CN108197546B - 人脸识别中光照处理方法、装置、计算机设备及存储介质 - Google Patents

Abstract

本发明涉及一种人脸识别中光照处理方法、装置、计算机设备及存储介质方法包括：根据人脸识别系统默认参数采集人脸图像，根据人脸图像计算出人脸亮度值、人脸位置及人脸尺寸；将人脸亮度值、人脸位置及人脸尺寸输入到训练好的逻辑回归分类器中，对人脸图像的环境光强进行判断；当判断结果是人脸图像的环境光强未超过预设值时，则根据人脸亮度值调节人脸识别系统默认参数，再次采集人脸图像；当检测到再次采集到的人脸图像的人脸亮度值在预置亮度范围内时，则对再次采集到的人脸图像的人脸光照进行处理。处理后再对图像进行识别，依次对人脸图像的光照进行处理，大幅度的提高了采集到的人脸图像质量，从而提高了识别系统对人脸图像识别的准确率。

Description

人脸识别中光照处理方法、装置、计算机设备及存储介质

技术领域

本发明涉及计算机技术领域，特别是涉及一种人脸识别中光照处理方法、装置、计算机设备及存储介质。

背景技术

人脸识别，是基于人的脸部特征信息进行身份识别的一种生物识别技术。用摄像机或摄像头采集含有人脸的图像或视频流，并自动在图像中检测和跟踪人脸，进而对检测到的人脸进行脸部识别的一系列相关技术，通常也叫做人像识别、面部识别。

在实际运用过程中，人脸识别经常会出现光照干扰的现象。光照干扰分两种情况，第一种是由于光照强弱引起人脸整体亮度过亮或过暗；第二种是由于光照分布不均匀或来光方向角度较偏，引起人脸某个局部过亮某个局部较暗。在强光照环境下，光照干扰引起的人脸面部图像的变化可轻易大于不同身份人脸之间的差异，从而引起人脸识别出错。

然而，针对上述光照干扰的情况，在传统技术中主要是通过调节图像整体亮度或对图像中心区域的亮度进行调节，或者通过使用更加抗光照干扰的特征做识别，即提取出未被光照干扰的人脸特征进行识别，但这两种处理方式都较粗糙，导致识别准确率较低。

发明内容

基于此，有必要针对上述问题，提供一种人脸识别中光照处理方法、装置、计算机设备及存储介质。

一种人脸识别中光照处理方法，所述方法包括：

根据人脸识别系统默认参数采集人脸图像，根据所述人脸图像计算出人脸亮度值、人脸位置及人脸尺寸；

将所述人脸亮度值、人脸位置及人脸尺寸输入到训练好的逻辑回归分类器中，对所述人脸图像的环境光强进行判断；

当判断结果是所述人脸图像的环境光强未超过预设值时，则根据所述人脸亮度值调节所述人脸识别系统默认参数，再次采集人脸图像；

当检测到所述再次采集到的人脸图像的人脸亮度值在预置亮度范围内时，则对所述再次采集到的人脸图像的人脸光照进行处理。

在其中一个实施例中，所述对所述再次采集到的人脸图像的人脸光照进行处理，包括：

对所述再次采集到的人脸图像的人脸光照进行高斯滤波处理；

对所述进行高斯滤波处理后的人脸图像提取韦伯脸局部描述特征；

对所述提取韦伯脸局部描述特征后的人脸图像进行双边带滤波处理。

在其中一个实施例中，所述根据所述人脸亮度值调节所述人脸识别系统的参数，包括：

根据所述人脸亮度值计算得到所述人脸识别系统的补光灯的脉冲宽度调制的占空比值，所述占空比值定义了一个脉冲循环内通电时间相对于总周期所占的比例；

根据所述人脸亮度值计算得到所述人脸识别系统相机的曝光时间和曝光增益；

根据所述计算得到的所述占空比值、所述相机的曝光时间和曝光增益对应调节所述人脸识别系统的参数。

在其中一个实施例中，所述训练好的逻辑回归分类器通过以下方式训练得到：

获取多个人脸图像训练样本；

根据每个所述人脸图像训练样本计算得到每个人脸图像训练样本的样本人脸亮度值、样本人脸位置及样本人脸尺寸；

依次将所述每个人脸图像训练样本的样本人脸亮度值、样本人脸位置及样本人脸尺寸输入到逻辑回归分类器对应的输入变量中，并根据所述样本人脸亮度值、样本人脸位置及样本人脸尺寸对应的权值对所述逻辑回归分类器的权值进行调节；

