第13卷第3期 智能系统学报 Vol.13 No.3 2018年6月 CAAI Transactions on Intelligent Systems Jun.2018 D0:10.11992/tis.201612011 网络出版地址：http:/kns.cnki.net/kcms/detail/23.1538.TP.20180404.0942.008.html 基于加权边缘弱化引导滤波的人脸光照补偿 余拓，陈莹 (江南大学轻工过程先进控制教育部重点实验室，江苏无锡214122) 摘要：光照的变化是影响人脸识别结果的重要因素之一，针对这一问题，提出一种基于加权边缘弱化引导滤波的人 脸光照补偿方法。首先为引导滤波损失函数添加一个可区分边缘细节的惩罚项，然后为惩罚项加权，加权系数由正 面光照样本的类间平均脸计算得到，最后将滤波后的图像作为自商图中的平滑图，得到光照补偿图像。实验结果表 明，该方法弱化了人脸平滑区域由光照造成的边缘细节噪声，且使用光照补偿图像作为人脸识别输入，能有效提高人 脸识别准确率，特别在光照大范围变化时，识别准确率提升程度更高。 关键词：人脸识别：光照补偿：光照模型；高斯模糊；引导滤波；岭回归：损失函数；自商图 中图分类号：TP391文献标志码：A文章编号：1673-4785(2018)03-0373-07 中文引用格式：余拓，陈莹.基于加权边缘弱化引导滤波的人脸光照补偿J.智能系统学报，2018,13(3：373-379. 英文引用格式：YUTuo,CHEN Ying.Face illumination compensation based on weighted edge--weakening guided image filter(J小. CAAI transactions on intelligent systems,2018,13(3):373-379. Face illumination compensation based on weighted edge-weakening guided image filter YU Tuo,CHEN Ying (Key Laboratory of Advanced Process Control for Light Industry Ministry of Education,Jiangnan University,Wuxi 214122,China) Abstract:The variation of illumination is an important factor affecting the face recognition effect.Focusing on this problem,this study proposes a face illumination compensation based on a weighted edge-weakening guided image filter. First,a penalty item,whose edge details can be distinguished,was added into the loss function of the guided image fil- ter.The penalty item was then weighted by a coefficient that was calculated by an inner-class mean face image of posit- ive illumination samples.Finally,the filtered image was used as the smooth image in the self-quotient image to obtain the illumination compensation image.The experimental results showed that the proposed method can weaken the edge noise caused by the illumination in the smooth face area.Moreover,the face recognition rate can be improved using the illumination compensation image as the face recognition input,especially in the case of a large illumination variation. Keywords:face recognition;illumination compensation;illumination model;gaussian blur,guided image filter;ridge regression;loss function;self-quotient image 人脸识别作为一项日趋成熟的生物特征识别技 analysis,PCA)、局部Gabor特征匹配、支持向量机 术，广泛应用于安防、金融、教育、交通、行政等领 等，无法消除光照带来的图像差异。 域。在人脸识别中，光照变化一直是影响人脸识别 为了解决这个问题，人们提出了许多方法，大 结果的重要因素之一。不同光照条件下的同一个人 致可分为4类。第1类方法使用传统的图像处理方 的图像差异巨大，有时甚至大于两个不同的人的图 法，如直方图均衡(histogram equalization,HE)、 像。传统方法如主成分分析(principal component Gamma校正、对数变换、同态滤波等方法，来消除 光照差异。这类方法不考虑物理光照模型，因此效 收稿日期：2016-12-09.网络出版日期：2018-04-04 基金项目：国家自然科学基金项目(61573168). 果有限。第2类方法从图像中提取对光照不敏感的 通信作者：陈莹.E-mail:chenying@jiangnan.edu.cn. 特征作为人脸图像的特征，如局部二值模式向、局部
DOI: 10.11992/tis.201612011 网络出版地址: http://kns.cnki.net/kcms/detail/23.1538.TP.20180404.0942.008.html 基于加权边缘弱化引导滤波的人脸光照补偿 余拓，陈莹 （江南大学 轻工过程先进控制教育部重点实验室，江苏 无锡 214122） 摘 要：光照的变化是影响人脸识别结果的重要因素之一，针对这一问题，提出一种基于加权边缘弱化引导滤波的人 脸光照补偿方法。首先为引导滤波损失函数添加一个可区分边缘细节的惩罚项，然后为惩罚项加权，加权系数由正 面光照样本的类间平均脸计算得到，最后将滤波后的图像作为自商图中的平滑图，得到光照补偿图像。实验结果表 明，该方法弱化了人脸平滑区域由光照造成的边缘细节噪声，且使用光照补偿图像作为人脸识别输入，能有效提高人 脸识别准确率，特别在光照大范围变化时，识别准确率提升程度更高。 关键词：人脸识别；光照补偿；光照模型；高斯模糊；引导滤波；岭回归；损失函数；自商图 中图分类号：TP391 文献标志码：A 文章编号：1673−4785(2018)03−0373−07 中文引用格式：余拓, 陈莹. 基于加权边缘弱化引导滤波的人脸光照补偿[J]. 智能系统学报, 2018, 13(3): 373–379. 英文引用格式：YU Tuo, CHEN Ying. Face illumination compensation based on weighted edge-weakening guided image filter[J]. CAAI transactions on intelligent systems, 2018, 13(3): 373–379. Face illumination compensation based on weighted edge-weakening guided image filter YU Tuo，CHEN Ying (Key Laboratory of Advanced Process Control for Light Industry Ministry of Education, Jiangnan University, Wuxi 214122, China) Abstract: The variation of illumination is an important factor affecting the face recognition effect. Focusing on this problem, this study proposes a face illumination compensation based on a weighted edge-weakening guided image filter. First, a penalty item, whose edge details can