论文部分内容阅读
近年来,人脸识别技术取得了长足的进步,它在各个领域中都有广泛的应用,但是,在非约束环境下,由于光照、表情、遮挡等变化的影响,人脸识别系统的识别率和鲁棒性仍然不尽如人意,因此,针对在非约束环境下进行人脸识别的研究得到了广泛的关注。本文将对变化光照下的人脸识别进行分析和研究。
本文首先提出了一种多尺度拼接的TVQI模型(Multi-scale Splice TotalVariation based Quotient Image model,MSTVQI),该方法利用TVQI模型提取出人脸图像中的高频细节信息,细节信息中包含了眉、眼、嘴等人脸器官的轮廓信息,这些信息并不会随着光照的变化而改变,对处理人脸图像中光照变化的影响有着至关重要的作用。然而,由于TBQI模型是对整幅图像进行处理的,并没有对图像中的阴影区域进行特别的处理,所以当出现大范围的阴影区域时,效果会有所下降。本文提出的多尺度拼接的TVQI模型是针对这一点进行的改进模型,它将人脸图像分割为阴影区域和光照正常区域两部分,并对这两种不同区域分别使用不同尺度参数的TVQI模型,达到有效增加图像中包含的细节信息的作用,从而提高识别率。
MSTVQI模型虽然可以提取出人脸图像中具有光照不变性的高频小尺度特征,但是该方法仅保留了人脸的细节信息,而在应对大规模人脸库时,这些细节信息并不能达到较好的识别效果,所以为了能够提供更多的具有光照不变性的人脸特征,本文提出了一种多尺度融合光照归一化模型(Multi-scale Fusion TV-basedIllumination Normalized model,MFTVIN),该方法首先利用TV-L2模型得到人脸图像的大尺度分量,然后利用分块直方图均衡化和同态滤波均衡大尺度分量中的光照效应,最后,与利用MSTVQI模型得到的小尺度分量进行融合,得到具有光照不变性的人脸特征图像。MFTVIN的处理结果不仅包含了人脸图像中的细节信息,同时还包含了人脸轮廓和形状特征等信息,用其来辅助人脸识别可进一步提高识别效果,增强系统对光照的鲁棒性。
最后,在Yale B等人脸库上的实验表明,本文提出的MSTVQI模型和MFTVIN模型在处理光照问题上与其他的一些方法相比具有更好的识别效果。