复杂光照下的自适应人脸图像增强

提出了一种自适应的快速图像增强算法用于改善复杂光照下的人脸检测。算法对人脸图像的增强分为两步:动态范围压缩和细节增强。算法首先利用对数变换和非线性变换,增强图像阴暗区域的信息,同时对高光区域进行有效地抑制,然后利用反锐化掩模滤波对图像的细节进行增强。将各种增强算法应用于图像的预处理,结合Adaboost人脸检测算法,在Yale B人脸数据库上进行对比实验。实验结果表明,自适应快速图像增强算法能有效提高人脸检测率和降低误检率,具有比直方图均衡算法、单尺度Retinex算法和多尺度Retinex算法更好的性能。     

多方法结合的人脸图像光照补偿算法

将基于Retinex理论的光照补偿算法分别与直方图均衡化、gamma灰度变换两种常见的、简单的预处理算法结合,得到两种新的光照补偿预处理算法。从实验结果看,结合算法明显改善了Retinex理论光照补偿算法对侧光纠正不均匀的现象,可大幅度提高复杂光照环境下的人脸识别率。同时,由于是两种简单预处理算法的结合,保证了预处理效率。     

一种人脸图像光照补偿的新方法

光照的变化容易引起人脸识别率急剧下降,针对这一难题,提出一种新的光照补偿的方法.首先通过构造原人脸图的二值图,确定出原图所属的光源方向.在除正面光源外的每个光源方向上构造出通用的平均亮度差值来进行光照补偿.结合去掉三个特征值最大的PCA特征向量的方法进行识别.实验表明,这种方法能够显著提高光照变化条件下的人脸识别率,特别是对于光照条件大范围变化的情况,也可以得到比较高的正确识别率.     

一种人脸识别中的光照补偿方法

为了消除光照变化对人脸识别率的影响,提出了一种新的基于双边滤波器的Retinex方法,该方法用双边滤波器来估计光照,并应用Retinex理论来获得光照无关的人脸反射图像.仿真实验表明了这种方法能有效消除人脸中的光照影响.     

非线性复合邻域人脸光照补偿

变化的光照是提高人脸正确检测率的瓶颈,提出了非线性复合邻域光照补偿方法来解决人脸检测的光照问题。非线性复合邻域光照补偿方法用对数函数做为基函数,设置的平移系数和分界值系数可以同时对过亮和偏光的图像进行补偿,引入了邻域光照补偿公式解决了传统非线性方法不能针对同一灰度值像素在不同局部应该进行不同补偿的问题。实验结果表明,该方法对过暗和过亮的人脸图像都可以进行有效的光照补偿,熵比较优于传统非线性光照补偿、Gamma校正和直方图归一化。     

基于几何模型的单幅人脸图像光照补偿方法

为减少光照对人脸识别的影响,本文提出了一种以补偿角度和（Sum of Compensated Angle）为不变量的光照补偿新方法. 首先,补偿角度和是临界补偿状态下两幅图像的光照角度之和. 对某单光源系统,该不变量仅由光照系统决定且为定值. 其次,根据人类头骨在法兰克福截面的形状特性,我们提出了包含人头骨结构的几何人脸光照模型. 据此模型,补偿角度由不变量和待补偿图像的光照角度计算得出,从而将光照补偿转化为简单加法操作. 最后,在Yale B人脸数据库上的补偿结果表明了算法的有效性. 较Sang-Ⅱ Choi的方法显著地提高了大角度下的补偿效果,且在水平和竖直方向上更加鲁棒.     

基于复合变换的人脸光照补偿方案

分析了非线性变换对图像产生的影响,提出一种复合变换补偿的方法.该方法产生的变换曲线两端起伏剧烈而中间平缓,有效地扩充了中间正常光照区域.选取了过亮、过暗和偏光等不同光照条件下的图像进行实验,结果表明该方法能对光照进行有效的补偿.     