be distinguished, was added into the loss function of the guided image filter. The penalty item was then weighted by a coefficient that was calculated by an inner-class mean face image of positive illumination samples. Finally, the filtered image was used as the smooth image in the self-quotient image to obtain the illumination compensation image. The experimental results showed that the proposed method can weaken the edge noise caused by the illumination in the smooth face area. Moreover, the face recognition rate can be improved using the illumination compensation image as the face recognition input, especially in the case of a large illumination variation. Keywords: face recognition; illumination compensation; illumination model; gaussian blur; guided image filter; ridge regression; loss function; self-quotient image 人脸识别作为一项日趋成熟的生物特征识别技 术，广泛应用于安防、金融、教育、交通、行政等领 域。在人脸识别中，光照变化一直是影响人脸识别 结果的重要因素之一。不同光照条件下的同一个人 的图像差异巨大，有时甚至大于两个不同的人的图 像。传统方法如主成分分析[1] (principal component analysis, PCA)、局部 Gabor 特征匹配[2] 、支持向量机[3] 等，无法消除光照带来的图像差异[4]。 为了解决这个问题，人们提出了许多方法，大 致可分为 4 类。第 1 类方法使用传统的图像处理方 法，如直方图均衡[5] (histogram equalization, HE)、 Gamma 校正、对数变换、同态滤波等方法，来消除 光照差异。这类方法不考虑物理光照模型，因此效 果有限。第 2 类方法从图像中提取对光照不敏感的 特征作为人脸图像的特征，如局部二值模式[6] 、局部 收稿日期：2016−12−09. 网络出版日期：2018−04−04. 基金项目：国家自然科学基金项目 (61573168). 通信作者：陈莹. E-mail：chenying@jiangnan.edu.cn. 第 13 卷第 3 期 智 能 系 统 学 报 Vol.13 No.3 2018 年 6 月 CAAI Transactions on Intelligent Systems Jun. 2018
·374· 智能系统学报 第13卷 三值模式、梯度方向直方图)、增强局部纹理特 好地区分出边缘部分。 征9。第3类方法尝试利用不同光照下的人脸图像 模型2假设输出图像Z和输入图像！之间呈线 样本来建立人脸模型，如光照锥模型法、3-D形变 性关系，即 模型以及球面谐波模型法以。第4类方法尝试寻 Z(0=1()-n(0 (3) 找光照不变的人脸图像表征方法，如单尺度Ret- 式中（①是滤波过程中不希望保留的噪声或纹理。 inex方法)、Gradientface、自商图(self-quotient 为了在维持式(2)成立的同时最小化Z和1之间 image,.SQ)、Weber-face以及基于小波变换的方 的差异，引导滤波通过在窗ω，()内最小化下述损失 法n.8。C.Chen等将引导滤波2ol(guided image 函数来求解式(2)中的线性变换系数α，和B: filter)引人人脸图像的光照补偿中，提出了边缘弱 E(ak.Br)= ∑[aG0+Re-l@}2+s (4) 化引导滤波(edge-weakening guided image filter, EWGF),并将人脸图像经EWGF处理后的图像作 式中ε为常数惩罚项，用于抑制过大的a值。 为自商图中平滑图，利用自商图得到光照补偿图 由于每个像素点都被多个窗所覆盖，故每个像 像，取得了良好的效果。 素点都对应多组线性变换系数α4、B,这里取它们的 本文在C.Chen等工作的基础上，提出了一种基 均值ā和耶作为每个像素点对应的线性变换系数。 于加权EWGF的人脸图像光照补偿方法。首先构 因此式(2)可改写成： 造一个可区分边缘细节的惩罚项来代替引导滤波中 Z(i)=aG(i)+B. (5) 的常数惩罚项；接着以正面光照下的训练样本的类 其中 间平均脸作为正面光照模型，使用该光照模型生成 1 一个加权系数对惩罚项进行加权：最终通过自商图 d= (6) 获得在人脸识别过程中更具区分度的人脸图像。 B= 1 (7) 1基于EWGIF的人脸光照补偿 1.3 EWGIF 本节首先简要介绍文献[19]中获得光照补偿图 文献[19]中使用引导滤波的输出图像Z作为 像的自商图1方法，然后介绍引导滤波21，文献 SQI中的平滑图1，并将引导滤波的损失函数，即式 [19]在该方法的基础上提出了EWGIF,用以计算自 (4)中的常数惩罚项ε用一个由局部方差生成的系数 商图中的平滑图，最后介绍EWGF方法，并分析了 d代替： 其中的不足之处。 E(kB)= 1.1自商图 ∑[(aG0+R-10+k)a (8) iEwr(k) 自商图是一种简单而高效的图像光照补偿方 这使得引导滤波能根据图像的局部方差，自动 法，它是指输入图像及其平滑图的比值，即 调节平滑等级。EWGIF虽然具有区分边缘的能力， 月 (1) 但并不是所有的边缘细节都能被看作人脸特征，算 法对于不属于人脸特征的边缘细节不做特殊处理。 式中：1为输入图像，为1的平滑图，Q为光照补偿之 如图1所示，圆圈标记出的明暗交界处是光照影响 后图像。文献[19]以EWGIF方法得到原图的平滑 产生的，应归为噪声，但因其局部方差较大，也会被 图1，以自商图的结果Q作为人脸识别过程中的特 算法视作边缘细节。这会在一定程度上影响人脸识 征。由式(1)可以看出，平滑图决定了自商图的最 别的准确率。 终效果。 1.2引导滤波 引导滤波是一种局部线性图像滤波，在实现平 滑滤波的同时具有良好的边缘保持性能。引导滤波 建立在两个模型的基础上。 模型1假设输出图像Z和引导图像G之间呈 (a)原图 (b)EWGIF+SQI 局部线性关系，即 图1.EWGF将光照产生的噪声视作边缘细节 Z(0=G()+B,i∈w,(k) (2) Fig.1 EWGIF with regard to the noise caused by the illu- 式中：ω，（为以像素点k为中心半径为r的窗；k mination as edge B是线性变换的系数，在ω，()范围内为常数。由式 为了解决这个问题，本文提出加权EWGIF算 (2)可知VZ=α7G,这使得引导滤波能够从图像中良 法来弥补EWGF的不足
三值模式[7] 、梯度方向直方图[8] 、增强局部纹理特 征 [9]。第 3 类方法尝试利用不同光照下的人脸图像 样本来建立人脸模型，如光照锥模型法[10] 、3-D 形变 模型[11]以及球面谐波模型法[12]。第 4 类方法尝试寻 找光照不变的人脸图像表征方法，如单尺度 Retinex 方法[13] 、Gradientface[14] 、自商图[15] (self-quotient image，SQI)、Weber-face[16]以及基于小波变换的方 法 [17-18]。C. Chen 等 [19]将引导滤波[20] (guided image filter) 引入人脸图像的光照补偿中，提出了边缘弱 化引导滤波 (edge-weakening guided image filter， EWGIF)，并将人脸图像经 EWGIF 处理后的图像作 为自商图中平滑图，利用自商图得到光照补偿图 像，取得了良好的效果。 本文在 C. Chen 等工作的基础上，提出了一种基 于加权 EWGIF 的人脸图像光照补偿方法。首先构 造一个可区分边缘细节的惩罚项来代替引导滤波中 的常数惩罚项；接着以正面光照下的训练样本的类 间平均脸作为正面光照模型，使用该光照模型生成 一个加权系数对惩罚项进行加权；最终通过自商图 获得在人脸识别过程中更具区分度的人脸图像。 1 基于 EWGIF 的人脸光照补偿 本节首先简要介绍文献[19]中获得光照补偿图 像的自商图[ 1 5 ]方法，然后介绍引导滤波[ 2 0 ] ，文献 [19]在该方法的基础上提出了 EWGIF，用以计算自 商图中的平滑图，最后介绍 EWGIF 方法，并分析了 其中的不足之处。 