本征图像分解方法、装置、设备及可读存储介质.pdf

《本征图像分解方法、装置、设备及可读存储介质.pdf》由会员分享，可在线阅读，更多相关《本征图像分解方法、装置、设备及可读存储介质.pdf（17页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201911256829.7 (22)申请日 2019.12.09 (71)申请人 佛山市熠瞳科技有限公司 地址 528000 广东省佛山市南海区狮山镇 南海软件科技园内佛高科技智库中心 B座314室 （住所申报） 申请人 深圳市三诚智创科技有限公司 (72)发明人 饶军龚文勇 (74)专利代理机构 深圳市恒程创新知识产权代 理有限公司 44542 代理人 苗广冬 (51)Int.Cl. G06K 9/00(2006.01) (54)发明名称 本征图像分解方法、 装置、 设备及可。

2、读存储 介质 (57)摘要 本发明公开了一种本征图像分解方法、 装 置、 设备及可读存储介质， 所述本征图像分解方 法给出了基于光照本征图像的低秩稀疏性质确 定的预设约束条件， 相较于现有的仅基于稀疏性 质所确定的约束条件， 能够更好地刻画本征图像 的性质， 将耦合的反射与光照目标分量分离得更 加完全； 运用交替方向乘子法对极小化目标函数 进行优化求解， 相较于现有的基于机器学习的本 征图像分解方法计算过程更加简单易行， 无需大 量的标注训练样本即可完成分解任务； 且基于交 替方向乘子法的求解过程为分布式计算过程， 实 现了实时计算的效果。 权利要求书2页 说明书12页 附图2页 CN 110。

3、929686 A 2020.03.27 CN 110929686 A 1.一种本征图像分解方法， 其特征在于， 所述本征图像分解方法包括： 获取预设约束条件与当前指定的原始图像所确定的极小化目标函数， 其中， 所述预设 约束条件根据光照本征图像的低秩稀疏性质确定； 基于交替方向乘子法与所述预设约束条件对所述极小化目标函数进行求解， 以获取所 述原始图像的本征图像分解结果。 2.如权利要求1所述的本征图像分解方法， 其特征在于， 所述基于交替方向乘子法与所 述预设约束条件对所述极小化目标函数进行求解， 以获取所述原始图像的本征图像分解结 果的步骤包括： 基于预设替换规则将所述极小化目标函数转化为。

4、所述极小化目标函数的增广拉格朗 日函数； 根据预设转化规则与所述增广拉格朗日函数生成所述增广拉格朗日函数中的目标变 量基于交替方向乘子算法的目标迭代格式； 将所述目标迭代格式进行初始化， 基于格式化后的目标迭代格式对所述目标变量进行 迭代计算； 在检测到满足预设收敛条件时， 将当前迭代轮数的目标变量值作为收敛目标变量值， 以获取所述收敛目标变量值中的所述本征图像分解结果。 3.如权利要求2所述的本征图像分解方法， 其特征在于， 所述根据预设转化规则与所述 增广拉格朗日函数生成所述增广拉格朗日函数中的目标变量基于交替方向乘子算法的目 标迭代格式的步骤包括： 基于所述增广拉格朗日函数生成所述目标变。

5、量的初始迭代格式； 根据预设收缩算子规则与奇异值分解规则将所述初始迭代格式转化为所述目标迭代 格式。 4.如权利要求2所述的本征图像分解方法， 其特征在于， 所述在检测到满足预设收敛条 件时， 将当前迭代轮数的目标变量值作为收敛目标变量值， 以获取所述收敛目标变量值中 的所述本征图像分解结果的步骤之前， 还包括： 获取迭代过程中所述目标变量中的光照目标分量的变化速率， 判断所述变化速率是否 小于预设阈值； 若所述变化速率小于预设阈值， 则判定满足预设收敛条件； 若所述变化速率不小于预设阈值， 则判定不满足预设收敛条件。 5.如权利要求1所述的本征图像分解方法， 其特征在于， 所述获取预设约束条。

6、件与当前 指定的原始图像所确定的极小化目标函数的步骤之前， 还包括： 接收用户发送的图像序列分解指令， 获取基于所述图像序列分解指令所确定的原始图 像中的图像数目与图像像素矩阵； 基于预设约束条件、 所述图像数目与图像像素矩阵确定所述极小化目标函数。 6.如权利要求1-5所述的本征图像分解方法， 其特征在于， 所述本征图像分解方法还包 括： 基于所述极小化目标函数中光照目标分量的核范数对所述极小化目标函数进行秩惩 罚。 7.如权利要求1所述的本征图像分解方法， 其特征在于， 所述基于交替方向乘子法与所 权利要求书 1/2 页 2 CN 110929686 A 2 述预设约束条件对所述极小化目标。