根据每次调节后的权值对所述逻辑回归分类器进行训练。

在其中一个实施例中，在所述获取多个人脸图像训练样本之后，还包括：根据预设的环境光强度对每个所述人脸图像训练样本添加数值标签；

所述根据每次调节后的权值对所述逻辑回归分类器进行训练，包括：

获取将每个人脸图像训练样本的样本人脸亮度值、样本人脸位置及样本人脸尺寸输入到逻辑回归分类器对应的输入变量中对应输出的预测数值标签；

根据所述预测数值标签与对应输入的人脸图像训练样本的数值标签计算得到每个人脸图像训练样本对应的差异值；

当检测到所述差异值在预设差异值范围内时，则将所述逻辑回归分类器的权值设置为对应输入的人脸图像训练样本对应的权值，得到训练好的逻辑回归分类器。

在其中一个实施例中，所述人脸亮度值为对所述人脸图像中人脸区域的像素进行求和得到像素和，再根据所述像素和计算得到的对应平均值。

所述人脸亮度值根据以下方式计算得到：

其中，F_B为所述人脸亮度值，I(i,j)为所述人脸图像坐标(i,j)处的像素， (x₁,y₁)和(x₂,y₂)为所述人脸图像坐标中人脸区域的坐标。

一种人脸识别中光照处理装置，所述装置包括：

人脸图像采集模块，用于根据人脸识别系统默认参数采集人脸图像，根据所述人脸图像计算出人脸亮度值、人脸位置及人脸尺寸。

数据输入模块，用于将所述人脸亮度值、人脸位置及人脸尺寸输入到训练好的逻辑回归分类器中，对所述人脸图像的环境光强进行判断。

环境光强判断模块，用于当判断结果是所述人脸图像的环境光强未超过预设值时，则根据所述人脸亮度值调节所述人脸识别系统默认参数，再次采集人脸图像。

光照处理模块，用于当检测到所述再次采集到的人脸图像的人脸亮度值在预置亮度范围内时，则对所述再次采集到的人脸图像的人脸光照进行处理。

在其中一个实施例中，所述光照处理模块还用于，对所述再次采集到的人脸图像的人脸光照进行高斯滤波处理；对所述进行高斯滤波处理后的人脸图像提取韦伯脸局部描述特征；对所述提取韦伯脸局部描述特征后的人脸图像进行双边带滤波处理。

一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤：

根据人脸识别系统默认参数采集人脸图像，根据所述人脸图像计算出人脸亮度值、人脸位置及人脸尺寸；

将所述人脸亮度值、人脸位置及人脸尺寸输入到训练好的逻辑回归分类器中，对所述人脸图像的环境光强进行判断；

当判断结果是所述人脸图像的环境光强未超过预设值时，则根据所述人脸亮度值调节所述人脸识别系统默认参数，再次采集人脸图像；

当检测到所述再次采集到的人脸图像的人脸亮度值在预置亮度范围内时，则对所述再次采集到的人脸图像的人脸光照进行处理。

一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现以下步骤：

根据人脸识别系统默认参数采集人脸图像，根据所述人脸图像计算出人脸亮度值、人脸位置及人脸尺寸；

将所述人脸亮度值、人脸位置及人脸尺寸输入到训练好的逻辑回归分类器中，对所述人脸图像的环境光强进行判断；

当判断结果是所述人脸图像的环境光强未超过预设值时，则根据所述人脸亮度值调节所述人脸识别系统默认参数，再次采集人脸图像；

当检测到所述再次采集到的人脸图像的人脸亮度值在预置亮度范围内时，则对所述再次采集到的人脸图像的人脸光照进行处理。

上述人脸识别中光照处理方法、装置、计算机设备及存储介质，通过根据人脸识别系统默认参数采集人脸图像，根据人脸图像计算出人脸亮度值、人脸位置及人脸尺寸；将人脸亮度值、人脸位置及人脸尺寸输入到训练好的逻辑回归分类器中，对人脸图像的环境光强进行判断；当判断结果是人脸图像的环境光强未超过预设值时，则根据人脸亮度值调节人脸识别系统默认参数，再次采集人脸图像；当检测到再次采集到的人脸图像的人脸亮度值在预置亮度范围内时，则对再次采集到的人脸图像的人脸光照进行处理。依次对人脸图像的光照进行处理后再对图像进行识别，大幅度的提高了采集到的人脸图像质量，从而提高了识别系统对人脸图像识别的准确率。

附图说明

图1为一个实施例中人脸识别中光照处理方法的应用环境图；

图2为一个实施例中计算机设备的内部结构示意图；

图3为一个实施例中人脸识别中光照处理方法的流程示意图；

图4为另一个实施例中人脸识别中光照处理方法的流程示意图；

图5为一个实施例中逻辑回归分类器训练样本二维分布示意图；

图6为一个实施例中逻辑回归分类器训练样本多维分布示意图；

图7为一个实施例中人脸识别系统图像采集和参数调节过程的流程示意图；

图8为一个实施例中曝光函数的示意图；

图9为一个实施例中光照预处理的流程示意图；

图10为一个实施例中人脸识别中光照处理装置结构框图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。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。

图1示出了一个实施例中人脸识别中光照处理方法的应用环境图。参照图1，该人脸识别中光照处理方法可应用于人脸识别中光照处理系统中，该系统包括终端110和人脸识别系统120，终端110通过网络与人脸识别系统120连接。终端110可以是但不限于个人计算机、笔记本电脑、个人数字助理、智能手机、平板电脑等。人脸识别系统120可以是实现单一功能的服务器，也可以是实现多种功能的服务器，具体可以是独立的物理服务器，也可以是物理服务器集群。在人脸识别系统120中包含有训练好的逻辑回归分类器，训练好的逻辑回归分类器可对人脸图像的环境光强进行判断。终端110上可通过特定的应用显示人脸图像。具体的，人脸识别系统120可通过网络从终端110获取到人脸图像，也可自行采集人脸图像。在获取到人脸图像后，根据人脸图像计算出人脸亮度值、人脸位置及人脸尺寸并输入到训练好的逻辑回归分类器中，对人脸图像的环境光强进行判断，当判断结果是人脸图像的环境光强未超过预设值时，则根据人脸亮度值调节人脸识别系统的参数并再次采集人脸图像，当检测到再次采集到的人脸图像的人脸亮度值在预置亮度范围内时，则对再次采集到的人脸图像的人脸光照进行处理。

图2为一个实施例中计算机设备的内部结构示意图。该计算机设备具体可以是如图1中的人脸识别系统120。如图2所示，计算机设备包括通过系统总线连接的处理器、存储介质、内存储器、网络接口、显示屏和输入装置。其中，该处理器用于提供计算和控制能力，支撑整个终端的运行。计算机设备的存储介质存储有操作系统以及计算机程序，该计算机程序被处理器执行时，使得处理器实现一种人脸识别中光照处理方法。计算机设备中的内存储器也可储存有计算机程序，该计算机程序被处理器执行时，可使得处理器执行一种人脸识别中光照处理方法。计算机设备的网络接口用于与终端110通信。计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是外接的键盘、触控板或鼠标等，输入装置可获取采集人脸图像指令或从终端110获取人脸图像等。显示屏可用于显示采集到的人脸图像。