1.1 自商图 自商图是一种简单而高效的图像光照补偿方 法，它是指输入图像及其平滑图的比值，即 Q = I ˆI (1) I ˆI I Q ˆI Q ˆI 式中： 为输入图像， 为 的平滑图， 为光照补偿之 后图像。文献[19]以 EWGIF 方法得到原图的平滑 图 ，以自商图的结果 作为人脸识别过程中的特 征。由式 (1) 可以看出，平滑图 决定了自商图的最 终效果。 1.2 引导滤波 引导滤波是一种局部线性图像滤波，在实现平 滑滤波的同时具有良好的边缘保持性能。引导滤波 建立在两个模型的基础上。 模型 1 假设输出图像 Z 和引导图像 G 之间呈 局部线性关系，即 Z(i) = αkG(i)+βk ,∀i ∈ ωr(k) (2) ωr(k) k r αk βk ωr(k) ∇Z = α∇G 式中： 为以像素点 为中心半径为 的窗； 、 是线性变换的系数，在 范围内为常数。由式 (2) 可知 ，这使得引导滤波能够从图像中良 好地区分出边缘部分。 模型 2 假设输出图像 Z 和输入图像 I 之间呈线 性关系，即 Z(i) = I(i)−n(i) (3) 式中n(i) 是滤波过程中不希望保留的噪声或纹理。 Z I ωr(k) αk βk 为了在维持式 (2) 成立的同时最小化 和 之间 的差异，引导滤波通过在窗 内最小化下述损失 函数来求解式 (2) 中的线性变换系数 和 ： E(αk , βk) = ∑ i∈ωr(k) [ (αkG(i)+βk − I(i)) 2 +εα2 k ] (4) 式中ε为常数惩罚项，用于抑制过大的αk值。 αk βk α¯ β¯ 由于每个像素点都被多个窗所覆盖，故每个像 素点都对应多组线性变换系数 、 ，这里取它们的 均值 和 作为每个像素点对应的线性变换系数。 因此式 (2) 可改写成： Z(i) = α¯iG(i)+β¯ i (5) 其中 α¯i = 1 |ωr(i)| ∑ q∈ωr(i) αq (6) β¯ i = 1 |ωr(i)| ∑ q∈ωr(i) βq (7) 1.3 EWGIF Z ˆI ε λ 文献[19]中使用引导滤波的输出图像 作为 SQI 中的平滑图 ，并将引导滤波的损失函数，即式 (4) 中的常数惩罚项 用一个由局部方差生成的系数 代替： E(αk , βk) = ∑ i∈ωr(k) [ (αkG(i)+βk − I(i)) 2 +λ(k)α 2 k ] (8) 这使得引导滤波能根据图像的局部方差，自动 调节平滑等级。EWGIF 虽然具有区分边缘的能力， 但并不是所有的边缘细节都能被看作人脸特征，算 法对于不属于人脸特征的边缘细节不做特殊处理。 如图 1 所示，圆圈标记出的明暗交界处是光照影响 产生的，应归为噪声，但因其局部方差较大，也会被 算法视作边缘细节。这会在一定程度上影响人脸识 别的准确率。 (a) ࣋ప (b) EWGIF+SQI 图 1 EWGIF 将光照产生的噪声视作边缘细节 Fig. 1 EWGIF with regard to the noise caused by the illumination as edge 为了解决这个问题，本文提出加权 EWGIF 算 法来弥补 EWGIF 的不足。 ·374· 智 能 系 统 学 报 第 13 卷
第3期 余拓，等：基于加权边缘弱化引导滤波的人脸光照补偿 ·375· 2加权EWGIF k)=1.33×10r k=1.60x10 2.1加权惩罚项 k=7.47×10r 同文献[19]一样，本文方法在使用引导滤波时， k=9.27×10- 假设输入图像！与引导图像G相同。同时本文将式 (a)光照均匀 (b)光照不均匀 (4)中的常数惩罚项ε用加权惩罚项（代替： 图3一幅图像中不同区域对应式（⑨）中σk)的值 k)=Wk)μoKk) (9) Fig.3 Value of ?(k)in Eq.(9)on different areas from the 此时式(4)变为 same image E(Qk.BL)= [(aG①+B-I)2+k)a (10) 式(9)中第2项μ和第3项σk)均由局部方差 Ew,A食 计算得到，其中窗的半径均取1，这是为了让计算结 式(10)是一个线性岭回归模型，易得其解和 果更突出地反映出图像边缘细节。在惩罚项中加入 B:分别为 第2、3项，是为了使算法具有自动区分边缘细节的 2(K) 能力。它们的乘积与EWGF中惩罚项相似，在区 Qk=- k)+5k) (11) 分边缘细节的同时会将人脸平滑部分的明暗交界区 B=(1-a)μ，(k) (12) 域也视为边缘细节，故本文加入加权系数W()来约 式(9)第1项w是加权系数，本文将在2.2节 束惩罚项。 阐述如何计算该项，以及该项的作用：第2项是输 2.2加权系数 入图像的每个窗ω(q)内方差的倒数之和，即 本文使用人脸在正面光照条件下图像的光照部 分L来构造加权系数W。取正面光照的训练样本图 μ= (13) 像{Tm,m=1,2,…,M的平均值，并对其使用高斯模 =1 糊，即得到光照部分L: 式中N是输入图像的总像素数。为了防止式(13)出 现分母为零的情况，c是一个取值极小的常数（本文 L(k)=gaussian (14) 取c=0.001)。式(13)反映了图像整体上的光照差 式中：Tm为第m幅正面光照的训练样本图像，其像素 异（见图2）：当光照良好时，图像边缘细节明显，其 值已归一化至0,1；M为训练样本总数目；gaussian() 值最小：当光照不均匀，部分区域出现阴影造成边 为高斯模糊函数。图4展示了利用Extended Yale 缘细节不明显时，其值变大；当光照极度不均匀，图 B中正面光照图像计算得到的光照模型。由图4可 像中出现大片阴影时，其值最大。 以看出，眼、口、鼻等边缘细节处的像素灰度值相对 较小，而额头、脸颊、下巴等平滑处的像素灰度值相 对较大。 4=608.88 4=704.05 4=868.25 (a)光照均匀 (b)光照不均匀（©）光照极不均匀 图2光照条件不同时对应式(9)中μ的值 图4光照模型 Fig.2 Value of u in Eq.(9)on the face images under differ- Fig.4 Illumination model ent illuminations 在滤波过程中，某一区域的惩罚项越大，其平 式(9)第3项σk)表示窗w,(k)内像素方差。如 滑等级越高，经过自商图方法处理后该区域的边缘 图3(a)所示，该项则反映了图像局部的差异，边缘 细节也越明显；该区域惩罚项越小，其平滑等级越 低，经过自商图方法处理后该区域更趋向于平滑。 细节明显处，如眉毛部分，该项取值较大；无细节或 故为了弱化光照造成的人脸平滑部分图像的细节噪 平滑处，如脸颊部分，该项取值较小。注意到，图 声，需减小滤波过程中这些区域的平滑等级，即减 3(b)中，脸颊平滑部分由光照产生的明暗交界区域 小这些区域的惩罚项。同时，为了维持人脸特征不 的σ（值也比较大，因此该区域也会被视为人脸的 被弱化，对于包含人脸特征的细节区域，其惩罚项 边缘细节，但实际上该区域属于噪声。 需要增大或维持不变
2 加权 EWGIF 2.1 加权惩罚项 I G ε ξ(k) 同文献[19]一样，本文方法在使用引导滤波时， 假设输入图像 与引导图像 相同。同时本文将式 (4) 中的常数惩罚项 用加权惩罚项 代替： ξ(k) = W(k)µσ2 1 (k) (9) 此时式 (4) 变为 E(αk , βk) = ∑ i∈ωr(k) [ (αkG(i)+βk − I(i)) 2 +ξ(k)α 2 k ] (10) αk βk 式 (10) 是一个线性岭回归模型[21] ，易得其解 和 分别为 αk = σ 2 r (k) σ2 r (k)+ξ(k) (11) βk = (1− αk)µr(k) (12) W(k) µ ω1(q) 式 (9) 第 1 项 是加权系数，本文将在 2.2 节 阐述如何计算该项，以及该项的作用；第 2 项 是输 入图像的每个窗 内方差的倒数之和，即 µ = 1 N ∑N q=1 ( 1 σ 2 1 (q)+c ) (13) N c c = 0.001 式中 是输入图像的总像素数。为了防止式 (13) 出 现分母为零的情况， 是一个取值极小的常数 (本文 取 )。式 (13) 反映了图像整体上的光照差 异 (见图 2)：当光照良好时，图像边缘细节明显，其 值最小；当光照不均匀，部分区域出现阴影造成边 缘细节不明显时，其值变大；当光照极度不均匀，图 像中出现大片阴影时，其值最大。 µ=608.88 µ=704.05 µ=868.25 ̹ࠬᲭ⚓اٴ (c⚓̹ࠬ (اٴ (b⚓ࠬ (اٴ (a( 图 2 光照条件不同时对应式 (9) 中 µ 的值 Fig. 2 Value of µ in Eq.(9) on the face images under different illuminations σ 2 1 (k) ω1(k) σ 2 1 (k) 式 (9) 第 3 项 表示窗 内像素方差。