7、函数进行求解， 以获取所述原始图像的本征图像分解结 果的步骤之后， 还包括： 在所述原始图像为人脸图像时， 将所述本征图像分解结果中的光照本征图像作为人脸 特征图像； 基于预设图像识别算法对所述人脸特征图像进行人脸识别。 8.一种本征图像分解装置， 其特征在于， 所述本征图像分解装置包括： 目标函数确定模块， 用于获取预设约束条件与当前指定的原始图像所确定的极小化目 标函数， 其中， 所述预设约束条件根据光照本征图像的低秩稀疏性质确定； 分解结果获取模块， 用于基于交替方向乘子法与所述预设约束条件对所述极小化目标 函数进行求解， 以获取所述原始图像的本征图像分解结果。 9.一种本征图像分解设备。

8、， 其特征在于， 所述本征图像分解设备包括： 存储器、 处理器 及存储在所述存储器上并可在所述处理器上运行的本征图像分解程序， 所述本征图像分解 程序被所述处理器执行时实现如权利要求1至7中任一项所述的本征图像分解方法的步骤。 10.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质上存储有本征图 像分解程序， 所述本征图像分解程序被处理器执行时实现如权利要求1至7中任一项所述的 本征图像分解方法的步骤。 权利要求书 2/2 页 3 CN 110929686 A 3 本征图像分解方法、 装置、 设备及可读存储介质 技术领域 0001 本发明涉及图像处理技术领域， 尤其涉及一种本征图。

9、像分解方法、 装置、 设备及可 读存储介质。 背景技术 0002 本征图像， 是指将一幅图像分解而成的照射图和反射图。 其中， 照射图是反应原图 像光照情况的图像； 而反射图是指在变化的光照条件下能够维持不变的图像部分， 是原图 像去掉高光后的图像。 现有的本征图像分解方法主要分为两大类， 一类为基于约束优化的 本征图像分解方法， 此类方法的假设具有局限性， 仅在特定情况下有效， 而无法得到在普遍 情况下的分离性高的本征图像分解结果； 另一类为基于机器学习的本征图像分解方法， 此 类方法又受数据集标注困难的限制， 往往难以获取到大量的有密集标注的图像数据集， 同 样难以得出分离性高的本征图像分。

10、解结果。 由于上述的种种问题， 通过现有的两大类本征 图像分解方法均无法得到分离完全的本征图像， 从而导致了现有的本征图像分解方法对本 征图像分解不完全的技术问题。 0003 上述内容仅用于辅助理解本发明的技术方案， 并不代表承认上述内容是现有技 术。 发明内容 0004 本发明的主要目的在于提供一种本征图像分解方法， 旨在解决现有的本征图像分 解方法对本征图像分解不完全的技术问题。 0005 为实现上述目的， 本发明提供一种本征图像分解方法， 所述本征图像分解方法应 用于本征图像分解设备， 所述本征图像分解方法包括以下步骤： 0006 获取预设约束条件与当前指定的原始图像所确定的极小化目标函。

11、数， 其中， 所述 预设约束条件根据光照本征图像的低秩稀疏性质确定； 0007 基于交替方向乘子法与所述预设约束条件对所述极小化目标函数进行求解， 以获 取所述原始图像的本征图像分解结果。 0008 可选地， 所述基于交替方向乘子法与所述预设约束条件对所述极小化目标函数进 行求解， 以获取所述原始图像的本征图像分解结果的步骤包括： 0009 基于预设替换规则将所述极小化目标函数转化为所述极小化目标函数的增广拉 格朗日函数； 0010 根据预设转化规则与所述增广拉格朗日函数生成所述增广拉格朗日函数中的目 标变量基于交替方向乘子算法的目标迭代格式； 0011 将所述目标迭代格式进行初始化， 基于格。

12、式化后的目标迭代格式对所述目标变量 进行迭代计算； 0012 在检测到满足预设收敛条件时， 将当前迭代轮数的目标变量值作为收敛目标变量 值， 以获取所述收敛目标变量值中的所述本征图像分解结果。 说明书 1/12 页 4 CN 110929686 A 4 0013 可选地， 所述根据预设转化规则与所述增广拉格朗日函数生成所述增广拉格朗日 函数中的目标变量基于交替方向乘子算法的目标迭代格式的步骤包括： 0014 基于所述增广拉格朗日函数生成所述目标变量的初始迭代格式； 0015 根据预设收缩算子规则与奇异值分解规则将所述初始迭代格式转化为所述目标 迭代格式。 0016 可选地， 所述在检测到满足预。