本领域技术人员可以理解，图2中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的终端的限定，具体的终端可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

如图3所示，在一个实施例中，提供了一种人脸识别中光照处理方法，该方法以应用于如图1和图2中所示的人脸识别系统中进行举例说明。包括：

步骤302，根据人脸识别系统默认参数采集人脸图像，根据人脸图像计算出人脸亮度值、人脸位置及人脸尺寸。

人脸识别系统，指能够采集人脸图像并对采集到的人脸图像进行人脸识别的系统。人脸识别系统有预先设置好的默认参数，在刚打开人脸识别系统时则根据默认参数进行人脸图像采集。采集到的图像其实就是由多个像素组成的，因此可根据采集到的图像的像素信息对人脸图像中的人脸亮度、人脸的位置以及人脸的尺寸进行计算，得到对应的人脸亮度值、人脸位置及人脸尺寸。

步骤304，将人脸亮度值、人脸位置及人脸尺寸输入到训练好的逻辑回归分类器中，对人脸图像的环境光强进行判断。

步骤306，当判断结果是人脸图像的环境光强未超过预设值时，则根据人脸亮度值调节人脸识别系统默认参数，再次采集人脸图像。

当根据采集到的人脸图像计算得到对应的人脸亮度值、人脸位置及人脸尺寸后，会将这三项数据输入到预先训练好的逻辑回归分类器中，该训练好的逻辑回归器会根据输入的数据对人脸图像的环境光强进行判断。如果人脸图像的环境光强过强，超过了预设值，可说明采集到的人脸图像“曝光”严重了，则不会进入识别阶段，可能需要再重新手动启动系统的图像采集操作。若是训练好的逻辑回归器判断采集到的人脸图像的环境光强未超过预设值，那么就会根据人脸图像的人脸亮度值对人脸识别系统的默认参数进行调节，然后再用调整了参数的人脸识别系统再次采集人脸图像。此处是一个自动的过程，自动根据人脸图像的人脸亮度值调节人脸识别系统的默认参数，然后再重新采集人脸图像，即为自动曝光调整过程。

步骤308，当检测到再次采集到的人脸图像的人脸亮度值在预置亮度范围内时，则对再次采集到的人脸图像的人脸光照进行处理。

人脸图像的人脸亮度值会对识别效果产生很大的影响，若是过亮或过暗都会影响到识别的准确率。因此需要对再次采集到的人脸图像的人脸亮度值进行判断，当再次采集到的人脸图像的人脸亮度值在预置的亮度范围内时，才可以进行下一步，即对人脸图像的人脸光照进行处理。若是人脸图像的人脸亮度值过亮或者过暗，可能就结束整个识别了，后者图像也需要再重新进行采集。依次对人脸图像的光照进行处理后再对图像进行识别，大幅度的提高了采集到的人脸图像质量，从而提高了识别系统对人脸图像识别的准确率。

在一个实施例中，对再次采集到的人脸图像的人脸光照进行处理，包括：对再次采集到的人脸图像的人脸光照进行高斯滤波处理；对进行高斯滤波处理后的人脸图像提取韦伯脸局部描述特征；对提取韦伯脸局部描述特征后的人脸图像进行双边带滤波处理。

高斯滤波是一种线性平滑滤波，适用于消除高斯噪声，广泛应用于图像处理的减噪过程。通俗的讲，高斯滤波就是对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到。当再次采集到的人脸图像的人脸亮度值在预置亮度范围内时，需要对该人脸图像的人脸光照进行处理。具体的处理方式为，首先进行高斯滤波处理，然后再提取韦伯脸局部描述特征，最后再进行双边带滤波处理。韦伯脸局部描述特征， Weber Local Descriptor，是一种能够有效地刻画图像灰度细节变化的二维直方图特征。双边带滤波(Bilateral filter)是一种可以保边去噪的滤波器，之所以能够达到去噪效果，是因为滤波器是由两个函数构成，一个函数是由几何空间距离决定滤波器系数，另一个则由像素差值决定滤波器系数，也可以理解为双边带滤波是高斯滤波的改进。

高斯滤波主要是滤掉人脸图像中低频的成分，因为光照干扰主要是低频。提取韦伯脸特征是将原有特征做了变换，转换成更加抗光照干扰的特征。双边带滤波器是滤除韦伯脸处理后图像中的噪声，为了使人脸纹理更加清晰此处选择了双边带滤波器，通过这种一环扣一环的对再次采集到的人脸图像的人脸光照进行处理，有效的改进了图像的质量，使得图像更加清晰，那么在人脸识别的时候，也能更好的对人脸图像中的人脸进行识别。

在一个实施例中，根据人脸亮度值调节人脸识别系统的参数，包括：根据人脸亮度值计算得到人脸识别系统的补光灯的脉冲宽度调制的占空比值，占空比值定义了一个脉冲循环内通电时间相对于总周期所占的比例；根据人脸亮度值计算得到人脸识别系统相机的曝光时间和曝光增益；根据计算得到的占空比值、相机的曝光时间和曝光增益对应调节人脸识别系统的参数。

脉冲宽度调制即通常说的PWM，是利用微处理器的数字输出来对模拟电路进行控制的一种非常有效的技术，脉冲宽度调制的占空比值即为一个脉冲循环内通电时间相对于总周期所占的比例。在获取到人脸识别系统采集到的人脸图像后，可根据人脸图像的图像像素计算得到人脸亮度值，然后可根据人脸亮度值计算得到人脸识别系统的补光灯的脉冲宽度调制的占空比值、人脸识别系统相机的曝光时间和曝光增益。