如 图 3(a) 所示，该项则反映了图像局部的差异，边缘 细节明显处，如眉毛部分，该项取值较大；无细节或 平滑处，如脸颊部分，该项取值较小。注意到，图 3(b) 中，脸颊平滑部分由光照产生的明暗交界区域 的 值也比较大，因此该区域也会被视为人脸的 边缘细节，但实际上该区域属于噪声。 ̹ࠬ⚓اٴ (b⚓ࠬ (اٴ (a( σ 2 1 (k)=1.33×10−2 σ 2 1 (k)=1.60×10−4 σ 2 1 (k)=7.47×10−3 σ 2 1 (k)=9.27×10−5 σ 2 1 图 3 一幅图像中不同区域对应式 (9) 中 (k) 的值 σ 2 1 Fig. 3 Value of (k) in Eq.(9) on different areas from the same image µ σ 2 1 (k) W(k) 式 (9) 中第 2 项 和第 3 项 均由局部方差 计算得到，其中窗的半径均取 1，这是为了让计算结 果更突出地反映出图像边缘细节。在惩罚项中加入 第 2、3 项，是为了使算法具有自动区分边缘细节的 能力。它们的乘积与 EWGIF 中惩罚项相似，在区 分边缘细节的同时会将人脸平滑部分的明暗交界区 域也视为边缘细节，故本文加入加权系数 来约 束惩罚项。 2.2 加权系数 L W {Tm,m = 1,2,··· , M} L 本文使用人脸在正面光照条件下图像的光照部 分 来构造加权系数 。取正面光照的训练样本图 像 的平均值，并对其使用高斯模 糊，即得到光照部分 ： L(k) = gaussian 1 M ∑M m=1 Tm(k) (14) Tm m [0,1] M gaussian(·) 式中： 为第 幅正面光照的训练样本图像，其像素 值已归一化至 ； 为训练样本总数目； 为高斯模糊函数。图 4 展示了利用 Extended Yale B 中正面光照图像计算得到的光照模型。由图 4 可 以看出，眼、口、鼻等边缘细节处的像素灰度值相对 较小，而额头、脸颊、下巴等平滑处的像素灰度值相 对较大。 图 4 光照模型 Fig. 4 Illumination model 在滤波过程中，某一区域的惩罚项越大，其平 滑等级越高，经过自商图方法处理后该区域的边缘 细节也越明显；该区域惩罚项越小，其平滑等级越 低，经过自商图方法处理后该区域更趋向于平滑。 故为了弱化光照造成的人脸平滑部分图像的细节噪 声，需减小滤波过程中这些区域的平滑等级，即减 小这些区域的惩罚项。同时，为了维持人脸特征不 被弱化，对于包含人脸特征的细节区域，其惩罚项 需要增大或维持不变。 第 3 期 余拓，等：基于加权边缘弱化引导滤波的人脸光照补偿 ·375·
·376· 智能系统学报 第13卷 为了满足上述条件，加权系数W在人脸细节区 光照补偿实验，并与EWGIF+SQI方法1做了对 域的取值应当大于其在人脸平滑区域的取值。为 比。接着在CMU-PIE和Extended Yale B这两个数 此，本文对L作反色得到L(化=1-L),并在W中加 据库上进行了人脸识别实验，并与原图、HE、Weber- 入L'。同时由图4可观察到，人脸平滑区域的总面 facel、EWGIF+SQI做对比。Weber-face方法使用 积大于人脸细节区域，所以W中大部分像素的取值 文献[16]推荐参数，EWGF中的常数系数ε和本文 应当较小。但从图5(a)中L'的直方图来看，其大部 式(15)中的常数系数6都通过穷举搜索，在Exten 分像素分布在直方图中心区域。因此，本文对中 ded Yale B数据库中设定至最佳值。对于6，本文以0.02 的各像素值求平方（相当于对L'进行了Gamma校 为步长，在区间[0.02,0.4]内进行搜索。本文在 正)，用所得值来代替W中的L。图5b)直方图展示 CMU-PIE数据库上的实验亦采用这套参数(e=250, 了其像素分布，从中可见大部分像素分布在直方图 6=0.06)。数据库中的人脸图像均已对齐，且尺寸归 左侧，取值较小。 一化至120×120。本文使用以欧式距离为度量准则 02 的最近邻分类器来对测试样本进行分类，同时使用 PCA来降低特征维数，使用训练样本来提取PCA 投影基向量，并保留特征90%的能量。 3.1光照补偿实验结果 0.5 0.5 10 像素灰度值 像素灰度值 Extended Yale B中包含了38张人脸在64种 (a)反色光照模型直方图 (b)Gamma校正后的 光照条件下的图像，本文按照拍摄时光源方向与摄 反色光照模型直方图 像机方向的夹角，将数据库分为5个子集(S,~S): 图5对L分别作反色和反色+Gamma校正后图像的直方图 0°-12°为S1,13°25°为S2,26°~50°为S,51°~77°为 Fig.5 Histogram of L after color reverse and color re- verse+Gamma correction S4,大于78°为S0 图6展示了本文方法和EWGIF分别结合的 最终根据如上分析，本文构造加权系数W: W(k)=61-L(k)2 SQI方法，以及Weber-face对Extended Yale B数据 (15) 式中δ是由多次实验得到的一个常数。 库进行光照补偿后的结果。由图6可以看到，S、 2.3算法流程 S4、Ss样本中由光照造成的明暗交界区域，在 本文算法的具体流程如下。 EWGIF和Weber--face中没有做特别处理；而在本 输入正面光照人脸图像{Tm,m=1,2,…,M, 文方法中，这些区域被弱化，在S4中体现尤为明 人脸图像； 显。S,图像由于光照比较接近正面光照，本文方法 输出光照补偿后图像Q。 和EWGF方法的实验结果相近。 1)按式(14)由{Tm,m=1,2,…,M计算光照部分 L,并将其带入式(15)得到加权系数w: 原图 2)取窗口半径为1，计算1中各个像素的局部方 差σ，k=1,2,…,N,并按式(13)计算各个窗内方 Weber-face 差的倒数之和： 3)将W、σk)和μ代入式(9)得到惩罚项； EWGIF+SOI 4)将同时作为引导滤波的输入图像和引导图 像，并使用作为引导滤波的惩罚项，通过引导滤波 算法计算得到滤波输出图像Z; 本文方法+SQI 5)将算法的输入图像I和滤波输出图像Z分别 S 作为式(1)中的原图1和平滑图1，可得到自商图输 出Q,即人脸图像！经过光照补偿后的图像。 图6不同方法对Extended Yale B数据库做光照补偿的结果 Fig.6 Illumination compensation result with different ap- 上述算法的时间复杂度为OW),与引导滤波的 proaches on the face images in the Extended Yale B 时间复杂度相同。 database 3实验结果与分析 3.2人脸识别实验结果 3.2.1CMU-PIE测试结果 本文首先在Extended Yale B数据库上进行了 本文在CMU-PIE的光照子集(C27)上进行
W L L ′ (k) = 1− L(k) W L ′ W L ′ L ′ L ′ W L ′ 为了满足上述条件，加权系数 在人脸细节区 域的取值应当大于其在人脸平滑区域的取值。为 此，本文对 作反色得到 ，并在 中加 入 。同时由图 4 可观察到，人脸平滑区域的总面 积大于人脸细节区域，所以 中大部分像素的取值 应当较小。但从图 5(a) 中 的直方图来看，其大部 分像素分布在直方图中心区域。因此，本文对 中 的各像素值求平方 (相当于对 进行了 Gamma 校 正)，用所得值来代替 中的 。图 5(b) 直方图展示 了其像素分布，从中可见大部分像素分布在直方图 左侧，取值较小。 (a) 反色光照模型直方图 像素灰度值 像素灰度值 0.2 0.1 频率 0 0.5 1.0 0.2 0.1 频率 0 0.5 1.0 (b) Gamma 校正后的 反色光照模型直方图 图 5 对 L 分别作反色和反色+Gamma 校正后图像的直方图 Fig. 5 Histogram of L after color reverse and color reverse + Gamma correction 最终根据如上分析，本文构造加权系数 W： W(k) = δ(1− L(k)) 2 (15) 式中 δ 是由多次实验得到的一个常数。 2.3 算法流程 本文算法的具体流程如下。 {Tm,m = 1,2,··· , M} I 输入 正面光照人脸图像 ， 人脸图像 ； 输出 光照补偿后图像 Q。 {Tm,m = 1,2,··· , M} L W 1) 按式 (14) 由 计算光照部分 ，并将其带入式 (15) 得到加权系数 ； I σ 2 1 (k), k = 1,2,··· ,N µ 2) 取窗口半径为 1，计算 中各个像素的局部方 差 ，并按式 (13) 计算各个窗内方 差的倒数之和 ； W σ 2 1 3) 将 、 (k) 和 µ 代入式 (9) 得到惩罚项 ξ ； I ξ Z 4) 将 同时作为引导滤波的输入图像和引导图 像，并使用 作为引导滤波的惩罚项，通过引导滤波 算法计算得到滤波输出图像 ； I Z I ˆI Q I 5) 将算法的输入图像 和滤波输出图像 分别 作为式 (1) 中的原图 和平滑图 ，可得到自商图输 出 ，即人脸图像 经过光照补偿后的图像。 