13、设收敛条件时， 将当前迭代轮数的目标变量值作为 收敛目标变量值， 以获取所述收敛目标变量值中的所述本征图像分解结果的步骤之前， 还 包括： 0017 获取迭代过程中所述目标变量中的光照目标分量的变化速率， 判断所述变化速率 是否小于预设阈值； 0018 若所述变化速率小于预设阈值， 则判定满足预设收敛条件； 0019 若所述变化速率不小于预设阈值， 则判定不满足预设收敛条件。 0020 可选地， 所述获取预设约束条件与当前指定的原始图像所确定的极小化目标函数 的步骤之前， 还包括： 0021 接收用户发送的图像序列分解指令， 获取基于所述图像序列分解指令所确定的原 始图像中的图像数目与图像像素。

14、矩阵； 0022 基于预设约束条件、 所述图像数目与图像像素矩阵确定所述极小化目标函数。 0023 可选地， 所述本征图像分解方法还包括： 0024 基于所述极小化目标函数中光照目标分量的核范数对所述极小化目标函数进行 秩惩罚。 0025 可选地， 所述基于交替方向乘子法与所述预设约束条件对所述极小化目标函数进 行求解， 以获取所述原始图像的本征图像分解结果的步骤之后， 还包括： 0026 在所述原始图像为人脸图像时， 将所述本征图像分解结果中的光照本征图像作为 人脸特征图像； 0027 基于预设图像识别算法对所述人脸特征图像进行人脸识别。 0028 此外， 为实现上述目的， 本发明还提供一种。

15、本征图像分解装置， 所述一种本征图像 分解装置包括： 0029 目标函数确定模块， 用于获取预设约束条件与当前指定的原始图像所确定的极小 化目标函数， 其中， 所述预设约束条件根据光照本征图像的低秩稀疏性质确定； 0030 分解结果获取模块， 用于基于交替方向乘子法与所述预设约束条件对所述极小化 目标函数进行求解， 以获取所述原始图像的本征图像分解结果。 0031 此外， 为实现上述目的， 本发明还提供一种本征图像分解设备， 所述本征图像分解 设备包括： 存储器、 处理器及存储在所述存储器上并可在所述处理器上运行的本征图像分 解程序， 所述本征图像分解程序被所述处理器执行时实现如上述的本征图像。

16、分解方法的步 骤。 0032 此外， 为实现上述目的， 本发明还提供一种计算机可读存储介质， 所述计算机可读 存储介质上存储有本征图像分解程序， 所述本征图像分解程序被处理器执行时实现如上述 的本征图像分解方法的步骤。 0033 本发明提供一种本征图像分解方法、 装置、 设备及计算机可读存储介质。 所述本征 说明书 2/12 页 5 CN 110929686 A 5 图像分解方法通过获取预设约束条件与当前指定的原始图像所确定的极小化目标函数， 其 中， 所述预设约束条件根据光照本征图像的低秩稀疏性质确定； 基于交替方向乘子法与所 述预设约束条件对所述极小化目标函数进行求解， 以获取所述原始图像。

17、的本征图像分解结 果。 通过上述方法， 本发明给出了基于光照本征图像的低秩稀疏性质确定的预设约束条件， 相较于现有的仅基于稀疏性质所确定的约束条件， 能够更好地刻画本征图像的性质， 将耦 合的反射与光照目标分量分离得更加完全； 运用交替方向乘子法对极小化目标函数进行优 化求解， 相较于现有的基于机器学习的本征图像分解方法计算过程更加简单易行， 无需大 量的标注训练样本即可完成分解任务； 且基于交替方向乘子法的求解过程为分布式计算过 程， 实现了实时计算的效果， 从而解决现有的本征图像分解方法对本征图像分解不完全的 技术问题。 附图说明 0034 图1是本发明实施例方案涉及的硬件运行环境的设备结。

18、构示意图； 0035 图2为本发明本征图像分解方法第一实施例的流程示意图； 0036 图3为本发明本征图像分解方法第二实施例的流程示意图。 0037 本发明目的的实现、 功能特点及优点将结合实施例， 参照附图做进一步说明。 具体实施方式 0038 应当理解， 此处所描述的具体实施例仅仅用以解释本发明， 并不用于限定本发明。 0039 如图1所示， 图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图。 0040 本发明实施例终端可以是PC， 也可以是智能手机、 平板电脑、 电子书阅读器、 MP3 (Moving Picture Experts Group Audio Layer III， 。

19、动态影像专家压缩标准音频层面3) 播放器、 MP4(Moving Picture Experts Group Audio Layer IV， 动态影像专家压缩标准音 频层面3)播放器、 便携计算机等具有显示功能的可移动式终端设备。 0041 如图1所示， 该终端可以包括： 处理器1001， 例如CPU， 通信总线1002， 用户接口 1003， 网络接口1004， 存储器1005。 其中， 通信总线1002用于实现这些组件之间的连接通信。 用户接口1003可以包括显示屏(Display)、 输入单元比如键盘(Keyboard)， 可选的用户接口 1003还可以包括标准的有线接口、 无线接口。 。