曝光时间是为了将光投射到照相感光材料的感光面上，快门所要打开的时间。视照相感光材料的感光度和对感光面上的照度而定。曝光时间长的话进的光就多，适合光线条件比较差的情况，曝光时间短则适合光线比较好的情况。简而言之，相机曝光时间就是指从快门打开到关闭的时间间隔。曝光增益也可以理解为相机的ISO，表示CCD或者CMOS感光元件的感光速度，一般情况下， iso值越低，相片的质量越高，相片的细节表现的得越细腻。

在计算得到人脸识别系统的补光灯的脉冲宽度调制的占空比值、人脸识别系统相机的曝光时间和曝光增益后，即可对人脸识别系统的这部分参数进行调节，调节了参数后的人脸识别系统可再次进行人脸图像的采集，自动调节了人脸识别系统的参数后能够有效的提高采集到的人脸图像的质量。

在一个实施例中，人脸亮度值为对人脸图像中人脸区域的像素进行求和得到像素和，再根据像素和计算得到的对应平均值。人脸亮度值根据以下方式计算得到：

其中，F_B为人脸亮度值，I(i,j)为人脸图像坐标(i,j)处的像素，(x₁,y₁)和(x₂,y₂)为人脸图像坐标中人脸区域的坐标。

通过采集到的人脸图像中人脸区域的像素，计算出对应的人脸亮度值，保证了得到的人脸亮度值的准确性，在后续也能更好的根据人脸亮度值调节人脸识别系统的参数，使得人脸识别系统的参数调节更为准确。

在一个实施例中，训练好的逻辑回归分类器通过以下方式训练得到：获取多个人脸图像训练样本；根据每个人脸图像训练样本计算得到每个人脸图像训练样本的样本人脸亮度值、样本人脸位置及样本人脸尺寸；依次将每个人脸图像训练样本的样本人脸亮度值、样本人脸位置及样本人脸尺寸输入到逻辑回归分类器对应的输入变量中，并根据样本人脸亮度值、样本人脸位置及样本人脸尺寸对应的权值对逻辑回归分类器的权值进行调节；根据每次调节后的权值对逻辑回归分类器进行训练。

在使用逻辑回归分类器对环境光强进行判断之前，会根据实际需求对逻辑回归器进行训练，得到训练好的逻辑回归分类器后方可对采集到的人脸图像的环境光强进行判断。在训练之前，需要先获取到多个人脸图像训练样本，这些训练样本可以是人脸图像数据库中获取到的，也可以是之前收集的。然后根据每个人脸图像训练样本的图像像素计算得到每个人脸图像训练样本的样本人脸亮度值、样本人脸位置及样本人脸尺寸。具体地，样本人脸亮度F_B就是计算图像中人脸区域像素的亮度，即将人脸区域的像素求和取平均得到，样本人脸亮度F_B的计算公式如下：

其中，I(i,j)为图像坐标(i,j)处的像素，(x₁,y₁)和(x₂,y₂)为人脸框的坐标。样本人脸位置F_L就是人脸区域偏离图像中心点的距离，计算公式如下：

其中，

表示人脸中心的坐标。 (240,286)表示图像中心的坐标。样本人脸尺寸指人脸区域的大小，F_S的计算公式如下

逻辑回归分类器中包含有多个输入变量，根据实际研究项目而定。比如在本方案中，输入变量则是样本人脸亮度值、样本人脸位置及样本人脸尺寸，每个输入变量均有各自的权值，训练的过程即为不断调整各个输入变量所在节点的权值，而训练的目的则为每个输入变量对应的节点训练出一个适合的权值，得到合适的权值后即为逻辑回归分类器训练完毕，训练好的逻辑回归分类器即可投入实际运用中。因此将每个人脸图像训练样本的样本人脸亮度值、样本人脸位置及样本人脸尺寸输入到逻辑回归分类器对应的输入变量中后，逻辑回归分类器的权值会根据输入的数据进行相应的调节，可理解为，每一次输入不同的数据，逻辑回归分类器的权值都会做相应的调节，然后再根据每次调节后的权值对逻辑回归分类器进行训练，训练完毕后方可得到训练好的逻辑回归分类器。

针对性训练后的逻辑回归分类器能够更加精确的采集到的人脸图像的环境光强进行判断，提高了对人脸图像环境光强的判断准确性。

在一个实施例中，在获取多个人脸图像训练样本之后，还包括：根据预设的环境光强度对每个人脸图像训练样本添加数值标签；根据每次调节后的权值对逻辑回归分类器进行训练，包括：获取将每个人脸图像训练样本的样本人脸亮度值、样本人脸位置及样本人脸尺寸输入到逻辑回归分类器对应的输入变量中对应输出的预测数值标签；根据预测数值标签与对应输入的人脸图像训练样本的数值标签计算得到每个人脸图像训练样本对应的差异值；当检测到差异值在预设差异值范围内时，则将逻辑回归分类器的权值设置为对应输入的人脸图像训练样本对应的权值，得到训练好的逻辑回归分类器。

在对逻辑回归分类器进行训练时，由于需要对逻辑回归分类器的输出结果进行判断，因此会先根据预设的环境光强度对每个人脸图像训练样本添加数值标签，这样可将逻辑回归分类器输出的预测数值标签与之前添加的数值标签进行对比，即可获知输出的结果是否有误。逻辑回归分类器是用于对输入图像的环境光强度的进行判断，判断该输入的图像的环境光强是否过强，那么在预先给每个人脸图像训练样本添加数值标签时，也是根据环境光强对每个人脸图像训练样本添加对应的数值标签的，在添加数值标签时，需要有一个判定标准，因此会有一个预设的环境光强度。

比如当逻辑回归分类器是使用的红外光谱的辐照计测量环境光时，设定预设的环境光强度为300uW/cm²，那么当人脸图像训练样本A的环境光强大于 300uW/cm²时，则认为属于强光，人脸图像训练样本B的环境光强小于300uW/cm²，则认为不属于强光。因此预先为人脸图像训练样本A添加数值标签1，为人脸图像训练样本B添加数值标签0。将人脸图像训练样本A和人脸图像训练样本 B各自对应的样本人脸亮度值、样本人脸位置及样本人脸尺寸输入到逻辑回归分类器对应的输入变量中后，再获取逻辑回归分类器对输入的这两个人脸图像训练样本环境光强的判断结果。

