极端光照人脸识别的光照归一化方法.pdf

上传人：e1

文档编号：6139493

上传时间：2019-04-18

格式：PDF

页数：10

大小：1.76MB

《极端光照人脸识别的光照归一化方法.pdf》由会员分享，可在线阅读，更多相关《极端光照人脸识别的光照归一化方法.pdf（10页完整版）》请在专利查询网上搜索。

1、(10)申请公布号 CN 103870820 A (43)申请公布日 2014.06.18 CN 103870820 A (21)申请号 201410136046.6 (22)申请日 2014.04.04 G06K 9/00(2006.01) G06K 9/62(2006.01) (71)申请人南京工程学院地址 211167 江苏省南京市江宁科学园弘景大道 1 号 (72)发明人程勇焦良葆曹雪虹陈瑞 (74)专利代理机构南京正联知识产权代理有限公司 32243 代理人沈志海 (54) 发明名称极端光照人脸识别的光照归一化方法 (57) 摘要本发明提供一种极端光照人脸识别。

2、的光照归一化方法，通过模仿灵长类动物的视网膜模型，利用改进后的 Naka-Rushton 方程式建立基于视网膜的光照归一化模型，在计算 Naka-Rushton 方程式中的适应因子时，适应因子在考虑光照差异的情况下进行估算，考虑到光照条件的影响，实施例中着重对人脸图像中的低频和高频信息采用不同的算法进行处理，从而提高系统整体鲁棒性；并经过实验验证，该方法受训练集选择影响极小，具有很好的稳定性。 (51)Int.Cl. 权利要求书 2 页说明书 6 页附图 1 页 (19)中华人民共和国国家知识产权局 (12)发明专利申请权利要求书2页说明书6页。

3、附图1页 (10)申请公布号 CN 103870820 A CN 103870820 A 1/2 页 2 1. 一种极端光照人脸识别的光照归一化方法，其特征在于：分析灵长类动物视网膜模型的功能层，查阅已有视网膜模型，为基于视网膜的光照归一化模型的建立提供参考；利用 Naka-Rushton 方程式，为光照归一化模型的建立提供具体原理依据；在计算 Naka-Rushton 方程式中的适应因子时，适应因子在考虑光照差异的情况下进行估算；光照归一化处理部分将人脸图像分为低频和高频部分，进而分别采取不同的算法进行处理。 2. 如权利要求 1 所述的极端光照人脸识别的光。

4、照归一化方法，其特征在于：建立光照归一化模型：利用灵长类动物的视网膜模型，功能层包括感光器层、外部网状层 OPL 和内部网状层 IPL，建立基于视网膜模型的光照归一化模型，包括两个连续的本地图像光照压缩和一个空间带通滤波。 3. 如权利要求 1 所述的极端光照人脸识别的光照归一化方法，其特征在于： Naka-Rushton 方程式：通过在邻域上执行高斯滤波来计算每个像素，具体定义如下：其中， p 是图像中的像素， X0是在像素为 p 是的适应因子， X(p) 是输入图像的强度， * 表示卷积运算， GH是一个二维高斯滤波器，对应于 X 图像的像素强度的。

5、平均值。 4. 如权利要求 1 所述的极端光照人脸识别的光照归一化方法，其特征在于：估算适应因子： I 表示原始图像， A 表示 I 的低频子带， DH、 DV 和 DD 分别表示 I 的高频子带；基于 Otsu 的光照分类在低频子带 A 上进行，假设 t 是由 Otsu 获得的阈值， A 的光照条件可大约分为两类： M1 A(x， y)|A(x， y) t (2) M2 A(x， y)|A(x， y) t (3) 其中， A(x， y) 表示 A 在点 (x， y) 的强度； A 的适应因子 Ao定义如下：其中， G是高斯滤波，是标准差，和分别是 M1和 M2。

6、的平均值。 5. 如权利要求 1-4 任一项所述的极端光照人脸识别的光照归一化方法，其特征在于：针对人脸识别的光照归一化，建立人类视觉模型：单级离散二维小波变换用来实现对人脸图像提取低频和高频信息；通过模仿视网膜信息处理机制来处理低频信息，并且大型高频系数由一个阈值截断；通过对适合的低频和高频信息求离散二维变换并取其倒数来获得光照归一化结果。 6. 如权利要求 5 所述的极端光照人脸识别的光照归一化方法，其特征在于：低频信息处理：第一步，建立感光层：低频子带 A 的处理方程式如下，权利要求书 CN 103870820 A 2 2/2 页 3 其中。