20、网络接口1004可选的可以包括标准的有线接 口、 无线接口(如WI-FI接口)。 存储器1005可以是高速RAM存储器， 也可以是稳定的存储器 (non-volatile memory)， 例如磁盘存储器。 存储器1005可选的还可以是独立于前述处理器 1001的存储设备。 0042 可选地， 终端还可以包括摄像头、 RF(Radio Frequency， 射频)电路， 传感器、 音频 电路、 WiFi模块等等。 其中， 传感器比如光传感器、 运动传感器以及其他传感器。 具体地， 光 传感器可包括环境光传感器及接近传感器， 其中， 环境光传感器可根据环境光线的明暗来 调节显示屏的亮度， 接近传。

21、感器可在移动终端移动到耳边时， 关闭显示屏和/或背光。 作为 运动传感器的一种， 重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小， 静 止时可检测出重力的大小及方向， 可用于识别移动终端姿态的应用(比如横竖屏切换、 相关 游戏、 磁力计姿态校准)、 振动识别相关功能(比如计步器、 敲击)等； 当然， 移动终端还可配 置陀螺仪、 气压计、 湿度计、 温度计、 红外线传感器等其他传感器， 在此不再赘述。 说明书 3/12 页 6 CN 110929686 A 6 0043 本领域技术人员可以理解， 图1中示出的终端结构并不构成对终端的限定， 可以包 括比图示更多或更少的部件， 或者组合。

22、某些部件， 或者不同的部件布置。 0044 如图1所示， 作为一种计算机存储介质的存储器1005中可以包括操作系统、 网络通 信模块、 用户接口模块以及本征图像分解程序。 0045 在图1所示的终端中， 网络接口1004主要用于连接后台服务器， 与后台服务器进行 数据通信； 用户接口1003主要用于连接客户端(用户端)， 与客户端进行数据通信； 而处理器 1001可以用于调用存储器1005中存储的本征图像分解程序， 并执行以下操作： 0046 获取预设约束条件与当前指定的原始图像所确定的极小化目标函数， 其中， 所述 预设约束条件根据光照本征图像的低秩稀疏性质确定； 0047 基于交替方向乘子。

23、法与所述预设约束条件对所述极小化目标函数进行求解， 以获 取所述原始图像的本征图像分解结果。 0048 进一步地， 处理器1001可以调用存储器1005中存储的本征图像分解程序， 还执行 以下操作： 0049 基于预设替换规则将所述极小化目标函数转化为所述极小化目标函数的增广拉 格朗日函数； 0050 根据预设转化规则与所述增广拉格朗日函数生成所述增广拉格朗日函数中的目 标变量基于交替方向乘子算法的目标迭代格式； 0051 将所述目标迭代格式进行初始化， 基于格式化后的目标迭代格式对所述目标变量 进行迭代计算； 0052 在检测到满足预设收敛条件时， 将当前迭代轮数的目标变量值作为收敛目标变量。

24、 值， 以获取所述收敛目标变量值中的所述本征图像分解结果。 0053 进一步地， 处理器1001可以调用存储器1005中存储的本征图像分解程序， 还执行 以下操作： 0054 基于所述增广拉格朗日函数生成所述目标变量的初始迭代格式； 0055 根据预设收缩算子规则与奇异值分解规则将所述初始迭代格式转化为所述目标 迭代格式。 0056 进一步地， 处理器1001可以调用存储器1005中存储的本征图像分解程序， 还执行 以下操作： 0057 获取迭代过程中所述目标变量中的光照目标分量的变化速率， 判断所述变化速率 是否小于预设阈值； 0058 若所述变化速率小于预设阈值， 则判定满足预设收敛条件；。

25、 0059 若所述变化速率不小于预设阈值， 则判定不满足预设收敛条件。 0060 进一步地， 处理器1001可以调用存储器1005中存储的本征图像分解程序， 还执行 以下操作： 0061 接收用户发送的图像序列分解指令， 获取基于所述图像序列分解指令所确定的原 始图像中的图像数目与图像像素矩阵； 0062 基于预设约束条件、 所述图像数目与图像像素矩阵确定所述极小化目标函数。 0063 进一步地， 处理器1001可以调用存储器1005中存储的本征图像分解程序， 还执行 以下操作： 说明书 4/12 页 7 CN 110929686 A 7 0064 基于所述极小化目标函数中光照目标分量的核范数。

