survey，" Acm Computing Surveys （CSUR）， 2003（35）：399-458.

[2] 楊军.基于图像引导滤波的人脸光照预处理算法[J].计算机工程，2014（4）：182-186.

[3] Ahonen T， Hadid A， Pietikainen M. Face Description with Local Binary Patterns[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2006， 28（12）： 2037-2041.

[4] 程勇.基于多特征融合的复杂光照人脸识别[J].计算机工程与应用，2017，53（14）：39-44.

[5] 顾思思.复杂光照条件下的人脸预处理算法[J].计算机工程与应用，2014，50（19）：187-191.

[6] Shan Shiguang， Gao Wen， Cao Bo. Illumination Normalization for Robust Face Recognition Against Varying Lighting Conditions[C]//Proc. of IEEE International Workshop on Analysis and Modeling of Faces and Gestures. Nice， France： IEEE Press， 2003： 157-164.

[7] 扈佃海，吕绪良，文刘强.一种改进的直方图均衡化图像增强方法[J].光电技术应用，2012，27（03）：65-68.

[8] 王殿伟，王晶，许志杰，等.一种光照不均匀图像的自适应校正算法[J].系统工程与电子技术，2017，39（06）：1383-1390.

[9] LEE S. An efficient content-based image enhancement in the compressed domain using retinex theroy[J]. IEEE Trans. On Circuits and Systems for Video Technoogy， 2007，17（2）：199-213.

[10] 王惠，宗玉萍.基于PCA的人脸特征提取和识别[J].计算机产品与流通，2019（01）：153+156.

[11] 范春年.人脸识别中光照预处理方法[D].南京： 南京大学，2012.

【通联编辑：唐一东】