7、， maxA-是 A 的最大值，是 A 在点 (x， y) 的适应因子， 1是高斯滤波的标准差且 Ap(x， y) 是相应的输出；第二步，建立外部网状层： Ap的处理如下，其中，是 Ap的最大值，是 Ap在点 (x， y) 的适应因子， 2是高斯滤波的标准差且 Ao(x， y) 相应的输出。第三步，边缘检测：采用空间带通滤波来模拟内部网状层信息处理，定义如下：其中， L和 H是两个高斯函数的相应标准差， Ae表示图像的边缘。 7. 如权利要求 5 所述的极端光照人脸识别的光照归一化方法，其特征在于：高频信息处理：令 H 表示 DH、 DV 或 DD，高频。

8、子带的截断处理如下： t median(|H(x， y)|) (10) 其中， median() 用来返回行列式 |H| 的中值，通过截断处理，高频子带分为 DH， DV， DD。权利要求书 CN 103870820 A 3 1/6 页 4 极端光照人脸识别的光照归一化方法技术领域 0001 本发明涉及光照归一化处理、视网膜模型的建立以及极端光照情况下的人脸识别技术。背景技术 0002 在过去许多年，人脸识别的研究已经取得了显著进展。然而，在不受控制的自然环境下，人脸识别的研究仍然面临许多挑战。在某种程度上，对于一个有效的人脸识别系统来说，光照变化始终。

9、是一个未解决的问题，它严重地降低了人脸识别系统的性能。 0003 光照变化对人脸识别影响的问题，近年已经引起了研究人员的重视，并提出了多种方法。这些方法大致可归为3类：光照三维模型、光照不变量提取以及光照归一化方法。 0004 光照三维模型是指通过三维模型对人脸图像进行拟合来消除光照影响。为了获取有效的三维模型，这类方法不仅需要充足的训练样本，而且要假设人脸图像是凸的结构，并且算法的复杂度较高，这些条件往往在实际应用中很难实现。 0005 光照不变量提取是指提取与光照条件无关的特征，消除光照变化的影响。为解决这个问题，已经提出了许多方法，包括多尺度 ret。

10、inex(MSR)、对数全变差 (LTV) 和梯度脸等等。然而，这些方法不能完全地消除不同的光照效果，光晕现象依然存在。 0006 光照归一化是指利用基本的图像处理技术对光照图像进行预处理，获取光照鲁棒的图像。该方法主要包括：对数变换、直方图均衡化、伽玛校正、自适应直方图均衡化以及局部直方图均衡化等。尽管此类方法能够从一定程度上消除光照变化对人脸识别的影响，但是在复杂光照情况下识别率很难令人满意。近来，受人类视觉系统的启发，许多方法已经用于图像处理和特征提取当中。 Meylan等人提出了一种改进的Naka-Rushton方程式，并且在此方程式的基础上运。

11、用两种连续的非线性运算来模拟人类视觉系统，从而避免光晕，提高总体的外观。 0007 随后，通过使用上述两种连续的非线性运算和高斯滤波器的差异，提出了一种基于视网膜模型的光照归一化方法。该方法在不同光照条件下的人脸识别中能够实现良好的性能。但是，目前仍亟需进一步消除光照变化对人脸识别的影响。发明内容 0008 为了解决上述方法在极端光照情况下人脸识别的效果不能令人满意的问题，本发明目的是从人类视网膜模型出发，提出更有效的光照归一化方法，以便提高极端光照情况下人脸识别的识别准确性。 0009 为了达到上述目的本发明所采取的技术方案是： 0010 一种极端光照人脸识别。

12、的光照归一化方法， 0011 分析灵长类动物视网膜模型的功能层，查阅已有视网膜模型，为基于视网膜的光照归一化模型的建立提供参考； 0012 利用 Naka-Rushton 方程式，为光照归一化模型的建立提供具体原理依据；说明书 CN 103870820 A 4 2/6 页 5 0013 在计算 Naka-Rushton 方程式中的适应因子时，适应因子在考虑光照差异的情况下进行估算； 0014 光照归一化处理部分将人脸图像分为低频和高频部分，进而分别采取不同的算法进行处理。 0015 优选地，建立光照归一化模型：利用灵长类动物的视网膜模型，功能层包括感光器层。

13、、外部网状层 OPL 和内部网状层 IPL，建立基于视网膜模型的光照归一化模型，包括两个连续的本地图像光照压缩和一个空间带通滤波。 0016 优选地， Naka-Rushton 方程式：通过在邻域上执行高斯滤波来计算每个像素，具体定义如下： 0017 0018 其中， p是图像中的像素， X0是在像素为p是的适应因子， X(p)是输入图像的强度， * 表示卷积运算， GH是一个二维高斯滤波器，对应于 X 图像的像素强度的平均值。 0019 优选地，估算适应因子： I 表示原始图像， I 表示原始图像， A 表示 I 的低频子带， DH、 DV 和 DD 分别表示 I 的。