26、对所述极小化目标函数进行 秩惩罚。 0065 进一步地， 处理器1001可以调用存储器1005中存储的本征图像分解程序， 还执行 以下操作： 0066 在所述原始图像为人脸图像时， 将所述本征图像分解结果中的光照本征图像作为 人脸特征图像； 0067 基于预设图像识别算法对所述人脸特征图像进行人脸识别。 0068 基于上述硬件结构， 提出本发明本征图像分解方法的各个实施例。 0069 参照图2， 图2为本征图像分解方法第一实施例的流程示意图。 0070 本发明第一实施例提供一种本征图像分解方法， 所述本征图像分解方法包括以下 步骤： 0071 本征图像， 是指将一幅图像分解而成的照射图和反射图。

27、。 其中， 照射图是反应原图 像光照情况的图像； 而反射图是指在变化的光照条件下能够维持不变的图像部分， 是原图 像去掉高光后的图像。 0072 本征分解假设物体都是理想散射的， 并且以Retinex理论为基础的。 单张本征图像 分解将一张图片I分解为： IRL， 即图片的反射率本征图R以及图片的光照图L的的点乘。 其 中反射率本征图R仅仅与物体材质、 颜色有关， 而与周围环境无关的物体本征反射性； 光照 环境与物体几何结构相互作用后的形成亮度本征图L。 简单来说， 反射率本征图R和光照本 征图L分别反映了物体本身的颜色和光照这两个相互独立的信息。 为了方便计算， 一般我们 对式IRL两边同时。

28、取对数， 将乘法化为加法， 即： fu+v， 其中flog(I)， ulog(R)， v log(L)。 通常只要能够计算出u， v可通过f-u计算得到。 而式fu+v是一个病态问题， 即我们 仅仅知道f， 但是要计算出u和v， 未知量的个数是已知量数目的两倍。 对于病态问题， 通常的 做法是增加适当的约束或先验知识已解决此类问题。 现有的本征图像分解方法主要分为两 大类， 一类为基于约束优化的本征图像分解方法， 此类方法的假设具有局限性， 仅在特定情 况下有效， 而无法得到在普遍情况下的分离性高的本征图像分解结果； 另一类为基于机器 学习的本征图像分解方法， 此类方法又受数据集标注困难的限制。

29、， 往往难以获取到大量的 有密集标注的图像数据集， 同样难以得出分离性高的本征图像分解结果。 由于上述的种种 问题， 通过现有的两大类本征图像分解方法均无法得到分离完全的本征图像， 从而导致了 现有的本征图像分解方法对本征图像分解不完全的技术问题。 0073 在本实施例中， 为解决上述问题， 本发明提供一种本征图像分解方法， 即给出了基 于光照本征图像的低秩稀疏性质确定的预设约束条件， 相较于现有的仅基于稀疏性质所确 定的约束条件， 能够更好地刻画本征图像的性质， 将耦合的反射与光照目标分量分离得更 加完全； 运用交替方向乘子法对极小化目标函数进行优化求解， 相较于现有的基于机器学 习的本征图。

30、像分解方法计算过程更加简单易行， 无需大量的标注训练样本即可完成分解任 务； 且基于交替方向乘子法的求解过程为分布式计算过程， 实现了实时计算的效果， 从而解 决现有的本征图像分解方法对本征图像分解不完全的技术问题。 所述本征图像分解方法应 用于终端。 0074 步骤S10， 获取预设约束条件与当前指定的原始图像所确定的极小化目标函数， 其 中， 所述预设约束条件根据光照本征图像的低秩稀疏性质确定； 说明书 5/12 页 8 CN 110929686 A 8 0075 其中， 预设约束条件为预先根据光照本征图像所具有的稀疏性与低秩性而确定的 针对本方案的特定约束条件。 原始图像为关于同一物体同。

31、一视角不同光照条件下拍摄多张 图像， 本实施例对上述原始图像的数量不做限制。 0076 在本实施例中， 终端可通过接受用户当前导入或是根据预设程序自动获取的当前 需要进行本征图像分解的原始图像。 且上述原始图像的数量根据具体情况而定， 通常为一 组包含有多张图像的图像序列， 本实施例对上述原始图像的数量不做限制。 终端根据预设 的体现低秩性与稀疏性的特定约束条件以及当前待分解的原始图像确定出待求解的极小 化目标函数。 0077 具体地， 设定当前有一组包含有n张已经对齐良好的图像序列所对应的像素矩阵 Ii(i1,2,.,n)， 光照目标分量设为U， 反射目标分量设为V。 这组图像序列都来自于同。