上述算法的时间复杂度为 O(N) ，与引导滤波的 时间复杂度相同。 3 实验结果与分析 本文首先在 Extended Yale B 数据库上进行了 ε δ δ ε = 250 δ = 0.06120×120 光照补偿实验，并与 EWGIF+SQI 方法[19]做了对 比。接着在 CMU-PIE 和 Extended Yale B 这两个数 据库上进行了人脸识别实验，并与原图、HE[5] 、Weberface[16] 、EWGIF+SQI 做对比。Weber-face 方法使用 文献[16]推荐参数，EWGIF 中的常数系数 和本文 式 (15) 中的常数系数 都通过穷举搜索，在 Extended Yale B 数据库中设定至最佳值。对于 ，本文以 0.02 为步长，在区间[0.02, 0.4]内进行搜索。本文在 CMU-PIE 数据库上的实验亦采用这套参数 ( ， )。数据库中的人脸图像均已对齐，且尺寸归 一化至 。本文使用以欧式距离为度量准则 的最近邻分类器来对测试样本进行分类，同时使用 PCA 来降低特征维数，使用训练样本来提取 PCA 投影基向量，并保留特征 90% 的能量。 3.1 光照补偿实验结果 Extended Yale B 中包含了 38 张人脸在 64 种 光照条件下的图像，本文按照拍摄时光源方向与摄 像机方向的夹角，将数据库分为 5 个子集 (S1~S5 )： 0°~12°为 S1，13°~25°为 S2，26°~50°为 S3，51°~77°为 S4，大于 78°为 S5。 图 6 展示了本文方法和 EWGIF 分别结合的 SQI 方法，以及 Weber-face 对 Extended Yale B 数据 库进行光照补偿后的结果。由图 6 可以看到，S3、 S 4、S 5 样本中由光照造成的明暗交界区域，在 EWGIF 和 Weber-face 中没有做特别处理；而在本 文方法中，这些区域被弱化，在 S4 中体现尤为明 显。S2 图像由于光照比较接近正面光照，本文方法 和 EWGIF 方法的实验结果相近。 原图 S5 S4 S 3 S 2 Weber−face EWGIF+SQI 本文方法+SQI 图 6 不同方法对 Extended Yale B 数据库做光照补偿的结果 Fig. 6 Illumination compensation result with different approaches on the face images in the Extended Yale B database 3.2 人脸识别实验结果 3.2.1 CMU-PIE 测试结果 本文在 CMU-PIE 的光照子集 (“C27”) 上进行 ·376· 智 能 系 统 学 报 第 13 卷
第3期 余拓，等：基于加权边缘弱化引导滤波的人脸光照补偿 ·377· 测试，其中包含了68个人脸在21种光照条件下的 Weber-face提升了约7.3%的平均识别准确率；且在 图像。本文每次使用1种光照下的图像作为训练样 不同光照条件的图片作为训练样本时，相较于 本，其余20种光照下的图像作为测试样本。 EWGF,本文方法的识别准确率都得到了不同程度 图7展示了不同方法在CMU-PIE上的识别准 的提升。从表1可以看出，本文方法的平均识别准 确率，可以看到，本文方法明显优于原图和HE,较 确率在EWGF+SQI的基础上提升了约5.9%。 100 十一原图·一HE关一 Weber--face△EWGIF+SQI本文方法+sQI 90 70 关 60 8 50 7 891011121314151617181920 21 训练样本序号 图7不同方法在CMU-PIE上的识别准确率 Fig.7 Recognition rates on CMU-PIE with different approaches 表1不同方法在CMU-PE上的平均识别准确率 S4、S上的识别准确率高于Weber--face。由于S,与 Table 1 Average recognition rates on CMU-PIE with dif- 训练集的光照差异不大，本文方法在S,上的识别准 ferent approaches 确率与EWGIF、Weber-face相差不大；另外3个子 方法名称 平均识别率/% 集与训练集的光照差异大，本文方法相较于 原图 29.7 EWGIF-+SQL,在S、S4、S上分别提升了约6.1% HEIST 7.6%、2.1%,平均识别率提升了约3.7%。 45.1 Weber-facel] 80.0 9 EWGIF+SQI9 81.4 92 本文方法+SQI 87.3 590 0 0.08 0.160.240.320.40 取值 3.2.2 Extended Yale B测试结果 本文使用Extended Yale B中的子集Sl作为训 图86取不同值时本文方法+SQI在Extended Yale B数据 库SS子集上的平均识别准确率 练样本，另外4个子集作为测试样本，进行人脸识 Fig.8 Average recognition rates on the S2~Ss subsets of 别实验。 the Extended Yale B by the proposed method +SQl 图8展示了穷举搜索常数系数6的结果。由图8 with different valves 可见，当6=0.06时，本文方法+SQI在Extended Yale 表3对比了不同方法的运行时间。实验使用 B数据库S,~S子集上取得较好的识别结果。 CPU主频3.2GHz、内存8GB的PC机，所有代码 表2展示了不同方法在Extended Yale B中的 均为MATLAB实现。由表3可见，本文方法的运 每个子集（不包含作为训练集的S)上的识别准确 行时间虽然超过HE、Weber-face,但相较于EWGIF 率及平均识别准确率，可以看到，本文方法在各个 仅增加了微量的运行时间。算法具有一定的实时 子集上的识别准确率明显高于原图和HE,在S、 性，可进一步应用于实时视频的人脸识别中
测试，其中包含了 68 个人脸在 21 种光照条件下的 图像。本文每次使用 1 种光照下的图像作为训练样 本，其余 20 种光照下的图像作为测试样本。 图 7 展示了不同方法在 CMU-PIE 上的识别准 确率，可以看到，本文方法明显优于原图和 HE，较 Weber-face 提升了约 7.3% 的平均识别准确率；且在 不同光照条件的图片作为训练样本时，相较于 EWGIF，本文方法的识别准确率都得到了不同程度 的提升。从表 1 可以看出，本文方法的平均识别准 确率在 EWGIF+SQI 的基础上提升了约 5.9%。 䃙㏯ᵣ᱘Ꮋण 1 2 4 3 5 6 7 8 9 10 11 12 13 15 14 16 17 18 19 20 21 100 90 80 70 60 50 40 30 20 䃲ݗ۲⢳/% ࣋ప HE Weber−face EWGIF+SQI ᱘᪳∁+SQI 图 7 不同方法在 CMU-PIE 上的识别准确率 Fig. 7 Recognition rates on CMU-PIE with different approaches 表 1 不同方法在 CMU-PIE 上的平均识别准确率 Table 1 Average recognition rates on CMU-PIE with different approaches 方法名称 平均识别率/% 原图 29.7 HE[5] 45.1 Weber-face[16] 80.0 EWGIF+SQI[19] 81.4 本文方法+SQI 87.3 3.2.2 Extended Yale B 测试结果 本文使用 Extended Yale B 中的子集 S1 作为训 练样本，另外 4 个子集作为测试样本，进行人脸识 别实验。 δ δ = 0.06 图 8 展示了穷举搜索常数系数 的结果。由图 8 可见，当 时，本文方法+SQI 在 Extended Yale B 数据库 S2~S5 子集上取得较好的识别结果。 表 2 展示了不同方法在 Extended Yale B 中的 每个子集 (不包含作为训练集的 S1 ) 上的识别准确 率及平均识别准确率，可以看到，本文方法在各个 子集上的识别准确率明显高于原图和 HE，在 S3、 S4、S5 上的识别准确率高于 Weber-face。由于 S2 与 训练集的光照差异不大，本文方法在 S2 上的识别准 确率与 EWGIF、Weber-face 相差不大；另外 3 个子 集与训练集的光照差异大，本文方法相较 于 EWGIF+SQI，在 S3、S4、S5 上分别提升了约 6.1%、 7.6%、2.1%，平均识别率提升了约 3.7%。 94 92 䃲ݗ۲⢳ 90 /% 0 0.08 0.16 0.24 0.32 0.40 δंը 图 8 δ 取不同值时本文方法+SQI 在 Extended Yale B 数据 库 S2~S5 子集上的平均识别准确率 δ Fig. 8 Average recognition rates on the S2～S5 subsets of the Extended Yale B by the proposed method + SQI with different valves 表 3 对比了不同方法的运行时间。实验使用 CPU 主频 3.2 GHz、内存 8 GB 的 PC 机，所有代码 均为 MATLAB 实现。由表 3 可见，本文方法的运 行时间虽然超过 HE、Weber-face，但相较于 EWGIF 仅增加了微量的运行时间。算法具有一定的实时 性，可进一步应用于实时视频的人脸识别中。 第 3 期 余拓，等：基于加权边缘弱化引导滤波的人脸光照补偿 ·377·