若是逻辑回归分类器对人脸图像训练样本A和人脸图像训练样本B输出的预测数值标签均为0，那么人脸图像训练样本A的预测数值标签与预先添加的数值标签并不一致，而人脸图像训练样本B的预测数值标签与预先添加的数值标签一致。因此可认为逻辑回归分类器对人脸图像训练样本A的环境光强判断有误，对人脸图像训练样本B的环境光强判断正确。

根据预测数值标签与对应输入的人脸图像训练样本的数值标签计算得到每个人脸图像训练样本对应的差异值，这个差异值也可理解为准确率，当获取到每个人脸图像训练样本的差异值后，需要判断是否在预设差异值范围内，若是在预设差异值范围内，则可以直接将对应的权值获取到并设置为逻辑回归分类器的权值。若是不在预设差异值范围内，则需要继续输入数据对逻辑回归分类器进行训练，直到差异值在预设差异值范围内。

采取这种逐步调节的方式，不断的调整逻辑回归分类器的权值，更好的对逻辑回归分类器进行训练，训练后的逻辑回归分类器对于人脸图像环境光强的判断也更为准确。

如图4所示，在一个实施例中，提供了一种人脸识别中光照处理方法，该方法以应用于如图1和图2中所示的人脸识别系统中进行举例说明。包括：

步骤402，获取多个人脸图像训练样本，对逻辑回归分类器进行训练得到训练好的逻辑回归分类器。

首先，需要对逻辑回归分类器进行训练，因此需要获取多个人脸图像训练样本。在获取到多个人脸图像训练样本后，会先根据预设的环境光强度对人脸图像训练样本进行分类，并添加对应的样本标签，即前文提到的数值标签。比如在本实施例中，将使用红外光谱的辐照计测量环境光强度，认为大于的环境光过强，对应的人脸图像训练样本作为正样本；小于300uW/cm²的环境光合适，对应的人脸图像训练样本作为负样本。

然后计算出每个人脸图像训练样本对应的样本人脸亮度值、样本人脸位置及样本人脸尺寸，将全部的样本人脸亮度值、样本人脸位置及样本人脸尺寸作为样本特征输入到逻辑回归分类器中进行训练。具体地，如图5所示，边界线下方圆点对应的是负样本，样本标签为0，边界线上方十字图样的为正样本，样本标签为0，边界线是逻辑回归算法计算出来的超平面，超平面用参数θ₀、θ₁...θ_n表示。但边界线只是在二维中超平面是线，在三维或者更高维上则是一个面。作用是分割正负样本。

比如，如图6所示，分界线是一个面了，即分界面。其中分界面下方为圆圈形状的为在弱环境光强度下采集的人脸图像训练样本，分界面上方为十字形状的为在强环境光强度下采集的人脸图像训练样本，而分界面上方较靠近分界面的为在更强环境光强度下采集的人脸图像训练样本。而坐标轴 F_L、F_S、F_B分别表示人脸图像训练样本中的人脸相对中心点位置的距离、人脸区域大小、以及人脸区域亮度。

对应地，图5中x₁、x₂为样本特征，y为样本标签，等于0或1。因此边界线对应的公式如下：

其中，θ^Tx表示任意样本点到边界的相对距离，x₁、x₂...x_n为样本特征。再对上述边界线的公式采取Sigmoid处理，可得到预测函数，公式如下：

g表示Sigmoid函数，作用是将样本特征到边界线的距离归一化，而函数h_θ(x)的值有特殊的含义，它表示距离结果取1的概率。Sigmoid 函数是一个在生物学中常见的S型的函数，也称为S型生长曲线，sigmoid函数的优点在于输出范围有限，所以数据在传递的过程中不容易发散。比如在本实施例中，sigmoid的输出范围为(0,1)，所以可以用作输出层，输出表示概率。

再根据预测函数可以得到损失函数J(θ)，具体公式如下：

其中x⁽ⁱ⁾、y⁽ⁱ⁾分别表示第i个人脸图像训练样本的样本特征和样本标签。 Cost(h_θ(x⁽ⁱ⁾),y⁽ⁱ⁾)表示第i个人脸图像训练样本的损失值，这里计算使用的是交叉熵，交叉熵(Cross Entropy)主要用于度量两个概率分布间的差异性信息。

损失函数得到之后，就是通过梯度下降法迭代求参数θ，这也就是逻辑回归分类器的训练过程。值得注意的是，在对人脸图像训练样本环境光强的实际检测中，为了避免线性不可分的情况，将输入的人脸图像的特征使用多项式核函数做映射。对逻辑回归分类器训练完毕后即可得到训练好的逻辑回归分类器。

步骤404，人脸识别系统根据默认的系统参数采集人脸图像。

步骤406，训练好的逻辑回归分类器对采集到的人脸图像的环境光强进行判断。

步骤408，当人脸图像的环境光强未超过预设值时，人脸识别系统调整系统参数后再次采集人脸图像。

首先，会根据人脸识别系统的LED(发光二极管)和Camera(照相机)默认参数采集到人脸图像，然后再将采集到的人脸图像输入到人脸识别系统中的人脸检测模块进行人脸检测，若是检测到人脸了则计算出该人脸图像对应的人脸区域亮度值F_B；若是没有检测到人脸，则重新采集人脸图像。然后训练好的逻辑回归分类器会对采集到的人脸图像的环境光强进行判断，若是判断该人脸图像的环境光强没有超过预设值，则说明环境光强还算正常；若是环境光强超过了预设值则需要重新采集。然后根据人脸区域亮度值F_B计算LED的PWD 占比空值和Camera的曝光时间T和曝光增益G，再根据计算得到的这些值对人脸识别系统LED和Camera的参数进行设置，设置后的人脸系统识别系统会再次采集人脸图像。