32、一 个场景， 故这组图像序列中的n张图像的反射目标分量V相同， 可设Vv,v,.,v； 而这n 张图像的光照不相同。 故它们的反射目标分量U不相同， 可设Uu1,u2,.,un。 在对数意 义下， 令vui-fi， f是Mn的矩阵， 其中M表示每张图片具有M个像素。 其中filog(Ii)。 f f1,f2,.,fn， 则基于上述设定与预设的体现出低秩稀疏特性的约束条件而确定的极 小化目标函数为： 0078 0079其中，D为梯度算子离散格式的前向差分矩阵， 有 其中是克罗内克乘积， ， 且有 0080 0081而E定义为 0082 步骤S20， 基于交替方向乘子法与所述预设约束条件对所述极小。

33、化目标函数进行 求解， 以获取所述原始图像的本征图像分解结果。 0083 在本实施例中， 终端基于交替方向乘子法(ADMM， Alternating Direction Method of Multipliers)与预设的基于低秩性与稀疏性的约束条件对上述极小化目标函数进行分 布式迭代计算求解。 需要说明的是， 因ui和v是由变量分离得出， 因此解决上述极小化目标 函数的极小化约束优化问题可用ADMM解决。 具体地， 可将(1)式也即是上述极小化目标函数 转换为其对应的增广拉格朗日函数， 再基于ADMM对得到的增广拉格朗日函数中的各项目标 变量进行分布式迭代求解， 以得到判断收敛时的目标变量中。

34、U与V的值， 此时的U与V也即为 说明书 6/12 页 9 CN 110929686 A 9 上述原始图像序列的本征图像分解结果。 0084 本发明提供一种本征图像分解方法。 所述本征图像分解方法通过获取预设约束条 件与当前指定的原始图像所确定的极小化目标函数， 其中， 所述预设约束条件根据光照本 征图像的低秩稀疏性质确定； 基于交替方向乘子法与所述预设约束条件对所述极小化目标 函数进行求解， 以获取所述原始图像的本征图像分解结果。 通过上述方法， 本发明给出了基 于光照本征图像的低秩稀疏性质确定的预设约束条件， 相较于现有的仅基于稀疏性质所确 定的约束条件， 能够更好地刻画本征图像的性质， 。

35、将耦合的反射与光照目标分量分离得更 加完全； 运用交替方向乘子法对极小化目标函数进行优化求解， 相较于现有的基于机器学 习的本征图像分解方法计算过程更加简单易行， 无需大量的标注训练样本即可完成分解任 务； 且基于交替方向乘子法的求解过程为分布式计算过程， 实现了实时计算的效果， 从而解 决现有的本征图像分解方法对本征图像分解不完全的技术问题。 0085 参照图3， 图3为本发明本征图像分解方法第二实施例的流程示意图。 0086 基于上述图2所示的第一实施例， 在本实施例中， 步骤S20包括： 0087 步骤S21， 基于预设替换规则将所述极小化目标函数转化为所述极小化目标函数 的增广拉格朗日。

36、函数； 0088 其中， 预设替换规则为生成上述极小化目标函数的增广拉格朗日函数所需的替换 变量的生成规则。 0089 在本实施例中， 为便于计算， 可基于预设替换规则确定构成上述极小化目标函数 所对应的增广拉格朗日函数的替换变量， 再生成包含有光照目标分量、 反射目标分量与替 换变量的对应的增广拉格朗日函数。 具体地， 基于预设替换规则， 令WDU， AU， 其中W与A 即为替换变量。 第一实施例中的(1)式所对应的增广拉格朗日函数即为 0090 0091 其中y1， y2和y3是拉格朗日乘子。 0092 步骤S12， 根据预设转化规则与所述增广拉格朗日函数生成所述增广拉格朗日函 数中的目标。

37、变量基于交替方向乘子算法的目标迭代格式； 0093 其中， 目标变量至少包括光照目标分量U、 反射目标分量V、 替换变量W、 A。 预设转化 规则为将目标变量的隐式迭代格式转化为显式迭代格式的规则。 0094 在本实施例中， 根据ADMM优化算法原理， 求得将上述极小化目标函数对应增广拉 格朗日函数中各目标变量的隐式迭代格式， 并为便于后续进行迭代计算， 基于预设转化规 则， 将各目标变量的隐式迭代格式转化为显式迭代格式。 具体地， 根据步骤S21的实施例中 的(2)式可得出替换变量W、 A， 光照目标分量U、 反射目标分量V的隐式迭代格式如下： 0095 说明书 7/12 页 10 CN 1。