·378· 智能系统学报 第13卷 表2不同方法在Extended Yale B上的识别准确率 YE Jianfeng,WANG Huaming.An automatic face recogni- Table 2 Recognition rates on the Extended Yale B with tion method using AdaBoost detection and SOM[J].Journal different approaches % of Harbin engineering university,2018,39(1):129-134. 方法名称 S2 S3 S4 S5 AVG [5]SHAN Shiguang,GAO Wen,CAO Bo,et al.Illumination 原图 82.7 19.3 38.0 2.8 23.5 normalization for robust face recognition against varying HEIS lighting conditions[C]//IEEE International Workshop on 83.840.9 12.6 18.1 35.5 Analysis and Modeling of Faces and Gestures.Nice,France: Weber-facel6 100 73.879.1 76.1 81.5 IEEE.2003:157-164. EWGIF+SQI 99.685.384.490.9 90.0 [6]AHONEN T,HADID A,PIETIKAINEN M.Face descrip- 本文方法+SQI 99.191.492.093.093.7 tion with local binary patterns:application to face recogni- tion[J].IEEE transactions on pattern analysis and machine 表3不同方法在Extended Yale B上对一幅图像的平均处 intelligence,2006,28(12y:2037-2041」 理时间 [7]TAN Xiaoyang,TRIGGS B.Enhanced local texture feature Table 3 Average processing time per image on the Exten- ded Yale B with different approaches sets for face recognition under difficult lighting conditions ms [J].IEEE transactions on image processing,2010,19(6): 方法名称 平均处理时间 1635-1650 原图 [8]DENIZ O,BUENO G,SALIDO J,et al.Face recognition HEIS) 0.86 using histograms of oriented gradients[J].Pattern recogni- Weber-face tion letters.2011,32(12)y:1598-1603. 1.95 [9]LUO Yong,GUAN Yepeng.Enhanced facial texture illu- EWGIF+SQ 3.00 mination normalization for face recognition[J.Applied op- 本文方法+SQI 3.01 tics,2015,54(22):6887-6894. [10]GEORGHIADES A S.BELHUMEUR P N.KRIEGMAN 4结束语 D J.From few to many:illumination cone models for face recognition under variable lighting and pose[J].IEEE 本文针对人脸识别中的光照变化问题，提出了 transactions on pattern analysis and machine intelligence, -种基于加权EWGF的人脸光照补偿方法。使用 2001,23(6643-660. 正面光照样本的类间平均脸生成加权系数，作为引 [11]BLANZ V,VETTER T.Face recognition based on fitting a 导滤波损失函数惩罚项的加权系数，配合自商图， 3D morphable model[J].IEEE transactions on pattern ana- 弱化了最终得到的光照补偿图像中人脸平滑区域由 lysis and machine intelligence,2003,25(9):1063-1074. 光照造成的边缘细节噪声。实验结果表明，本文方 [12]ZHANG Lei,SAMARAS D.Face recognition from a single training image under arbitrary unknown lighting us- 法能有效提高人脸识别准确率。未来的工作将深入 ing spherical harmonics[J].IEEE transactions on pattern 研究引导滤波的惩罚项，改进加权系数，优化光照 analysis and machine intelligence,2006,28(3):351-363. 模型，从而进一步提升光照补偿的效果和人脸识别 [13]JOBSON D J,RAHMAN Z,WOODELL G A.Properties 的准确率。 and performance of a center/surround retinex[J].IEEE 参考文献： transactions on image processing,1997,6(3):451-462. [14]ZHANG Taiping,TANG Yuanyan,FANG Bin,et al.Face [1]LIAN Zhichao,ER M J.Illumination normalisation for face recognition under varying illumination using gradientfaces recognition in transformed domain[J].Electronics letters, [J].IEEE transactions on image processing,2009,18(11): 2599-2606. 2010.46(15):1060-1061 [15]WANG Haitao,LI S Z,WANG Yangsheng.Generalized [2]ZOU Jie,JI Qiang,NAGY G.A comparative study of local quotient image[C]//Proceedings of the 2004 IEEE Com- matching approach for face recognition[J].IEEE transac- puter Society Conference on Computer Vision and Pattern tions on image processing,2007,16(10):2617-2628. Recognition.Washington,DC,USA:IEEE,2004,2:II- [3]GUO Guodong,LI SZ,CHAN K.Face recognition by sup- 498-Π-505. port vector machines[Cl//Proceedings of the 4th IEEE Inter- [16]WANG Biao,LI Weifeng,YANG Wenming,et al.Illu- national Conference on Automatic Face and Gesture Recog- mination normalization based on Weber's law with applica- nition.Grenoble.France:IEEE.2000:196-201 tion to face recognition[J].IEEE signal processing letters, [4叶剑锋，王化明.AdaBoost检测结合SOM的自动人脸识 2011,18(8):462-465. 别方法).哈尔滨工程大学学报，2018,39(1)：129-134. [17]BARADARANI A,WU Q M J,AHMADI M.An efficient