整个人脸识别系统图像采集和参数调节过程的流程示意图如图7所示，其实整个过程也可理解为是自动曝光的过程。自动曝光是通过调节补光灯(LED) 功率和摄像头(Camera)曝光时间来达到调节图像整体亮度的目的，其实质是一个负反馈的过程。具体地，Camera的调节原理是，在在信号未饱和范围内，曝光时间T和信号增益G与图像亮度成线性关系：B＝K×E×F×T×G，其中，B 为采集的图像整体亮度，K为系统系数，E为入射光强度，F为光圈大小，T为曝光时间，G为曝光增益。

曝光函数如图8所示，其中，图中的B₀为图像理想亮度，取值为60，B_t-1为上一帧图像亮度，T_t-1和G_t-1为B_t-1对应该帧图像的曝光时间和曝光增益参数。当 Camera成像系统中曝光时间和曝光增益成与图像亮度成线性关系时。可以简化调节函数为：

f(B_t-1,T_t-1,G_t-1,B₀)

通过上式可求得T_tG_t。实际中固定曝光增益G，调节曝光时间T。此外，LED 补光灯的工作原理，是通过调节输出给LED补光灯电压的PWM占空比实现。主要是增加自动曝光的调节动态范围，同时也能达到节省功耗的目的。

步骤410，当再次采集到的人脸图像的人脸亮度值在预置亮度范围内时，则对再次采集到的人脸图像的人脸光照进行处理。

对再次采集到的人脸图像的人脸光照进行处理也可以简称为光照预处理。光照预处理是为了解决环境光对人脸局部光照分布的影响。如图9所示，光照预处理过程主要包括三个部分：高斯滤波处理、提取韦伯脸局部描述特征、双边带滤波处理三个步骤。图9右侧部分为各个步骤对应的处理数据。高斯滤波主要是滤掉人脸图像中低频的成分，因为光照干扰主要是低频。提取韦伯脸特征是将原有特征做了变换，转换成更加抗光照干扰的特征。双边带滤波器是滤除韦伯脸处理后图像中的噪声，为了使人脸纹理更加清晰这里没有继续使用高斯滤波器，而选择双边带滤波器。

首先，高斯滤波的计算公式如下：F'＝F×G(x,y,σ)，其中F为原图，F'表示高斯滤波后的图片，G为高斯核，表达式如下：

x²+y²表示相对中心点的距离，σ表示标准差，σ的值越大图像越模糊，越小图像越清晰，但噪点越多，也就是越接近原图。

其次，提取韦伯脸局部描述特征，具体地，提取韦伯(weber-face)脸局部描述特征 的表达式如下：

其中，α表示相邻像素的敏感程度，其越大越敏感，纹理多同时噪点也多。 A＝{-1,0,1}或A＝{-2,-1,0,1,2}等，表示相对中心点的位置偏差取值范围，A范围越大，细节越少，取{-1,0,1}较合适。

最后，进行双边带滤波处理。双边带滤波的表达式如下所示：H＝WF×G'×S, 双边带滤波是高斯滤波的改进。其中，G'表示高斯核，其是基于空间距离的高斯权重，S表示双边带核，基于像素空间的高斯权重。G'的具体表示式如下：

S的具体表达式如下：

其中，σ_c和σ_s表示两个高斯核与双边带核的标准差，f(x,y)表示坐标(x,y)位置的像素值， f(ξ+x,η+y)表示相对(x,y)偏差(ξ,η)位置的像素值。

光照干扰问题不是一个问题，它会引起一连串的问题。本方案中是为了系统上解决人脸识别过程中的光照干扰问题，提出的去光照干扰方案。整体效果比单独从一个点解决的方案更加彻底，人脸识别系统的性能也更加稳定。在第一部分的高斯滤波处理中，对环境光强的判断时，提出根据人脸位置和大小以及亮度参数，采用逻辑回归方法的方式对环境光强进行判断，比简单从亮度上判断环境光准确性更高。接着在第二部分的提取韦伯脸局部描述特征过程中，自动曝光实现了基于人脸检测后曝光的算法，有效的防止了图像人脸区域过曝或欠爆的情况。最后的第三部分的双边带滤波处理过程，使用双边带滤波器改进了韦伯脸光照预处理的图像画质，抑制了噪声，使图像更加清晰，那么也能够使得人脸识别系统在对依次进行了三步处理后的人脸图像识别时，识别正确率将会大大提高。

在一个实施例中，如图10所示，提供了一种人脸识别中光照处理装置，包括：

人脸图像采集模块1002，用于根据人脸识别系统默认参数采集人脸图像，根据人脸图像计算出人脸亮度值、人脸位置及人脸尺寸。

数据输入模块1004，用于将人脸亮度值、人脸位置及人脸尺寸输入到训练好的逻辑回归分类器中，对人脸图像的环境光强进行判断。

环境光强判断模块1006，用于当判断结果是人脸图像的环境光强未超过预设值时，则根据人脸亮度值调节人脸识别系统默认参数，再次采集人脸图像。

光照处理模块1008，用于当检测到再次采集到的人脸图像的人脸亮度值在预置亮度范围内时，则对再次采集到的人脸图像的人脸光照进行处理。

在一个实施例中，上述人脸图像采集模块1002还用于对人脸亮度值进行计算，人脸亮度值为对人脸图像中人脸区域的像素进行求和得到像素和，再根据像素和计算得到的对应平均值。人脸亮度值根据以下方式计算得到：

