The invention discloses a regularized face image complex illumination removal method based on feature separation, which includes the following steps: (1) reading the face image, then logarithmic transformation of the face image; (2) transforming the logarithmic total variation of the image f obtained in step (1) decomposing the high-frequency and low-frequency feature components of the face image; (3) decomposing the low-frequency feature components D and D, respectively. High-frequency feature component G is processed; (4) Regularized low-frequency component Dend and enhanced high-frequency component Hend are synthesized into a new face image, which removes illumination noise and is recorded as Fface. The invention can reduce the amount of memory used by the computer, and at the same time, the denoising ability is obviously improved.
【技术实现步骤摘要】
一种基于特征分离的正则化人脸图像复杂光照去除方法
本专利技术涉及图像处理及人脸识别
,尤其是一种基于特征分离的正则化人脸图像复杂光照去除方法。
技术介绍
随着科技的不断发展,人脸识别实现了技术飞速的提升和广泛的普及。这极大地满足了人们日常生活的需要,也给人们的生产生活提供了安全的保障。与此同时,在安防,追踪,考勤,支付交易等领域中,人脸识别的应用需求日益增长。因此,实现准确的人脸识别技术是科技发展的必然。这将会有利于日常生活的安全和高效,也会大大地降低来自硬件设备和人工劳动等所带来的成本问题。在真实的场景下的人脸识别中,光照的变化、摄像头的摆放位置、实验样本大小和人体姿态都是可变的。传统的方法虽然能够很好的处理这些问题,但是付出的代价也是昂贵的,通常不能有效地处理图像。处理人脸图像中光照噪声的方法大致有两种,一种是整体人脸图像预处理方法,即将图像进行整体去除噪声,然后将剩余图像分量进行识别应用;另一种是人脸不变特征提取方法,检测相邻像素点之间的联系和差别,将图片进行有用信息的提取,实现人脸识别。现有的人脸图像复杂光照去除方法,通常由于特征分量分离不够精确,造成处理后的图像残余光照噪声大,并且误将有用人脸特征滤除,从而降低最终的识别率。
技术实现思路
本专利技术所要解决的技术问题在于,提供一种基于特征分离的正则化人脸图像复杂光照去除方法,能够减少计算机的内存的使用量,同时去噪能力得到明显提升。为解决上述技术问题,本专利技术提供一种基于特征分离的正则化人脸图像复杂光照去除方法,包括如下步骤:(1)读入人脸图像,然后将人脸图像进行对数变换;(2)对步骤(1)中 ...
【技术保护点】
1.一种基于特征分离的正则化人脸图像复杂光照去除方法,其特征在于,包括如下步骤:(1)读入人脸图像,然后将人脸图像进行对数变换;(2)对步骤(1)中得到的图像f进行对数全变差的变换,分解出人脸图像的高频特征分量和低频特征分量;(3)分别对低频特征分量D和高频特征分量G做处理;(4)将正则化后的低频分量Dend和增强的高频分量Hend合成为新的去除了光照噪声的人脸图像,记为Fface:Fface=Dend+Hend。
【技术特征摘要】
1.一种基于特征分离的正则化人脸图像复杂光照去除方法,其特征在于,包括如下步骤:(1)读入人脸图像,然后将人脸图像进行对数变换;(2)对步骤(1)中得到的图像f进行对数全变差的变换,分解出人脸图像的高频特征分量和低频特征分量;(3)分别对低频特征分量D和高频特征分量G做处理;(4)将正则化后的低频分量Dend和增强的高频分量Hend合成为新的去除了光照噪声的人脸图像,记为Fface:Fface=Dend+Hend。2.如权利要求1所述的基于特征分离的正则化人脸图像复杂光照去除方法,其特征在于,步骤(1)中,读入人脸图像,然后将人脸图像进行对数变换具体为:(11)将每幅图像的大小裁剪为100*100;(12)对人脸图像的整体灰度值做对数变换,对数变换后的图像不仅可以保持原始图像的固有特征,也可以起到增强的作用,从而得到处理后的图像,记为f;(13)根据朗伯反射模型,引入对数变换将图像变为加性模型,I为原始输入的人脸图像,ρ为图像的小尺度特征,包含人脸的本征,S为图像的大尺度特征,包含图像中的光照噪声和部分人脸本征,相应的,人脸图像可以表示为高频分量h和低频分量w;f=lnI=lnρ+lnS=h+w。3.如权利要求1所述的基于特征分离的正则化人脸图像复杂光照去除方法,其特征在于,步骤(2)中,对图像f进行对数全变差分解,结合朗伯反射定律分解出人脸图像的特征分量:G=f-D代表了低频特征分量w的全变差,λ表示和图像大小相关的尺度阈值参数,根据所采用的样本集人脸图像大小100*100确定λ取值0.4,采用二阶锥优化SOCP方法计算G;人脸图像的高频特征分量G,代表人脸本征信息,人脸图像的低频特征分量D,主要包含复杂光照影响因子。4.如权利要求1所述的基于特征分离的正则化人脸图像复杂光照去除方法,其特征在于,步骤(3)中,分别对低频特征分量D和高频特征分量G做处理具体为:(31)使用均值滤波方法处理高频分量G,得到增强的人脸本征分量Hend;(32)采用视网膜模型处理低频分量D,初步滤除光照,得到分量Ipp;(33)采用直方图重映射方法对Ipp进行处理,进一步滤除残余光照,得到正则化后的低频分量Dend。5.如权利要求4所述的基于特征分离的正则化人脸图像复杂光照去除方法,其特征在于,步骤(31)中,均值滤波处理后得到的高频分量Hend,具体为:均值滤波方法将局部平均滤波器应用到局部像素邻域,该局部邻域包含的像素数量由掩模θ的大小决定;当且仅当中心像素值大于指定的阈值时,对掩模θ范围内的局部像素邻域执行阈值平均滤波;像素点均具有比某固定值更大的值,则该固定值被设置...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。