14、高频子带； 0020 基于 Otsu 的光照分类在低频子带 A 上进行，假设 t 是由 Otsu 获得的阈值， A 的光照条件可大约分为两类： 0021 M1 A(x， y)|A(x， y) t (2) 0022 M2 A(x， y)|A(x， y) t) (3) 0023 其中， A(x， y) 表示 A 在点 (x， y) 的强度； 0024 A 的适应因子 A0定义如下： 0025 0026 0027 其中， G是高斯滤波，是标准差，和分别是 M1和 M2的平均值。 0028 优选地，针对人脸识别的光照归一化，建立人类视觉模型： 0029 单级离散二维小波变换用来实现。

15、对人脸图像提取低频和高频信息； 0030 通过模仿视网膜信息处理机制来处理低频信息，并且大型高频系数由一个阈值截断； 0031 通过对适合的低频和高频信息求离散二维变换并取其倒数来获得光照归一化结果。 0032 优选地，低频信息处理： 0033 第一步，建立感光层：低频子带 A 的处理方程式如下， 0034 0035 其中， maxA是 A 的最大值，是 A 在点 (x， y) 的适应因子， 1是高斯滤波的标准差且 Ap(x， y) 是相应的输出； 0036 第二步，建立外部网状层： Ap的处理如下，说明书 CN 103870820 A 5 3/6 页 6 0。

16、037 0038 其中，是 Ap的最大值，是 Ap在点 (x， y) 的适应因子， 2是高斯滤波的标准差且 Ao(x， y) 相应的输出。 0039 第三步，边缘检测：采用空间带通滤波来模拟内部网状层信息处理，定义如下： 0040 0041 其中， L和 H是两个高斯函数的相应标准差， Ae表示图像的边缘。 0042 优选地，高频信息处理： 0043 令 H 表示 DH、 DV 或 DD，高频子带的截断处理如下： 0044 0045 t median(|H(x， y)|) (10) 0046 其中， median( )用来返回行列式|H|的中值，通过截断处理，高频子带分。

17、为DH， DV， DD。 0047 本发明的有益效果是：本发明一种极端光照人脸识别的光照归一化方法，通过模仿灵长类动物的视网膜模型，利用改进后的 Naka-Rushton 方程式建立基于视网膜的光照归一化模型，在计算 Naka-Rushton 方程式中的适应因子时，适应因子在考虑光照差异的情况下进行估算，考虑到光照条件的影响，实施例中着重对人脸图像中的低频和高频信息采用不同的算法进行处理，从而提高系统整体鲁棒性；并经过实验验证，该方法受训练集选择影响极小，具有很好的稳定性。附图说明 0048 图 1 是实施例对 Yale B 人脸库中一个人在不同光照条件下。

18、使用不同方法得到的比较结果对比图。具体实施方式 0049 下面结合附图详细说明本发明的优选实施例。 0050 为提高极端光照条件下人脸识别的准确性，提出了一种新的人脸识别的光照归一化方法：通过模仿灵长类动物的视网膜模型，利用改进后的 Naka-Rushton 方程式建立基于视网膜的光照归一化模型，考虑到光照条件的影响，实施例中着重对人脸图像中的低频和高频信息采用不同的算法进行处理，从而提高系统整体鲁棒性。 0051 实施例的核心技术在于适应因子的估算和光照归一化处理部分。首先分析灵长类动物视网膜模型的功能层，查阅已有视网膜模型，为基于视网膜的光照归一化模型的建立。

19、提供参考；利用改进的 Naka-Rushton 方程式，为光照归一化模型的建立提供具体原理依据；在计算 Naka-Rushton 方程式中的适应因子时，考虑到复杂光照条件下，一幅图像像素的平均值作为部分适应因子，却应用于整个像素域，这是不合适的。为获得准确的适应因说明书 CN 103870820 A 6 4/6 页 7 子，适应因子必须是在考虑光照差异的情况下进行估算；光照归一化处理部分将人脸图像分为低频和高频部分，进而分别采取不同的算法进行处理。 0052 实施例的详细步骤如下： 0053 光照归一化模型：利用灵长类动物的视网膜模型，包括 3 个。

20、功能层：感光器层、外部网状层 OPL 和内部网状层 IPL，建立基于视网膜模型的光照归一化模型，包括两个连续的本地图像光照压缩和一个空间带通滤波。 0054 Naka-Rushton 方程式：利用一种改进的 Naka-Rushton 方程式，主要通过在其邻域上执行高斯滤波来计算每个像素，具体定义如下： 0055 0056 其中， p是图像中的像素， X0是在像素为p是的适应因子， X(p)是输入图像的强度， * 表示卷积运算， GH是一个二维高斯滤波器，对应于 X 图像的像素强度的平均值。 0057 基于改进式的光照归一化可避免光晕现象，提高全局的外观。可是仍然。