其中，F_B为所述人脸亮度值，I(i,j)为所述人脸图像坐标(i,j)处的像素，(x₁,y₁)和(x₂,y₂)为所述人脸图像坐标中人脸区域的坐标。

在一个实施例中，上述环境光强判断模块1006还用于，根据人脸亮度值计算得到人脸识别系统的补光灯的脉冲宽度调制的占空比值，占空比值定义了一个脉冲循环内通电时间相对于总周期所占的比例；根据人脸亮度值计算得到人脸识别系统相机的曝光时间和曝光增益；根据计算得到的占空比值、相机的曝光时间和曝光增益对应调节人脸识别系统的参数。

在一个实施例中，上述光照处理模块1008还用于，对再次采集到的人脸图像的人脸光照进行高斯滤波处理；对进行高斯滤波处理后的人脸图像提取韦伯脸局部描述特征；对提取韦伯脸局部描述特征后的人脸图像进行双边带滤波处理。

在一个实施例中，上述人脸识别中光照处理装置还包括训练模块，用于获取多个人脸图像训练样本；根据每个人脸图像训练样本计算得到每个人脸图像训练样本的样本人脸亮度值、样本人脸位置及样本人脸尺寸；依次将每个人脸图像训练样本的样本人脸亮度值、样本人脸位置及样本人脸尺寸输入到逻辑回归分类器对应的输入变量中，并根据样本人脸亮度值、样本人脸位置及样本人脸尺寸对应的权值对逻辑回归分类器的权值进行调节；根据每次调节后的权值对逻辑回归分类器进行训练。

在一个实施例中，上述训练模块还用于，根据预设的环境光强度对每个人脸图像训练样本添加数值标签。训练模块还用于，获取将每个人脸图像训练样本的样本人脸亮度值、样本人脸位置及样本人脸尺寸输入到逻辑回归分类器对应的输入变量中对应输出的预测数值标签；根据预测数值标签与对应输入的人脸图像训练样本的数值标签计算得到每个人脸图像训练样本对应的差异值；当检测到差异值在预设差异值范围内时，则将逻辑回归分类器的权值设置为对应输入的人脸图像训练样本对应的权值，得到训练好的逻辑回归分类器。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：根据人脸识别系统默认参数采集人脸图像，根据人脸图像计算出人脸亮度值、人脸位置及人脸尺寸；将人脸亮度值、人脸位置及人脸尺寸输入到训练好的逻辑回归分类器中，对人脸图像的环境光强进行判断；当判断结果是人脸图像的环境光强未超过预设值时，则根据人脸亮度值调节人脸识别系统默认参数，再次采集人脸图像；当检测到再次采集到的人脸图像的人脸亮度值在预置亮度范围内时，则对再次采集到的人脸图像的人脸光照进行处理。

在一个实施例中，计算机程序被处理器执行对再次采集到的人脸图像的人脸光照进行处理的步骤时，包括：对再次采集到的人脸图像的人脸光照进行高斯滤波处理；对进行高斯滤波处理后的人脸图像提取韦伯脸局部描述特征；对提取韦伯脸局部描述特征后的人脸图像进行双边带滤波处理。

在一个实施例中，计算机程序被处理器执行根据人脸亮度值调节人脸识别系统的参数的步骤时，包括：根据人脸亮度值计算得到人脸识别系统的补光灯的脉冲宽度调制的占空比值，占空比值定义了一个脉冲循环内通电时间相对于总周期所占的比例；根据人脸亮度值计算得到人脸识别系统相机的曝光时间和曝光增益；根据计算得到的占空比值、相机的曝光时间和曝光增益对应调节人脸识别系统的参数。

在一个实施例中，计算机程序被处理器执行按照如下步骤得到训练好的逻辑回归分类器：获取多个人脸图像训练样本；根据每个人脸图像训练样本计算得到每个人脸图像训练样本的样本人脸亮度值、样本人脸位置及样本人脸尺寸；依次将每个人脸图像训练样本的样本人脸亮度值、样本人脸位置及样本人脸尺寸输入到逻辑回归分类器对应的输入变量中，并根据样本人脸亮度值、样本人脸位置及样本人脸尺寸对应的权值对逻辑回归分类器的权值进行调节；根据每次调节后的权值对逻辑回归分类器进行训练。

在一个实施例中，计算机程序被处理器在执行在获取多个人脸图像训练样本的步骤之后，还包括：根据预设的环境光强度对每个人脸图像训练样本添加数值标签。在执行根据每次调节后的权值对逻辑回归分类器进行训练的步骤时，包括：获取将每个人脸图像训练样本的样本人脸亮度值、样本人脸位置及样本人脸尺寸输入到逻辑回归分类器对应的输入变量中对应输出的预测数值标签；根据预测数值标签与对应输入的人脸图像训练样本的数值标签计算得到每个人脸图像训练样本对应的差异值；当检测到差异值在预设差异值范围内时，则将逻辑回归分类器的权值设置为对应输入的人脸图像训练样本对应的权值，得到训练好的逻辑回归分类器。

在一个实施例中，计算机程序被处理器执行时，人脸亮度值为对人脸图像中人脸区域的像素进行求和得到像素和，再根据像素和计算得到的对应平均值。人脸亮度值根据以下方式计算得到：

其中，F_B为人脸亮度值，I(i,j)为人脸图像坐标(i,j)处的像素，(x₁,y₁)和(x₂,y₂)为人脸图像坐标中人脸区域的坐标。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的程序可存储于一非易失性的计算机可读取存储介质中，如本发明实施例中，该程序可存储于计算机系统的非易失性存储介质中，并被该计算机系统中的至少一个处理器执行，以实现包括如上述各方法的实施例的流程。其中，的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种人脸识别中光照处理方法，所述方法包括：