表 2 不同方法在 Extended Yale B 上的识别准确率 Table 2 Recognition rates on the Extended Yale B with different approaches % 方法名称 S2 S3 S4 S5 AVG 原图 82.7 19.3 38.0 2.8 23.5 HE[5] 83.8 40.9 12.6 18.1 35.5 Weber-face[16] 100 73.8 79.1 76.1 81.5 EWGIF+SQI[19] 99.6 85.3 84.4 90.9 90.0 本文方法+SQI 99.1 91.4 92.0 93.0 93.7 表 3 不同方法在 Extended Yale B 上对一幅图像的平均处 理时间 Table 3 Average processing time per image on the Extended Yale B with different approaches ms 方法名称 平均处理时间 原图 — HE[5] 0.86 Weber-face[16] 1.95 EWGIF+SQI[19] 3.00 本文方法+SQI 3.01 4 结束语 本文针对人脸识别中的光照变化问题，提出了 一种基于加权 EWGIF 的人脸光照补偿方法。使用 正面光照样本的类间平均脸生成加权系数，作为引 导滤波损失函数惩罚项的加权系数，配合自商图， 弱化了最终得到的光照补偿图像中人脸平滑区域由 光照造成的边缘细节噪声。实验结果表明，本文方 法能有效提高人脸识别准确率。未来的工作将深入 研究引导滤波的惩罚项，改进加权系数，优化光照 模型，从而进一步提升光照补偿的效果和人脸识别 的准确率。 参考文献： LIAN Zhichao, ER M J. Illumination normalisation for face recognition in transformed domain[J]. Electronics letters, 2010, 46(15): 1060–1061. [1] ZOU Jie, JI Qiang, NAGY G. A comparative study of local matching approach for face recognition[J]. IEEE transactions on image processing, 2007, 16(10): 2617–2628. [2] GUO Guodong, LI S Z, CHAN K. Face recognition by support vector machines[C]//Proceedings of the 4th IEEE International Conference on Automatic Face and Gesture Recognition. Grenoble, France: IEEE, 2000: 196–201. [3] 叶剑锋, 王化明. AdaBoost 检测结合 SOM 的自动人脸识 别方法[J]. 哈尔滨工程大学学报, 2018, 39(1): 129–134. [4] YE Jianfeng, WANG Huaming. An automatic face recognition method using AdaBoost detection and SOM[J]. Journal of Harbin engineering university, 2018, 39(1): 129–134. SHAN Shiguang, GAO Wen, CAO Bo, et al. Illumination normalization for robust face recognition against varying lighting conditions[C]//IEEE International Workshop on Analysis and Modeling of Faces and Gestures. Nice, France: IEEE, 2003: 157–164. [5] AHONEN T, HADID A, PIETIKAINEN M. Face description with local binary patterns: application to face recognition[J]. IEEE transactions on pattern analysis and machine intelligence, 2006, 28(12): 2037–2041. [6] TAN Xiaoyang, TRIGGS B. Enhanced local texture feature sets for face recognition under difficult lighting conditions [J]. IEEE transactions on image processing, 2010, 19(6): 1635–1650. [7] DÉNIZ O, BUENO G, SALIDO J, et al. Face recognition using histograms of oriented gradients[J]. Pattern recognition letters, 2011, 32(12): 1598–1603. [8] LUO Yong, GUAN Yepeng. Enhanced facial texture illumination normalization for face recognition[J]. Applied optics, 2015, 54(22): 6887–6894. [9] GEORGHIADES A S, BELHUMEUR P N, KRIEGMAN D J. From few to many: illumination cone models for face recognition under variable lighting and pose[J]. IEEE transactions on pattern analysis and machine intelligence, 2001, 23(6): 643–660. [10] BLANZ V, VETTER T. Face recognition based on fitting a 3D morphable model[J]. IEEE transactions on pattern analysis and machine intelligence, 2003, 25(9): 1063–1074. [11] ZHANG Lei, SAMARAS D. Face recognition from a single training image under arbitrary unknown lighting using spherical harmonics[J]. IEEE transactions on pattern analysis and machine intelligence, 2006, 28(3): 351–363. [12] JOBSON D J, RAHMAN Z, WOODELL G A. Properties and performance of a center/surround retinex[J]. IEEE transactions on image processing, 1997, 6(3): 451–462. [13] ZHANG Taiping, TANG Yuanyan, FANG Bin, et al. Face recognition under varying illumination using gradientfaces [J]. IEEE transactions on image processing, 2009, 18(11): 2599–2606. [14] WANG Haitao, LI S Z, WANG Yangsheng. Generalized quotient image[C]//Proceedings of the 2004 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. Washington, DC, USA: IEEE, 2004, 2: II- 498–II-505. [15] WANG Biao, LI Weifeng, YANG Wenming, et al. Illumination normalization based on Weber's law with application to face recognition[J]. IEEE signal processing letters, 2011, 18(8): 462–465. [16] [17] BARADARANI A, WU Q M J, AHMADI M. An efficient ·378· 智 能 系 统 学 报 第 13 卷