21、存在缺陷。比如，对原始图像运用高斯滤波来估算本地光照强度常会对图像的边缘产生不准确的结果。特别是在复杂光照条件下，一幅图像的平均值作为部分适应因子，却应用于整个像素域，这是不合适的。在稍后的光照归一化处理中这些很可能会产生误差。因此，实施例中为获得准确的适应因子，主要是在图像的低频带通过二维小波变换完成光照归一化处理。此外，适应因子 X0是在考虑光照差异的情况下进行估算的。 0058 估算适应因子： I 表示原始图像， A 表示 I 的低频子带， DH、 DV 和 DD 分别表示 I 的高频子带。首先，基于 Otsu 的光照分类，采用各种不同的分类之间的最大。

22、差异，在低频子带 A 上进行。假设 t 是由 Otsu 获得的阈值， A 的光照条件可大约分为两类： 0059 M1 A(x， y)|A(x， y) t (2) 0060 M2 A(x， y)|A(x， y) t) (3) 0061 其中， A(x， y) 表示 A 在点 (x， y) 的强度。 0062 A 的适应因子 A0定义如下： 0063 0064 0065 其中， G是高斯滤波，是标准差，和分别是 M1和 M2的平均值。 0066 光照归一化：针对人脸识别的光照归一化，建立一种新的有效的人类视觉模型。首先，单级离散二维小波变换用来实现对人脸图像提取低频和高频信息。

23、。然后，考虑到光照条件，通过模仿视网膜信息处理机制来处理低频信息，并且大型高频系数由一个阈值截断。最后，通过对适合的低频和高频信息求离散二维变换并取其倒数来获得光照归一化结果。低频和高频信息的详细流程如下： 0067 低频信息处理： 0068 第一步，建立感光层：低频子带 A 的处理方程式如下， 0069 说明书 CN 103870820 A 7 5/6 页 8 0070 其中， maxA是 A 的最大值，是 A 在点 (x， y) 的适应因子， 1是高斯滤波的标准差且 Ap(x， y) 是相应的输出。 0071 第二步，建立外部网状层： Ap的处理如下，。

24、 0072 0073 其中，是 Ap的最大值，是 Ap在点 (x， y) 的适应因子， 2是高斯滤波的标准差且 Ao(x， y) 相应的输出。 0074 第三步，边缘检测：采用空间带通滤波来模拟内部网状层信息处理。定义如下： 0075 0076 其中 L和 H是两个高斯函数的相应标准差， Ae表示图像的边缘。 0077 高频信息处理： 0078 因为对不同光照条件下的人脸图像来说，高频子带的大量小波系数是不稳定的，用于人脸识别的高频信息在不处理的情况下会产生负面影响。因此，为提高高频信息的光照鲁棒性，对大的高频参数进行截断处理。 0079 令 H 表示 DH、 DV 或。

25、DD，高频子带的截断处理如下： 0080 0081 t median(|H(x， y)|) (10) 0082 其中 median( ) 用来返回行列式 |H| 的中值，通过截断处理，高频子带分为 DH， DV， DD。 0083 实验验证 0084 为了验证本发明的有效性，选用拓展的 Yale B 光照人脸库。该库包括 38 个人物样本，九个姿态， 64 种不同的光照，共计 21888 幅图像。原始图像的尺寸为 640480，所有图像被人工裁剪，尽量仅包括脸部部分，并且图像大小被调整为 192168。在识别阶段，采用经典的PCA方法用于降低维度，实施例在实验中保。

26、留90%的能量，并使用基于欧式距离的最近邻分类器对人脸图像进行分类，再用小波函数 db1 来进行离散二维小波变换。 0085 图 1 中，最顶行是一个人从子集一到子集五的原始图像；中间一行是采用 Vu s 方法得到的效果图；最后一行是采用本发明得到的效果图。 0086 表 1 从子集一中每人选择一幅随机图像用作训练集所达到的识别率（%） 0087 方法子集一子集二子集三子集四子集五所有子集原始图像2.632.783.064.133.333.25 LTV92.0680.2292.1885.9991.4688.50 梯度脸99.4798.3689.1577.7190.2590。

27、.04 Vu96.0590.1595.6590.8494.1193.26 实施例97.7596.0096.3395.2495.2295.86 0088 为了评估实施例所提出方法的性能，进行了实验。从子集一中每人选择一幅随机说明书 CN 103870820 A 8 6/6 页 9 图像用作训练集，并且其余用作测试集，由于上述训练集和测试集是随机的，进行了 30 次仿真并取他们的平均值，表 1 列出了不同方法的平均识别率。综上所述，表 1 中数据表明本发明实施例所用算法受训练集选择影响极小并且具有很好的稳定性。说明书 CN 103870820 A 9 1/1 页 10 图 1 说明书附图 CN 103870820 A 10 。

