【CN110059557A】一种基于低照度自适应的人脸识别方法【专利】

(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 201910195679.7

(22)申请日 2019.03.15

(71)申请人 杭州电子科技大学

地址 310018 浙江省杭州市下沙高教园区2

号大街

(72)发明人 王强　杨安宁　

(74)专利代理机构 杭州君度专利代理事务所

(特殊普通合伙) 33240

代理人 朱月芬

(51)Int.Cl.

G06K 9/00(2006.01)

G06K 9/34(2006.01)

G06T 7/136(2017.01)

G06T 5/00(2006.01)

G06T 7/00(2017.01)

(54)发明名称

一种基于低照度自适应的人脸识别方法

(57)摘要

本发明公开了一种基于低照度自适应的人

脸识别方法。本发明是随着人脸识别的普及和应

用，人脸识别对识别精度需求倍增，提升识别准

确度已成为实际应用的瓶颈问题。因为在低照度

条件下，人脸图像易受图像背景、明暗度和图像

噪声等诸多因素的影响，导致人脸识别检测率不

高以及识别精度降低等问题，制约了人脸的识别

与应用搜索。在这种情况下本发明以低照条件下

的人脸图片为样本，创新设计了一种基于OTSU分

割算法的低照度自适应算法，实现了对低照度环

境图像采集的自适应，通过处理前后的低照度人

脸图像Adaboost分类检测器验证的，不仅有效提

高了算法的计算速度更提高了低照度下人脸检

测的准确度。并在标准的人脸库Yale B和CMU -

PIE上进行了验证。权利要求书3页 说明书7页 附图2页CN 110059557 A 2019.07.26

C N 110059557

A

1.一种基于低照度自适应的人脸识别方法，其特征在于包括如下步骤：

步骤(1)基于OTSU算法将人像进行灰度分割；

步骤(2)将分割后的人像进行自适应Gamma算法校正；

步骤(3)对校正后的人像进行质量评价；

步骤(4)将人像进行基于Haar -like特征的Adaboost人脸检测。

2.根据权利要求1所述的一种基于低照度自适应的人脸识别方法，其特征在于步骤(1)中基于OTSU算法将人像进行灰度分割，具体实现步骤如下：

将输入的人像图像定位为给定的一个二类分类的训练数据集T：

T＝{(x 1，y 1)，(x 2，y 2)，…，(x N ，y N )} (1)

其中，每个样本点由实例与标记组成；实例标记y i ∈γ＝{-1，+1},χ是实例空间，γ是标记集合，N指代样本个数；Rn为实例空间范围；当强分类器对一幅图像检测时，会让所有弱分类器对实例x i 投票，通过标记y i 来对错误率加权求和，计算出样本可信度；

设输入的人像图像f的灰度范围为[0,255]，灰度值为i的像素数为n i ，

像素总数为

各灰度的概率为

且若将灰度值t作为阈值将灰度范围分为明

暗c 0，c 1两部分；其中，c 0为[0，t]，c 1为(t ,255]；则c 0，c 1

平均灰度分别为：

其中，

人像图像f的平均灰度u为：

c 0，c 1的总方差为：

σ2＝p 0*(u 0-u)2+p 1*(u 1-u)2 (5)

让t在[0,255]中依次取值，采用OTSU分割算法递归运算n次,设每次得到不同灰度值为t i ，则值最大时的t i 就是最佳分割阈值；

其中，p 0表示明部分的灰度概率，p 1表示暗部分的灰度概率，p i 表示当前灰度概率；

由于低照度环境下拍摄的图像灰度值差别低于正常环境下的图像，在采用OTSU分割算法进行灰度分割时，采用二叉排序树的存储方式来优化灰度值t i 的存储。

3.根据权利要求2所述的一种基于低照度自适应的人脸识别方法，其特征在于步骤(2)中将分割后的人像进行自适应Gamma算法校正，具体实现步骤如下：

自适应Gamma校正方法包含两个阶段：样本训练阶段和特征匹配阶段；其中样本训练阶段是对标准库中的图像赋予不同的Gamma值分块训练，并提取出它们的光照特征；特征匹配阶段则是将提取待处理的图像各区域块的特征与样本训练阶段得到的光照特征进行匹配，从而确定图像中各个区域块的最优Gamma值，再对图像进行分区域Gamma校正；

自适应Gamma校正方法的具体实现如下：

根据公式(4)得到的二叉树存储的子区间灰度值，通过中序遍历的方式查找出二叉树中可能的叶结点；利用上述的公式来计算初始化的γ值并进行迭代求出最佳的γ’值；值初始化的计算如下：

权　利　要　求　书1/3页2CN 110059557 A