第3期 余拓，等：基于加权边缘弱化引导滤波的人脸光照补偿 ·379· illumination invariant face recognition framework via illu- 作者简介： mination enhancement and DD-DT WT filtering[J].Pat- 余拓，男，1993年生，硕土研究 tern recognition,2013,46(1):57-72. 生，主要研究方向为人脸识别。 [18]HU Haifeng.Illumination invariant face recognition based on dual-tree complex wavelet transform[J].IET computer vision,2015,9(2:163-173 [19]CHEN Chao,SHEN Haibin.Illumination compensation method using edge-weakening guided image filter for face recognition[J].Electronics letters,2015,51(19): 陈莹，女，1976年生，教授，博士， 1495-1497 CC℉会员，主要研究方向为计算机视 [20]HE Kaiming,SUN Jian,TANG Xiaoou.Guided image fil- 觉、模式识别。 tering[J].IEEE transactions on pattern analysis and ma chine intelligence,2013,35(6):1397-1409. [21]DRAPER N R,SMITH H.Applied regression analysis[M]. New York:John Wiley and Sons,2014. 2018年第五届IEEE云计算与智能系统国际会议(EEE CCIS2018) 2018 5th IEEE International Conference on Cloud Computing and Intelligence Systems (IEEE CCIS 2018) 2018 5th IEEE International Conference on Cloud Computing and Intelligence Systems(IEEE CCIS2018)will fea- ture a comprehensive technical program including several Symposia and a number of Tutorials and Workshops.Themed as"Cloud Computing and Intelligence Systems",This conference provides a high-quality forum for researchers and practitioners to present their latest theoretical and practical work on the cutting edge technologies and hot topics in the areas of Machine learning,Computational intelligence:Evolutionary Computation,Big data computing Systems,Com- puter vision,Pattern recognition,Deep learning. 2018 5th IEEE International Conference on Cloud Computing and Intelligence Systems(5th IEEE CCIS2018)in Nov.30-Dec.2.2018 in Nanjing,China
illumination invariant face recognition framework via illumination enhancement and DD-DT WT filtering[J]. Pattern recognition, 2013, 46(1): 57–72. HU Haifeng. Illumination invariant face recognition based on dual-tree complex wavelet transform[J]. IET computer vision, 2015, 9(2): 163–173. [18] CHEN Chao, SHEN Haibin. Illumination compensation method using edge-weakening guided image filter for face recognition[J]. Electronics letters, 2015, 51(19): 1495–1497. [19] HE Kaiming, SUN Jian, TANG Xiaoou. Guided image filtering[J]. IEEE transactions on pattern analysis and machine intelligence, 2013, 35(6): 1397–1409. [20] DRAPER N R, SMITH H. Applied regression analysis[M]. New York: John Wiley and Sons, 2014. [21] 作者简介： 余拓，男，1993 年生，硕士研究 生，主要研究方向为人脸识别。 陈莹，女，1976 年生，教授，博士， CCF 会员，主要研究方向为计算机视 觉、模式识别。 2018 年第五届 IEEE 云计算与智能系统国际会议（IEEE CCIS 2018） 2018 5th IEEE International Conference on Cloud Computing and Intelligence Systems (IEEE CCIS 2018) 2018 5th IEEE International Conference on Cloud Computing and Intelligence Systems (IEEE CCIS2018) will feature a comprehensive technical program including several Symposia and a number of Tutorials and Workshops. Themed as “Cloud Computing and Intelligence Systems”, This conference provides a high-quality forum for researchers and practitioners to present their latest theoretical and practical work on the cutting edge technologies and hot topics in the areas of Machine learning, Computational intelligence: Evolutionary Computation, Big data computing Systems, Computer vision, Pattern recognition, Deep learning. 2018 5th IEEE International Conference on Cloud Computing and Intelligence Systems (5th IEEE CCIS2018) in Nov.30-Dec.2, 2018 in Nanjing, China. 第 3 期 余拓，等：基于加权边缘弱化引导滤波的人脸光照补偿 ·379·