38、10929686 A 10 0096 0097 0098 0099 其中， c1， c2和c3为预设指定参数， 本实施例对此不作具体限定。 根据收缩算子的 定义变换W与V的隐式迭代格式， 对替换变量A执行奇异值分解， 可得出W， A， V各自的显式迭 代格式如下： 0100 0101 0102 0103其中表示的第i列。 0104 步骤S13， 将所述目标迭代格式进行初始化， 基于格式化后的目标迭代格式对所述 目标变量进行迭代计算； 0105 在本实施例中， 根据预设初始值对转化后的显示迭代格式进行初始化， 以便根据 格式化后的目标变量进行迭代计算。 具体地， 将(2)式中的拉格朗日乘子y1，。

39、 y2， y3的初始值 设为反射目标分量V的初始值设为替换变量W的初始值设为0。 并设uiv+fi。 基于上述初始值对对应的变量进行初始化。 0106 步骤S14， 在检测到满足预设收敛条件时， 将当前迭代轮数的目标变量值作为收敛 目标变量值， 以获取所述收敛目标变量值中的所述本征图像分解结果。 0107 其中， 预设收敛条件为反射目标分量的变化速率低于预设阈值或是当前迭代次数 达到预设最大迭代次数。 0108 在本实施例中， 终端在检测到当前迭代计算满足预设收敛条件时， 停止当前的迭 代计算， 并获取在当前迭代轮数所得的光照目标分量U与反射目标分量V。 此时光照目标分 量U的值与反射目标分量。

40、V的值即为当前原始图像分解任务的分解结果。 也即是此时光照目 标分量U的值为原始图像的光照本征图像， 此时光照目标分量U的值为原始图像的反射本征 图像。 0109 进一步地， 图中未示的， 在本实施例中， 步骤S22包括： 0110 步骤a， 基于所述增广拉格朗日函数生成所述目标变量的初始迭代格式； 0111 其中， 上述初始迭代格式即为隐式迭代格式。 0112 在本实施例中， 根据步骤S21的实施例中的(2)式可得出替换变量W、 A， 光照目标分 说明书 8/12 页 11 CN 110929686 A 11 量U、 反射目标分量V的隐式迭代格式如下： 0113 0114 0115 0116。

41、 0117 其中， c1， c2和c3为预设指定参数， 本实施例对此不作具体限定。 另外， 直接出拉格 朗日算子y1， y2， y3的迭代格式如下： 0118 0119 0120 0121 步骤b， 根据预设收缩算子规则与奇异值分解规则将所述初始迭代格式转化为所 述目标迭代格式。 0122 在本实施例中， 对于替换变量W与反射光照分量V的隐式迭代格式， 根据收缩算子 的定义， 对于1,2， ， M， 则有 0123 0124 0125其中，故可将替换变量W与反射光照分量V的显式迭代 格式写为： 0126 0127 0128 且由于替换变量A涉及到核范数， 则需对A的隐式迭代格式执行奇异值分解(。

42、SVD， Singular Value Decomposition)。 基于SVD中的替换变量A的显迭 说明书 9/12 页 12 CN 110929686 A 12 代格式可写为： 0129 0130 进一步地， 图中未示的， 步骤S24包括： 0131 步骤c， 获取迭代过程中所述目标变量中的光照目标分量的变化速率， 判断所述变 化速率是否小于预设阈值； 0132 其中， 预设阈值为界定迭代计算过程中光照目标分量的变化速率的数值， 该阈值 可根据实际情况灵活设置， 本实施例对此不做限定。 0133 在本实施例中， 终端在每一轮迭代计算中， 均会获取各轮迭代计算中的光照目标 分量V的值， 计。

43、算每两轮迭代过程中V的变化速率， 并将其与预设的变化速率阈值进行比较。 另外， 对于本发明中的迭代过程的收敛条件还可为预设最大迭代次数。 例如， 可预设最大迭 代次数为500次， 若当前的光照目标分量V的变化速率不小于预设阈值， 但终端检测到当前 迭代次数为500次， 则判定当前已达到预设收敛条件， 停止迭代计算。 0134 步骤d， 若所述变化速率小于预设阈值， 则判定满足预设收敛条件； 0135 在本实施例中， 若终端检测到当前迭代轮数的光照目标分量U的变化速率小于预 设阈值， 则可判定当前基于ADMM优化算法进行分布式迭代计算的增广拉格朗日函数达到收 敛。 0136 步骤e， 若所述变化。

44、速率不小于预设阈值， 则判定不满足预设收敛条件。 0137 在本实施例中， 若终端检测到当前迭代轮数的光照目标分量U的变化速率大于或 等于预设阈值， 则可判定当前基于ADMM优化算法进行分布式迭代计算的增广拉格朗日函数 未达到收敛， 继续进行迭代计算， 直至检测到满足于预设收敛条件时， 停止迭代计算。 0138 本发明提供一种本征图像分解方法。 所述本征图像分解方法进一步通过预设收缩 算子与奇异值分解规则作为预设替换规则将极小化目标函数转换为与其对应的增广拉格 朗日函数， 为后续基于ADMM进行迭代计算提供了前提条件； 通过对增广拉格朗日函数中各 目标分量分别进行迭代计算， 并在函数收敛时获取。