摘要
申请专利号：	CN201410136046.6	申请日：	2014.04.04
公开号：	CN103870820A	公开日：	2014.06.18
当前法律状态：	驳回	有效性：	无权
法律详情：	发明专利申请公布后的驳回IPC(主分类):G06K 9/00申请公布日:20140618\|\|\|实质审查的生效IPC(主分类):G06K 9/00申请日:20140404\|\|\|公开
IPC分类号：	G06K9/00; G06K9/62	主分类号：	G06K9/00
申请人：	南京工程学院
发明人：	程勇; 焦良葆; 曹雪虹; 陈瑞
地址：	211167 江苏省南京市江宁科学园弘景大道1号
优先权：
专利代理机构：	南京正联知识产权代理有限公司 32243	代理人：	沈志海
PDF完整版下载：	PDF下载

内容摘要

本发明提供一种极端光照人脸识别的光照归一化方法，通过模仿灵长类动物的视网膜模型，利用改进后的Naka-Rushton方程式建立基于视网膜的光照归一化模型，在计算Naka-Rushton方程式中的适应因子时，适应因子在考虑光照差异的情况下进行估算，考虑到光照条件的影响，实施例中着重对人脸图像中的低频和高频信息采用不同的算法进行处理，从而提高系统整体鲁棒性；并经过实验验证，该方法受训练集选择影响极小，具有很好的稳定性。

权利要求书

权利要求书
1.  一种极端光照人脸识别的光照归一化方法，其特征在于：
分析灵长类动物视网膜模型的功能层，查阅已有视网膜模型，为基于视网膜的光照归一化模型的建立提供参考；
利用Naka-Rushton方程式，为光照归一化模型的建立提供具体原理依据；
在计算Naka-Rushton方程式中的适应因子时，适应因子在考虑光照差异的情况下进行估算；
光照归一化处理部分将人脸图像分为低频和高频部分，进而分别采取不同的算法进行处理。

2.  如权利要求1所述的极端光照人脸识别的光照归一化方法，其特征在于：建立光照归一化模型：利用灵长类动物的视网膜模型，功能层包括感光器层、外部网状层OPL和内部网状层IPL，建立基于视网膜模型的光照归一化模型，包括两个连续的本地图像光照压缩和一个空间带通滤波。

3.  如权利要求1所述的极端光照人脸识别的光照归一化方法，其特征在于：Naka-Rushton方程式：通过在邻域上执行高斯滤波来计算每个像素，具体定义如下：

其中，p是图像中的像素，X0是在像素为p是的适应因子，X(p)是输入图像的强度，*表示卷积运算，GH是一个二维高斯滤波器，对应于X图像的像素强度的平均值。

4.  如权利要求1所述的极端光照人脸识别的光照归一化方法，其特征在于：估算适应因子：I表示原始图像，A表示I的低频子带，DH、DV和DD分别表示I的高频子带；
基于Otsu的光照分类在低频子带A上进行，假设t是由Otsu获得的阈值，A的光照条件可大约分为两类：
M1＝{A(x，y)|A(x，y)≥t}      (2)
M2＝{A(x，y)|A(x，y)＜t}      (3)
其中，A(x，y)表示A在点(x，y)的强度；
A的适应因子Aoρ定义如下：

其中，Gρ是高斯滤波，ρ是标准差，   和   分别是M1和M2的平均值。

5.  如权利要求1-4任一项所述的极端光照人脸识别的光照归一化方法，其特征在于：针对人脸识别的光照归一化，建立人类视觉模型：
单级离散二维小波变换用来实现对人脸图像提取低频和高频信息；
通过模仿视网膜信息处理机制来处理低频信息，并且大型高频系数由一个阈值截断；
通过对适合的低频和高频信息求离散二维变换并取其倒数来获得光照归一化结果。

6.  如权利要求5所述的极端光照人脸识别的光照归一化方法，其特征在于：
低频信息处理：
第一步，建立感光层：低频子带A的处理方程式如下，

其中，maxA-是A的最大值，是A在点(x，y)的适应因子，ρ1是高斯滤波的标准差且Ap(x，y)是相应的输出；
第二步，建立外部网状层：Ap的处理如下，

其中，是Ap的最大值，是Ap在点(x，y)的适应因子，ρ2是高斯滤波的标准差且Ao(x，y)相应的输出。
第三步，边缘检测：采用空间带通滤波来模拟内部网状层信息处理，定义如下：

其中，ρL和ρH是两个高斯函数的相应标准差，Ae表示图像的边缘。

7.  如权利要求5所述的极端光照人脸识别的光照归一化方法，其特征在于：
高频信息处理：
令H表示DH、DV或DD，高频子带的截断处理如下：

t＝median(|H(x，y)|)              (10)
其中，median(·)用来返回行列式|H|的中值，通过截断处理，高频子带分为DH′，DV′，DD′。