根据人脸识别系统默认参数采集人脸图像，根据所述人脸图像计算出人脸亮度值、人脸位置及人脸尺寸；

将所述人脸亮度值、人脸位置及人脸尺寸输入到训练好的逻辑回归分类器中，对所述人脸图像的环境光强进行判断；

当判断结果是所述人脸图像的环境光强未超过预设值时，则根据所述人脸亮度值计算得到所述人脸识别系统的补光灯的脉冲宽度调制的占空比值，所述占空比值定义了一个脉冲循环内通电时间相对于总周期所占的比例，根据所述人脸亮度值计算得到所述人脸识别系统相机的曝光时间和曝光增益，根据所述计算得到的所述占空比值、所述相机的曝光时间和曝光增益对应调节所述人脸识别系统的参数，再次采集人脸图像；

当检测到所述再次采集到的人脸图像的人脸亮度值在预置亮度范围内时，则对所述再次采集到的人脸图像的人脸光照进行高斯滤波处理；对所述进行高斯滤波处理后的人脸图像提取韦伯脸局部描述特征；对所述提取韦伯脸局部描述特征后的人脸图像进行双边带滤波处理。

2.根据权利要求1所述的方法，其特征在于，所述训练好的逻辑回归分类器通过以下方式训练得到：

获取多个人脸图像训练样本；

根据每个所述人脸图像训练样本计算得到每个人脸图像训练样本的样本人脸亮度值、样本人脸位置及样本人脸尺寸；

依次将所述每个人脸图像训练样本的样本人脸亮度值、样本人脸位置及样本人脸尺寸输入到逻辑回归分类器对应的输入变量中，并根据所述样本人脸亮度值、样本人脸位置及

样本人脸尺寸对应的权值对所述逻辑回归分类器的权值进行调节；

根据每次调节后的权值对所述逻辑回归分类器进行训练。

3.根据权利要求2所述的方法，其特征在于，在所述获取多个人脸图像训练样本之后，还包括：根据预设的环境光强度对每个所述人脸图像训练样本添加数值标签；

所述根据每次调节后的权值对所述逻辑回归分类器进行训练，包括：

获取将每个人脸图像训练样本的样本人脸亮度值、样本人脸位置及样本人脸尺寸输入到逻辑回归分类器对应的输入变量中对应输出的预测数值标签；

根据所述预测数值标签与对应输入的人脸图像训练样本的数值标签计算得到每个人脸图像训练样本对应的差异值；

当检测到所述差异值在预设差异值范围内时，则将所述逻辑回归分类器的权值设置为对应输入的人脸图像训练样本对应的权值，得到训练好的逻辑回归分类器。

4.根据权利要求1所述的方法，其特征在于，所述人脸亮度值为对所述人脸图像中人脸区域的像素进行求和得到像素和，再根据所述像素和计算得到的对应平均值；所述人脸亮度值根据以下方式计算得到：

其中，F_B为所述人脸亮度值，I(i，j)为所述人脸图像坐标(i，j)处的像素，(x1，y1)和(x2，y2)为所述人脸图像坐标中人脸区域的坐标。

5.一种人脸识别中光照处理装置，其特征在于，所述装置包括：

人脸图像采集模块，用于根据人脸识别系统默认参数采集人脸图像，根据所述人脸图像计算出人脸亮度值、人脸位置及人脸尺寸；

数据输入模块，用于将所述人脸亮度值、人脸位置及人脸尺寸输入到训练好的逻辑回归分类器中，对所述人脸图像的环境光强进行判断；

环境光强判断模块，用于当判断结果是所述人脸图像的环境光强未超过预设值时，则根据所述人脸亮度值计算得到所述人脸识别系统的补光灯的脉冲宽度调制的占空比值，所述占空比值定义了一个脉冲循环内通电时间相对于总周期所占的比例，根据所述人脸亮度值计算得到所述人脸识别系统相机的曝光时间和曝光增益，根据所述计算得到的所述占空比值、所述相机的曝光时间和曝光增益对应调节所述人脸识别系统的参数，再次采集人脸图像；

光照处理模块，用于当检测到所述再次采集到的人脸图像的人脸亮度值在预置亮度范围内时，则对所述再次采集到的人脸图像的人脸光照进行高斯滤波处理；对所述进行高斯滤波处理后的人脸图像提取韦伯脸局部描述特征；对所述提取韦伯脸局部描述特征后的人脸图像进行双边带滤波处理。

6.根据权利要求5所述的装置，其特征在于，所述人脸亮度值为对所述人脸图像中人脸区域的像素进行求和得到像素和，再根据所述像素和计算得到的对应平均值；所述人脸亮度值根据以下方式计算得到：

其中，F_B为所述人脸亮度值，I(i，j)为所述人脸图像坐标(i，j)处的像素，(x1，y1)和(x2，y2)为所述人脸图像坐标中人脸区域的坐标。

7.根据权利要求5所述的装置，其特征在于，所述装置还包括：

训练模块，用于获取多个人脸图像训练样本；根据每个所述人脸图像训练样本计算得到每个人脸图像训练样本的样本人脸亮度值、样本人脸位置及样本人脸尺寸；依次将所述每个人脸图像训练样本的样本人脸亮度值、样本人脸位置及样本人脸尺寸输入到逻辑回归分类器对应的输入变量中，并根据所述样本人脸亮度值、样本人脸位置及样本人脸尺寸对应的权值对所述逻辑回归分类器的权值进行调节；根据每次调节后的权值对所述逻辑回归分类器进行训练。

8.根据权利要求7所述的装置，其特征在于，所述训练模块还用于根据预设的环境光强度对每个人脸图像训练样本添加数值标签； 训练模块还用于，获取将每个人脸图像训练样本的样本人脸亮度值、样本人脸位置及样本人脸尺寸输入到逻辑回归分类器对应的输入变量中对应输出的预测数值标签；根据预测数值标签与对应输入的人脸图像训练样本的数值标签计算得到每个人脸图像训练样本对应的差异值；当检测到差异值在预设差异值范围内时，则将逻辑回归分类器的权值设置为对应输入的人脸图像训练样本对应的权值，得到训练好的逻辑回归分类器。

9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1-4任意一项所述方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1-4任意一项所述方法的步骤。

Images