在人脸识别中的图像预处理

在人脸识别中的图像预处理方法

张海洋

摘要 - 正在研究的人脸识别在模式识别中是一个热门的研究课题。主成分分析的方法, 通常用于人脸识别的特征提取, 但它很容易受光照条件和面部表情变化等因素的影响。因此,在提取特征之前,可以对图像预处理,从而提高人脸识别率。本文介绍了在人脸识别中的一些预处理方法。首先,我们提出人脸识别及其应用的概述; 随后对预处理方法中的一些方法进行了介绍;最后,给出结论。

关键词 - 人脸识别;主成分分析; 小波变换; DCT 。

1. 引言

人脸识别是一个重要的研究课题,横跨众多领域和学科。不仅有计算机科学的研究者,同时也有心理学家和神经科学家都参与了这一区域。其原因是, 人脸识别许多实际应用,如银行卡的识别,访问控制,杯杆检索,安全监控和监控系统, 是一项基本的人类行为, 是对人与人之间的有效沟通和互动的至关重要的因素。在视点, 照明和表情等不同情况下一种面部影象是很容易进行改变的。所以, 第一个需要解决的问题是什么特征可用于表示一张人脸, 以便能够应对可能出现的变化和表达的差异。因此, 一些预处理方法应以在某种程度上减少这种情况为目的。图像的预处理在人脸识别方面至关重要。使用一个很好的预处理的方法,可以提高人脸识别率。

图像预处理方法

在本节中介绍了在特征提取之前进行的人脸图像的预处理方法。小波变换

小波变换技术在人脸识别方面是一个新的领域, 它对一些旧的和新的学科产生影响。 C用傅里叶变换和 Gabor 变换相比,后者可以有效地提取有用的信息。因此, 它可以解决一些傅里叶变换不能解决的问题。小波变换提供了一个强大和灵活

的框架来用于图像处理,它被广泛应用于图像去噪,压缩,融合等领域。表情的变化在样例图像个体的差异导致更高的频带的图像。小波变换的基本功能是

一维离散小波变换处理和重建的一个信号 x (t 被定义如下:

(((t t x n m W n m , , , ψ=

(((t n m W t n m n

m , , , χ∑=

二维小波变换是通过施加一维小波变换的二维数据的行和列得到的。一个近似图像来源于 1级图像的小波分解和三个细节图像在水平、垂直和对角方向上的分解。近似图像被用于分解下一级图像

图 1是图像分解的过程,图 2是 ORL 人脸数据库中的图像,图 3是 1级小波变换后获得的图像。

图 1 图像的过程过程

图 2 原始图像

图 3 一级小波变换后图像

B. 离散余弦变换

在过去的二十年里, 已经出现了多种研究分布离散余弦变换 (DCT 系数的图像[3]。像其它变换一样,离散余弦变换(DCT 企图解相关的图像数据。解相关后的各变换系数可独立地进行编码, 但没有压缩效率损失。长度为 N 的一维 DCT 变换序列的最常见的 DCT 定义为:

((((⎥⎦⎤⎢⎣⎡+∂=∑-=N u x x f u u C N x 212cos 1

0π u = 0,1,2, ... , N - 1 二维 DCT 是一种直接扩展一维 DCT 的方法,定义为:

((((((⎥⎦⎤⎢⎣⎡+⎥⎦⎤⎢⎣⎡+∂∂=∑∑-=-=N v x N u x x f v u v u C N x N y 212cos 212cos , 101

0ππ 在这两个等式中, (u ∂和(v ∂可以被定义为:

((⎪⎪⎩⎪⎪⎨⎧=∂∂N

N v u 21 0, 0, ≠=v u v u 图 4是图 2经 DCT 变换后所得的图像

图 4 图 2经过 DCT 变换后的图像

C. 颜色标准化方法

颜色标准化方法主要包括强度归一化、灰色世界标准化、全面的彩色图像归一化和标准色调的定义。让我们分别简单的介绍他们:

1强度归一化:著名的图像强度归一化法应用在这里 , 我们可以假定 , 对照明光源的强度增加了一个因素 , 图像中每个像素的每个 RGB 组件是由相同的比例因子组成的。我们可以通过除以以下的三个颜色成分的总和以去除效果: (⎪⎪⎭⎫⎝⎛++++++=b g r b b g r g b g r r b g r norm norm norm , , , , 2灰色世界标准化:在这里,我们采取一种方法,它类似于上述的归一化,但补偿变化的光源的颜色的效果。图像的 RGB 颜色组件可以由不同颜色的光线导致规模分开 , 分别由因子α、β和γ。

3全面的彩色图像归一化 :我们应用芬利森的算法,它可实现照明几何和光照变化的图像颜色。该方法涉及的强度归一化后的灰色世界正常化 (如上所述的重复,直到所得到的图像达到稳定状态。

4 标准色调的定义 :图像的色调可以通过计算使用标准色调定义 , 比如每个像

素都表示为一个标量值 H :

5统计方法:统计方法主要有亮度,亮度水平,垂直亮度,当地的亮度和局部亮度平均值。这些统计方法应用转换到图像的强度值, 使所有图片的亮度和对比度不变。其效果是,每一个图像的亮度看上去是相等的。这些统计方法可以以多种方式被应用, 主要是通过改变其中收集统计信息的图像的区域。没有必要让照明条件在面部的所有点上相同,因为作为脸部本身就可以投射阴影。因此, 为了补偿在跨越单个脸时照明条件的变化,这些方法可以应用到面部的个别区域。这意味着,我们不仅补偿了从一个图像到另一个图像的照明条件的差别, 而且还补充了从一个区域到另一个区域的照明条件的差别。

三关于 ORL 的介绍

数据库的面孔

在本节中,我们将简要介绍通常用在在人脸识别中的 ORL 人脸库。

该数据库包含了一组从到 1992年 4月至 1994年 4月间在实验室的人脸图像。该数据库用于合作开展的言语, 视觉和剑桥大学工程系的机器人团队的脸部识别项目中使用。

数据库中有四十个人 , 每个人十图像对一些科目 , 图片在不同时间拍摄 , 灯光 , 面部表情 (打开 /关闭眼睛 , 微笑 /不笑变化和面部细节 (眼镜 /