光照影响下的人脸鉴别信息提取方法研究

当前多数人脸识别算法只能在较为理想的环境下进行较为正确的识别，但在实际应用中，自然光照环境下获得的人脸图像具有较大的可变性与不可控制性，受光照因素的影响，人脸识别精度会急剧下降，光照问题的解决已成为人脸识别研究和应用面临的一大难题。.本课题根据LMCP 在光照变化不剧烈时具有光照不变性的特点，首先，通过选取一种合适的光照归一化方法，将光照变化对人脸图像的影响控制在一定的范围之内；其次，通过构建一种光照非线性分层模型对LMCP进行优化，从而获取更符合光照变化模型的特征属性；最后针对改进后的LMCP提取的特征属性过多问题，构建一种基于模糊粗糙的属性约简算法进行处理，使得人脸识别系统在自然光照下的识别精度和速度都能得到提高。本项目的开展不仅能促进模式识别理论和算法的研究，而且能够为实际应用提供技术支撑和指导。

在人脸识别中，抽取有效的鉴别特征是提高人脸识别效果的关键问题。鉴于局部特征对光照、姿态、表情、遮挡、年龄或成像条件的变化更具鲁棒性，本课题在重点研究人脸识别局部特征提取工作的基础之上，主要完成了以下工作：根据粗粒度区化算法对人脸分块对比度区间动态划分的思路，提出了局部非线性分层LNMLCP 的人脸特征提取算法，为了进一步增强分层特征在光照变化时各自的识别优势，还构建了一种自适应的模糊融合识别框架；提出了一个基于稀疏误差特征提取的人脸识别方法，用于解决正面人脸识别中的光照以及遮挡问题。首先，通过示例分析并揭示了误差成分与低秩成分相比，具有更多的判别信息。其次，从误差图像的像素域和梯度域两个角度出发，分别定义了稀疏性和平滑性两个描述算子来提取稀疏误差成分的特征。最后，通过加权和比值的方式给出了两种识别协议进行人脸图像分类；采取同时优化反映目标图像形状规律的全局形状模型及反映以特征点为中心局部区域灰度纹理变化规律的局部纹理模型的策略，提出了一种新的改进主动形状模型。鉴于人脸图像在姿态变化时的不规则性以及原始ASM 算法对模型初始位置较敏感的缺点，通过设置旋转算子来初始化形状模型参数，有效解决了姿态变化下ASM定位不准的问题；另外，在局部纹理模型中引入方向梯度幅值模式POEM算子表述特征点为中心的局部区域的纹理信息, 从而增强了ASM 算法对人脸图像处于外界变化时局部搜索的精确性。. 到目前为止，本项目共发表SCI论文7篇（已经检索6篇，待检索1篇），EI论文6篇，发明专利1项，主持人获得国家留学基金委青骨项目资助到美国“北卡罗来纳大学威明顿分校”访学一年。