45、原始图像分解结果， 无需运用机器学习 算法即可完成分布式计算， 计算过程简单易行， 减轻了终端的计算负担； 通过比较迭代计算 过程中光照分量的变化速率与预设阈值的大小关系， 使得判敛过程简单易行， 提高了本发 明的实用性。 0139 图中未示的， 基于上述图2所示的第一实施例， 提出本发明本征图像分解方法第三 实施例。 在本实施例中， 步骤S10之前， 还包括： 0140 步骤f， 接收用户发送的图像序列分解指令， 获取基于所述图像序列分解指令所确 定的原始图像中的图像数目与图像像素矩阵； 0141 本实施例中， 用户选定当前需要进行本征图像分解的原始图像序列， 点击终端当 前显示的用于创建本。

46、征图像分解任务的按键。 终端接收到用户当前发送的这一图像序列分 解指令， 创建一个图像序列分解任务， 获取该图像序列分解指令中的原始图像序列的图像 数目， 并将序列中各图像以像素矩阵的形式保存。 0142 步骤g， 基于预设约束条件、 所述图像数目与图像像素矩阵确定所述极小化目标函 数。 0143 在本实施例中， 终端根据由光照本征图像的低秩稀疏特性所确定的预设约束条 说明书 10/12 页 13 CN 110929686 A 13 件， 当前本征图像分解任务中待分解的图像序列中的图像数目以及每一图像的像素矩阵确 定出用于求得图像序列对应的本征图像分解结果的极小化目标函数。 0144 进一步地。

47、， 在本实施例中， 本发明本征图像分解方法还包括： 0145 步骤h， 基于所述极小化目标函数中光照目标分量的核范数对所述极小化目标函 数进行秩惩罚。 0146 在本实施例中， 上述极小化目标函数为(1)式所示。 其中第三项的|U|*表示光照目 标分量U的核范数， 此项用于所(1)式所表示的极小化目标函数进行秩惩罚， 以体现低秩性。 0147 进一步地， 在本实施例中， 步骤S20之后， 还包括： 0148 步骤i， 在所述原始图像为人脸图像时， 将所述本征图像分解结果中的光照本征图 像作为人脸特征图像； 0149 在本实施例中， 当前本征图像分解任务中的原始图像为人脸在同一时间不同光照 条件。

48、下的多张图像。 终端对其根据上述步骤进行本征图像分解， 得到对应的光照本征图像 与反射本征图像， 并将光照本征图像作为人脸特征图像。 0150 步骤j， 基于预设图像识别算法对所述人脸特征图像进行人脸识别。 0151 其中， 预设图像识别算法为可用于人脸图像识别的算法， 可为支持向量机(SVM, Support Vector Machine)， K最近邻(kNN， k-NearestNeighbor)分类算法等。 0152 在本实施例中， 终端基于预设图像识别算法对上述人脸特征图像进行人脸识别， 能够得到更精准的识别效果。 另外， 通过本发明所得到的本征图像分解结果还可用于图像 重彩色化， 人。

49、脸图像的光照迁移等方向， 使其得到较之现有技术更好的效果。 0153 本发明提供一种本征图像分解方法。 所述本征图像分解方法进一步通过获取用户 发送的图像序列分解指令中的图像数目与图像像素矩阵， 使得可根据用户的简单操作确定 出进行本征图像分解所需的极小化目标函数； 通过在极小化目标函数中设置光照目标分量 的核范数， 实现对极小化目标函数进行秩惩罚， 体现出了低秩性， 使得原始图像的光照目标 分量与反射目标分量分离得更加彻底； 通过在本发明的基础上进行人脸识别， 能够获得准 确度更高的识别结果。 0154 本发明还提供一种本征图像分解装置。 0155 所述本征图像分解装置包括： 0156 目标。

50、函数确定模块， 用于获取预设约束条件与当前指定的原始图像所确定的极小 化目标函数， 其中， 所述预设约束条件根据光照本征图像的低秩稀疏性质确定； 0157 分解结果获取模块， 用于基于交替方向乘子法与所述预设约束条件对所述极小化 目标函数进行求解， 以获取所述原始图像的本征图像分解结果。 0158 本发明还提供一种本征图像分解设备。 0159 所述本征图像分解设备包括处理器、 存储器及存储在所述存储器上并可在所述处 理器上运行的本征图像分解程序， 其中所述本征图像分解程序被所述处理器执行时， 实现 如上所述的本征图像分解方法的步骤。 0160 其中， 所述本征图像分解程序被执行时所实现的方法可。