说明书

说明书极端光照人脸识别的光照归一化方法
技术领域
本发明涉及光照归一化处理、视网膜模型的建立以及极端光照情况下的人脸识别技术。
背景技术
在过去许多年，人脸识别的研究已经取得了显著进展。然而，在不受控制的自然环境下，人脸识别的研究仍然面临许多挑战。在某种程度上，对于一个有效的人脸识别系统来说，光照变化始终是一个未解决的问题，它严重地降低了人脸识别系统的性能。
光照变化对人脸识别影响的问题，近年已经引起了研究人员的重视，并提出了多种方法。这些方法大致可归为3类：光照三维模型、光照不变量提取以及光照归一化方法。
光照三维模型是指通过三维模型对人脸图像进行拟合来消除光照影响。为了获取有效的三维模型，这类方法不仅需要充足的训练样本，而且要假设人脸图像是凸的结构，并且算法的复杂度较高，这些条件往往在实际应用中很难实现。
光照不变量提取是指提取与光照条件无关的特征，消除光照变化的影响。为解决这个问题，已经提出了许多方法，包括多尺度retinex(MSR)、对数全变差(LTV)和梯度脸等等。然而，这些方法不能完全地消除不同的光照效果，光晕现象依然存在。
光照归一化是指利用基本的图像处理技术对光照图像进行预处理，获取光照鲁棒的图像。该方法主要包括：对数变换、直方图均衡化、伽玛校正、自适应直方图均衡化以及局部直方图均衡化等。尽管此类方法能够从一定程度上消除光照变化对人脸识别的影响，但是在复杂光照情况下识别率很难令人满意。近来，受人类视觉系统的启发，许多方法已经用于图像处理和特征提取当中。Meylan等人提出了一种改进的Naka-Rushton方程式，并且在此方程式的基础上运用两种连续的非线性运算来模拟人类视觉系统，从而避免光晕，提高总体的外观。
随后，通过使用上述两种连续的非线性运算和高斯滤波器的差异，提出了一种基于视网膜模型的光照归一化方法。该方法在不同光照条件下的人脸识别中能够实现良好的性能。但是，目前仍亟需进一步消除光照变化对人脸识别的影响。
发明内容
为了解决上述方法在极端光照情况下人脸识别的效果不能令人满意的问题，本发明目的是从人类视网膜模型出发，提出更有效的光照归一化方法，以便提高极端光照情况下人脸识别的识别准确性。
为了达到上述目的本发明所采取的技术方案是：
一种极端光照人脸识别的光照归一化方法，
分析灵长类动物视网膜模型的功能层，查阅已有视网膜模型，为基于视网膜的光照归一化模型的建立提供参考；
利用Naka-Rushton方程式，为光照归一化模型的建立提供具体原理依据；
在计算Naka-Rushton方程式中的适应因子时，适应因子在考虑光照差异的情况下进行估算；
光照归一化处理部分将人脸图像分为低频和高频部分，进而分别采取不同的算法进行处理。
优选地，建立光照归一化模型：利用灵长类动物的视网膜模型，功能层包括感光器层、外部网状层OPL和内部网状层IPL，建立基于视网膜模型的光照归一化模型，包括两个连续的本地图像光照压缩和一个空间带通滤波。
优选地，Naka-Rushton方程式：通过在邻域上执行高斯滤波来计算每个像素，具体定义如下：
X0=X(p)*GH+X&OverBar;/2---(1)]]>
其中，p是图像中的像素，X0是在像素为p是的适应因子，X(p)是输入图像的强度，*表示卷积运算，GH是一个二维高斯滤波器，对应于X图像的像素强度的平均值。
优选地，估算适应因子：I表示原始图像，I表示原始图像，A表示I的低频子带，DH、DV和DD分别表示I的高频子带；
基于Otsu的光照分类在低频子带A上进行，假设t是由Otsu获得的阈值，A的光照条件可大约分为两类：
M1＝{A(x，y)|A(x，y)≥t}      (2)
M2＝{A(x，y)|A(x，y)＜t)      (3)
其中，A(x，y)表示A在点(x，y)的强度；
A的适应因子A0ρ定义如下：
A0ρ(x,y)=A(x,y)*Gρ+meanA&OverBar;/2---(4)]]>
meanA&OverBar;=MA1&OverBar;A(x,y)&Element;M1MA2&OverBar;A(x,y)&Element;M2---(5)]]>
其中，Gρ是高斯滤波，ρ是标准差，和分别是M1和M2的平均值。
优选地，针对人脸识别的光照归一化，建立人类视觉模型：
单级离散二维小波变换用来实现对人脸图像提取低频和高频信息；
通过模仿视网膜信息处理机制来处理低频信息，并且大型高频系数由一个阈值截断；
