Yale人脸图像光照归一化方法研究(3)
1.5.1 本文的研究内容
本文主要着眼于人脸识别中光照问题的研究，简要叙述了一些解决光照问题的算法，；主要研究若干种典型的方法，包括直方图均衡化（HE）、高斯差分滤波器（DOG）、对数域离散余弦变换（LDCT）、梯度脸（GRF）和光照预处理链（TT）;合理设置相应的实验，验证方法在上述三个公认的人脸光照数据库上的识别率。再对实验结果加以整理和分析，得出结论并作出总结。
1.5.2 本文的组织结构
第一章主要介绍人脸识别的研究背景及研究意义、人脸识别的研究现状和存在问题、人脸识别中光照问题的研究现状，以及公认的光照测试人脸库，还介绍了本文的研究内容和组织结构。
第二章对处理光照问题的方法进行综述，再分别介绍直方图均衡化（HE）、高斯差分滤波器（DOG）、对数域离散余弦变换（LDCT）、梯度脸（GRF）和光照预处理链（TT）五种方法。
第三章给出了直方图均衡化、高斯差分滤波器、对数域离散余弦变换、梯度脸和光照预处理链五种光照归一化方法在Yale B、扩展的Yale B和PIE人脸数据集上的性能对比及实验分析。
第四章对人脸识别光照问题和上述五种方法进行综述，概括和总结。
2 几种光照归一化方法介绍
2.1 方法综述
光照之所以对于人脸识别率有着很重大的影响，是因为同一张人脸图像在不同光照条件下的差异可能会大于不同人脸图像在相同光照下的差异。因此，大量的研究人员将目光聚焦于光照问题的解决，不断地尝试新的方法，或者是对现有方法进行组合和改进，从而提出了诸多识别率较高、普适性较强的方法。这些方法或是利用数字图像处理技术对光照进行预处理，或是利用数学理论结合图像技术对图像进行变换，以期获取光照良好的图像，又或是对人脸图像进行建模处理，试图复原人脸的形状、姿态等信息；在此基础上再对人脸进行识别，大都获得了较好的识别性能。本文主要关注直方图均衡、高斯差分滤波、对数域的离散余弦变换、梯度脸和光照预处理链等五种方法，并对每种方法的相关原理和算法进行介绍。
2.2 直方图均衡化（HE）方法介绍
直方图均衡化方法，是一种在全局上进行统计分析，调整直方图中的灰度分布，再重新生成直方图的方法。该方法主要是为了有选择性地抑制某些信息（像素所占比例较少的灰度），而增强另外需要表现的某些信息（像素所占比例较多的灰度），即达到均衡化的目的。
2.2.1 灰度图像的直方图
增加灰度图像的对比度，是图像增强技术的一种，主要用来提升灰度图像在局部或者整体上的反差程度，从而清楚地显现出图像某些的细节，以达到改善图像的视觉效果的目的。直方图均衡化和伽马矫正就是在全局上增强对比度的典型方法。
一般以各像素点之间的灰度值差距的程度来表示图像对比度。而直方图均衡化就是按照设定好的一些映射关系，调整原图中各个像素点的灰度值使之均衡化的分布，来增强图像对比度的方法。我们能够通过图像的直方图清楚地看到图像像素在整个灰度区间的分布，以及像素在每个灰度级上出现的频率