自适应同态对数光照补偿

人脸检测有广泛的应用前景,但目前的许多人脸检测算法对光照有一定的要求,过亮过暗偏光图像使检测率急剧下降。提出一种自适应同态对数光照补偿方法,用对数函数作为基函数,使变换后的图像符合人的视觉特点;设置对数函数的平移系数,使变换对各种程度过暗过亮偏光阴影图像都可以进行有效的补偿;引入同态补偿公式来补偿光照的同时增强图像细节,使变换后的图像更清晰。实验结果表明,该方法对过暗过亮的人脸图像都可以进行有效的光照补偿,有助于提高人脸检测率。     

一种融合肤色和Haar特征的人脸检测方法

针对彩色图像提出了一种融合肤色与Haar特征的人脸检测方法.分别利用基于肤色模型和基于Haar特征的方法检测低像素图像和多人图像,在此基础上再次用基于肤色模型的方法进行后验证处理降低误检率.在Caltech Faces 1999 Database人脸库和自建人脸库上分别进行实验,结果表明,所提方法具有更优的检测效果.     

基于直方图统计学习的人脸检测方法

提出一种基于直方图统计学习的人脸检测方法,对人脸样本和非人脸样本进行小波变换,运用一组小波系数来表征各种人脸特征信息。统计每个训练样本的直方图分布,用于描述人脸和非人脸外观特征的概率分布,每个直方图表示一组小波系数与它们在人脸中位置的联合概率密度。该方法可以准确检测自然场景中的多幅人脸,对侧面人脸有很好的检测效果。     

人脸识别中光照梯度补偿算法的改进

光照变化是影响人脸识别的重要因素。光照梯度补偿是解决这一问题的方法之一。该方法通过最小二乘法计算出一个光照平面,然后将原图像减去光照平面,用所得的差图像来识别人脸。由于人脸的两半并非共面,它们与入射光线形成的角度是不同的,因此光照平面应该是不同的。如果分别计算两个光照平面又将导致差图像不连续。本文提出了一种算法,将两个半脸的光照平面系数合成一个系数向量,一同求解这些系数,然后调整其中的常系数项,使两边连续。从而实现,两边的光照平面不同,又保持了连续性。实验结果表明效果良好。     

光照变化条件下的人脸识别技术研究

为了提高光照变化条件下的人脸识别率,针对Retinex算法处理人脸光照图像时易产生“光晕”难题,提出了一种基于Mean-Shift滤波的Retinex算法,并应用于人脸识别中的光照预处理。对人脸图像进行非线性增强;利用Mean-Shift滤波代替高斯滤波对光照估计,解决传统Retinex算法中存在的“光晕”难题。采用Yale B人脸库对算法性能进行测试,结果表明,该算法能够很好地抑制“光晕”现象的发生,具有光照鲁棒性,提高了人脸的识别率。     

一种基于小波的人脸图像光照归一化算法

光照变化严重影响了人脸图像的外貌,这阻碍了人脸识别的过程。为了识别可变光照下的人脸图像,提出了一种基于小波的光照归一化算法,将一幅图像分解为低频成分和高频成分,对不同的频带成分进行不同的操作——对低频成分进行直方图均衡化,同时着重强调细节（高频成分）,将它乘以一个标量从而增强图像边缘;对修改后的系数进行逆小波变换就得到归一化后的图像。最后,直接使用PCA方法对单训练样本条件下的人脸进行识别,在AR和FERRET人脸库上的实验结果表明,提出的方法可以显著提高人脸识别系统的识别率。     

基于照度补偿的人脸图像遮挡阴影消除处理*

为了消除人脸图像中的遮挡阴影对识别精度的影响,采用数学形态学处理对阴影进行检测分离,根据其照度损失不同划分为阴影边缘区和阴影主体区,分别实施照度补偿,并将非阴影区、阴影边缘区和阴影主体区光强光顺过渡,实现对图像阴影区域的恢复处理。基于该照度补偿原理处理实例表明,该方法可以较好地去除人脸图像中部因遮挡造成的阴影,显著改善图像质量。     

基于Armlets的人脸光照补偿

提出了一种用于非均匀光照条件下人脸识别的光照补偿算法。该算法通过在对数域计算2维Armlets多小波变换来实现人脸光照补偿,然后直接在对数域进行人脸识别。在Yale B人脸库中与其他光照补偿算法进行了比较,实验结果表明,该方法的平均误识率仅为0.18%,优于现有的其他算法。