复杂光照下人脸识别：改进Retinex与LBP结合的算法

"这篇论文研究了一种改进的单尺度Retinex与局部二值模式（LBP）相结合的人脸识别算法，旨在解决复杂光照条件下人脸识别的挑战。该算法首先运用双边滤波代替传统的高斯滤波对人脸图像进行预处理，以保留图像的边缘细节。接着，通过高斯-拉普拉斯（LoG）算子和归一化处理进一步增强边缘特征，并使用标准差的加权融合方法将处理后的图像特征集成。然后，应用LBP方法对融合图像提取纹理特征，最后借助稀疏表示分类（SRC）策略对样本进行分类识别。实验在AR和Yale B人脸数据库上验证了该方法的光照鲁棒性，即使在训练样本有限和光照条件复杂的情况下也能取得良好的识别效果。" 本文主要讨论了人脸识别技术在复杂光照环境下的挑战及其解决方案。人脸识别作为一项生物识别技术，因为其非侵入性和便利性，被广泛应用在安全、航天、医疗等多个领域。然而，光照变化是影响人脸识别性能的主要因素之一。为应对这一问题，研究者们提出了多种策略，包括图像预处理、人脸建模和光照不变量提取。 论文提出的改进方法集中在图像预处理上，采用双边滤波器来改进单尺度Retinex算法，以更好地保留下图像的细节信息。双边滤波器既能平滑图像，又能保持边缘清晰，相比传统的高斯滤波，更适合处理具有显著边缘的人脸图像。此外，通过高斯-拉普拉斯算子检测边缘，结合归一化处理，进一步增强了图像的边缘特征。之后，论文引入了LBP，这是一种有效的纹理描述符，能够捕获图像的局部结构信息，对于光照变化具有一定的鲁棒性。 为了融合不同尺度的特征，论文采用了标准差的加权融合方法，这有助于综合考虑全局和局部信息。最后，稀疏表示分类算法用于对提取的特征进行分类，SRC可以有效处理高维特征空间中的数据，即使在训练样本有限的情况下，也能实现有效的分类。 实验结果证明了该方法的有效性，特别是在AR和Yale B这两个广泛使用的人脸数据库上，算法在光照条件复杂时仍能保持较高的人脸识别准确率。这表明，结合改进的Retinex和LBP的方法可以显著提高光照条件下的人脸识别性能，对实际应用具有重要的价值。