改进Retinex算法提升人脸图像光照处理及识别性能

本文主要探讨了在人脸识别领域如何通过改进的Retinex算法来处理人脸图像的光照问题。Retinex算法是一种经典的图像复原技术，旨在模拟人眼对自然光照的理解，将图像分解为光照和反射两个部分。然而，传统Retinex在处理人脸侧光照图像时，由于其增强阴影边缘的特性，可能导致在光照变化条件下的人脸识别性能下降。 作者针对这一问题，提出了一种新型的基于新的传导函数的自适应平滑Retinex算法。这种传导函数考虑了空间梯度和像素局部不一致性两种因素，以更精确地测量灰度的剧烈变化。它在进行图像平滑的过程中，避免了边缘增强效应，同时保持了人脸特征边缘的清晰度，这对于人脸识别至关重要，因为人脸特征的细节信息对于识别准确度有直接影响。 算法的关键在于迭代过程中的平滑估计策略。作者采用了一种创新的方法，即在每次迭代中，选取上一次估计结果与当前迭代结果中的较大值作为约束条件，确保亮度图像满足Retinex理论的约束，这有助于保持算法的稳定性和有效性。 在YaleB人脸库的实验验证中，该算法表现出色，能够有效抑制强侧光照时的阴影现象，同时保持人脸特征的完整性，显著提升了识别率。在最好的情况下，与传统的Retinex算法相比，识别率提高了24.2%，即使在无强侧光照的条件下也能提高约4%，显示出高度的光照鲁棒性。因此，该改进的Retinex算法为在各种光照条件下的人脸识别提供了一种有效的解决方案，对于提升人脸识别系统的性能具有重要意义。 本文的研究不仅解决了Retinex算法在处理人脸图像时的局限性，而且为实际应用中的人脸识别系统提供了技术支撑，对于图像处理和计算机视觉领域的研究者以及实际应用开发者来说，都是一篇有价值的参考文献。