通过对适合的低频和高频信息求离散二维变换并取其倒数来获得光照归一化结果。
优选地，低频信息处理：
第一步，建立感光层：低频子带A的处理方程式如下，
Ap(x,y)=(maxA+A0ρ1(x,y))A(x,y)/(A(x,y)+A0ρ1(x,y))---(6)]]>
其中，maxA是A的最大值，是A在点(x，y)的适应因子，ρ1是高斯滤波的标准差且Ap(x，y)是相应的输出；
第二步，建立外部网状层：Ap的处理如下，
Ao(x,y)=(maxAp+A0ρ2p(x,y))Ap(x,y)/(Ap(x,y)+A0ρ2p(x,y))---(7)]]>
其中，是Ap的最大值，是Ap在点(x，y)的适应因子，ρ2是高斯滤波的标准差且Ao(x，y)相应的输出。
第三步，边缘检测：采用空间带通滤波来模拟内部网状层信息处理，定义如下：
Ae(x,y)=(exp(-(x2+y2)2ρL2)/2πρL2-exp(-(x2+y2)2ρH2)/2πρH2)*Ao---(8)]]>
其中，ρL和ρH是两个高斯函数的相应标准差，Ae表示图像的边缘。
优选地，高频信息处理：
令H表示DH、DV或DD，高频子带的截断处理如下：
H′(x,y)=tH(x,y)>tH(x,y)|H(x,y)|≤t-tH(x,y)<-t---(9)]]>
t＝median(|H(x，y)|)           (10)
其中，median(·)用来返回行列式|H|的中值，通过截断处理，高频子带分为DH′，DV′，DD′。
本发明的有益效果是：本发明一种极端光照人脸识别的光照归一化方法，通过模仿灵长类动物的视网膜模型，利用改进后的Naka-Rushton方程式建立基于视网膜的光照归一化模型，在计算Naka-Rushton方程式中的适应因子时，适应因子在考虑光照差异的情况下进行估算，考虑到光照条件的影响，实施例中着重对人脸图像中的低频和高频信息采用不同的算法进行处理，从而提高系统整体鲁棒性；并经过实验验证，该方法受训练集选择影响极小，具有很好的稳定性。
附图说明
图1是实施例对Yale B人脸库中一个人在不同光照条件下使用不同方法得到的比较结果对比图。
具体实施方式
下面结合附图详细说明本发明的优选实施例。
为提高极端光照条件下人脸识别的准确性，提出了一种新的人脸识别的光照归一化方法：通过模仿灵长类动物的视网膜模型，利用改进后的Naka-Rushton方程式建立基于视网膜的光照归一化模型，考虑到光照条件的影响，实施例中着重对人脸图像中的低频和高频信息采用不同的算法进行处理，从而提高系统整体鲁棒性。
实施例的核心技术在于适应因子的估算和光照归一化处理部分。首先分析灵长类动物视网膜模型的功能层，查阅已有视网膜模型，为基于视网膜的光照归一化模型的建立提供参考；利用改进的Naka-Rushton方程式，为光照归一化模型的建立提供具体原理依据；在计算Naka-Rushton方程式中的适应因子时，考虑到复杂光照条件下，一幅图像像素的平均值作为部分适应因子，却应用于整个像素域，这是不合适的。为获得准确的适应因子，适应因子必须是在考虑光照差异的情况下进行估算；光照归一化处理部分将人脸图像分为低频和高频部分，进而分别采取不同的算法进行处理。
实施例的详细步骤如下：
光照归一化模型：利用灵长类动物的视网膜模型，包括3个功能层：感光器层、外部网状层OPL和内部网状层IPL，建立基于视网膜模型的光照归一化模型，包括两个连续的本地图像光照压缩和一个空间带通滤波。
Naka-Rushton方程式：利用一种改进的Naka-Rushton方程式，主要通过在其邻域上执行高斯滤波来计算每个像素，具体定义如下：
X0=X(p)*GH+X&OverBar;/2---(1)]]>
其中，p是图像中的像素，X0是在像素为p是的适应因子，X(p)是输入图像的强度，*表示卷积运算，GH是一个二维高斯滤波器，对应于X图像的像素强度的平均值。
基于改进式的光照归一化可避免光晕现象，提高全局的外观。可是仍然存在缺陷。比如，对原始图像运用高斯滤波来估算本地光照强度常会对图像的边缘产生不准确的结果。特别是在复杂光照条件下，一幅图像的平均值作为部分适应因子，却应用于整个像素域，这是不合适的。在稍后的光照归一化处理中这些很可能会产生误差。因此，实施例中为获得准确的适应因子，主要是在图像的低频带通过二维小波变换完成光照归一化处理。此外，适应因子X0是在考虑光照差异的情况下进行估算的。
估算适应因子：I表示原始图像，A表示I的低频子带，DH、DV和DD分别表示I的高频子带。首先，基于Otsu的光照分类，采用各种不同的分类之间的最大差异，在低频子带A上进行。假设t是由Otsu获得的阈值，A的光照条件可大约分为两类：
M1＝{A(x，y)|A(x，y)≥t}      (2)
M2＝{A(x，y)|A(x，y)＜t)      (3)
其中，A(x，y)表示A在点(x，y)的强度。
A的适应因子A0ρ定义如下：
A0ρ(x,y)=A(x,y)*Gρ+meanA&OverBar;/2---(4)]]>
meanA&OverBar;=MA1&OverBar;A(x,y)&Element;M1MA2&OverBar;A(x,y)&Element;M2---(5)]]>
其中，Gρ是高斯滤波，ρ是标准差，和分别是M1和M2的平均值。
光照归一化：针对人脸识别的光照归一化，建立一种新的有效的人类视觉模型。首先，单级离散二维小波变换用来实现对人脸图像提取低频和高频信息。然后，考虑到光照条件，通过模仿视网膜信息处理机制来处理低频信息，并且大型高频系数由一个阈值截断。最后，通过对适合的低频和高频信息求离散二维变换并取其倒数来获得光照归一化结果。低频和高频信息的详细流程如下：
低频信息处理：
第一步，建立感光层：低频子带A的处理方程式如下，
Ap(x,y)=(maxA+A0ρ1(x,y))A(x,y)/(A(x,y)+A0ρ1(x,y))---(6)]]>
其中，maxA是A的最大值，是A在点(x，y)的适应因子，ρ1是高斯滤波的标准差且Ap(x，y)是相应的输出。
第二步，建立外部网状层：Ap的处理如下，
Ao(x,y)=(maxAp+A0ρ2p(x,y))Ap(x,y)/(Ap(x,y)+A0ρ2p(x,y))---(7)]]>
其中，是Ap的最大值，是Ap在点(x，y)的适应因子，ρ2是高斯滤波的标准差且Ao(x，y)相应的输出。
第三步，边缘检测：采用空间带通滤波来模拟内部网状层信息处理。定义如下：
Ae(x,y)=(exp(-(x2+y2)2ρL2)/2πρL2-exp(-(x2+y2)2ρH2)/2πρH2)*Ao---(8)]]>
其中ρL和ρH是两个高斯函数的相应标准差，Ae表示图像的边缘。
高频信息处理：
因为对不同光照条件下的人脸图像来说，高频子带的大量小波系数是不稳定的，用于人脸识别的高频信息在不处理的情况下会产生负面影响。因此，为提高高频信息的光照鲁棒性，对大的高频参数进行截断处理。
令H表示DH、DV或DD，高频子带的截断处理如下：
H′(x,y)=tH(x,y)>tH(x,y)|H(x,y)|≤t-tH(x,y)<-t---(9)]]>
t＝median(|H(x，y)|)              (10)
其中median(·)用来返回行列式|H|的中值，通过截断处理，高频子带分为DH′，DV′，DD′。
实验验证
为了验证本发明的有效性，选用拓展的Yale B光照人脸库。该库包括38个人物样本，九个姿态，64种不同的光照，共计21888幅图像。原始图像的尺寸为640×480，所有图像被人工裁剪，尽量仅包括脸部部分，并且图像大小被调整为192×168。在识别阶段，采用经典的PCA方法用于降低维度，实施例在实验中保留90%的能量，并使用基于欧式距离的最近邻分类器对人脸图像进行分类，再用小波函数db1来进行离散二维小波变换。
图1中，最顶行是一个人从子集一到子集五的原始图像；中间一行是采用Vu’s方法得到的效果图；最后一行是采用本发明得到的效果图。
表1从子集一中每人选择一幅随机图像用作训练集所达到的识别率（%）
方法子集一子集二子集三子集四子集五所有子集原始图像 2.63 2.78 3.06 4.13 3.33 3.25 LTV 92.06 80.22 92.18 85.99 91.46 88.50 梯度脸 99.47 98.36 89.15 77.71 90.25 90.04 Vu 96.05 90.15 95.65 90.84 94.11 93.26 实施例 97.75 96.00 96.33 95.24 95.22 95.86
为了评估实施例所提出方法的性能，进行了实验。从子集一中每人选择一幅随机图像用作训练集，并且其余用作测试集，由于上述训练集和测试集是随机的，进行了30次仿真并取他们的平均值，表1列出了不同方法的平均识别率。综上所述，表1中数据表明本发明实施例所用算法受训练集选择影响极小并且具有很好的稳定性。