《人脸识别中的图像去噪技术研究.pdf》由会员分享，可在线阅读，更多相关《人脸识别中的图像去噪技术研究.pdf（65页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、学校代号：1 0 5 3 2学号：S 1 3 1 0 3 0 0 1 5密级：普通湖南大学硕士学位论文人脸识别中的图像去噪技术研究诠塞簦趱旦塑；2 Q ! 鱼生5 目2 Z 目筌燮耋虽盒圭虚；扬金民熬握万方数据R e s e a r c ho nI m a g eD e n o i s i n gT e c h n o l o g yi nt h eF a c eR e c o g n i t i o nB yH ES h a o r o n gB E ( H u n a nU n i v e r s i t y ) 2 013At h e s i ss u b m i t t e di np
2、 a r t i a ls a t i s f a c t i o no ft h eR e q u i r e m e n t sf o rt h ed e g r e eo fM a s t e ro fE n g i n e e r i n gS o f t w a r eE n g i n e e r i n gi nt h eG r a d u a t eS c h o o lo fH u n a nU n i v e r s i t yS u p e r v i s o rP r o f e s s o rL I UY o n g h eM a y ，2 0 1 6万方数据湖南大学
3、学位论文原创性声明本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体己经发表或撰写的成果作品。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律后果由本人承担。作者签名：角萄澎吝日期：办后年6 月日学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。本人授权湖南大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和
4、汇编本学位论文。本学位论文属于1 、保密口，在年解密后适用本授权书。2 、不保密酣。( 请在以上相应方框内打“、”)作者签名：导师签名：稍 别沁陟日期：加6 年月日 E t 期：渊占年6 月f 曰万方数据人脸识别中的图像去噪技术研究摘要人脸识别作为图像处理领域中的成功应用之一，它在过去的几十年中受到了广泛的关注。虽然现有的人脸识别系统在理论环境下已经有一定的成熟度，但由环境、设备等加入的客观条件还是限制了其在实际中的成功应用。设备采集的人脸图像由于受到环境中的光照变化、设备性能优劣不一等影响往往使其存在有噪声、阴影、对比度不够等缺点。本文针对图像中的噪声干扰问题，提出了一种自适应的非局部均值去
5、噪方法，并结合人脸图像的结构特点和可行性分析，提出了基于自适应去噪方法的人脸识别方案，以及在A n d r o i d 平台上实现了一个本地的人脸识别系统。非局部均值滤波是一种高效的去噪方法，但经典的非局部均值方法可能不能为非重复性的图像块找到足够多的相似图像块。为了抑制这些缺点，我们利用自适应预分类提出了一种改进的非局部均值方法。该方法采用H u 不变矩和基于阈值的聚类方法来自适应的给含噪图像块分类。接着，我们采用了旋转匹配的方法决定一幅图像中两个图像块的合适的距离测量值。实验结果表明了该方法在量化标准和视觉效果上都超过了经典的非局部均值方法，特别是当图像含有大量噪声时，该方法拥有更好的去噪
6、效果。针对非局部均值去噪方法对滤波参数敏感的问题，我们进一步改进了非局部均值去噪方法，使其更好的适用于人脸识别解决方案。一方面，人脸具有对称结构特点，利用H u 矩的第七个不变矩可以识别出更多镜面相似的图像块从而增加相似块的数量，从而达到提升图像质量的目的。另一方面，我们在非局部去噪过程中为滤波参数采用了自动设置方案，有利于应用于实际场景。本方法可以有效地降低噪声对人脸特征提取的影响，有助于下一步的人脸识别。根据所提出的人脸识别方案，我们在A n d r o i d 平台上实现了一个本地的人脸识别系统。本文的人脸识别方案能够有效地处理噪声对识别的影响，提升了人脸识别率与用户体验。关键词：人脸识
7、别；图像去噪；非局部均值；自适应聚类；不变矩I I万方数据硕士学位论文A b s t r a c tF a c er e c o g n i t i o ni so n eo ft h es u c c e s s f u la p p l i c a t i o n so fi m a g ep r o c e s s i n g I th a sr e c e i v e dw i d e s p r e a da t t e n t i o ni nt h ep a s tf e wd e c a d e s A l t h o u g ht h ee x i s t i n gf a
8、c er e c o g n i t i o ns y s t e m sh a v ec e r t a i nm a t u r i t yi nt h et h e o r yo fe n v i r o n m e n t B u tt h eo b je c t i v ec o n d i t i o n si n t r o d u c e db yt h ee n v i r o n m e n t ，e q u i p m e n t ，e t c s t i l ll i m i ti t ss u c c e s s f u la p p l i c a t i o ni
9、 na c t u a l D u et ot h ei m p a c to fi l l u m i n a t i o nc h a n g ei nt h ee n v i r o n m e n ta n dd i f f e r e n te q u i p m e n tp e r f o r m a n c e ，t h ef a c ei m a g ea c q u i r e db ye q u i p m e n ta l w a y sh a ss o m ed r a w b a c k ss u c ha sc o n t a i n i n gn o i s e
10、a n ds h a d o w ，n o te n o u g hc o n t r a s tr a t i o T h i sp a p e rf o c u s e so nt h ep r o b l e mo fn o i s ei ni m a g e ，a n dp r o p o s e da na d a p t i v en o n l o c a lm e a n sd e n o i s i n gm e t h o d I na d d i t i o n ，w ec o m b i n e dt h em e t h o dw i t ht h ec h a r
11、a c t e r i s t i c so ft h ef a c ei m a g es t r u c t u r ea n df e a s i b i l i t ya n a l y s i s ，p r o p o s e daf a c er e c o g n i t i o ns o l u t i o nb a s e do na d a p t i v ed e n o i s i n gm e t h o da n di m p l e m e n t e dal o c a lf a c er e c o g n i t i o ns y s t e mo nt h
12、 eA n d r o idp l a t f o r m N o n l o c a lm e a n si sa ne f f e c t i v ed e n o i s i n gm e t h o d ，b u tt h eo r i g i n a ln o n l o c a lm e a n sm a yn o tf i n de n o u g hs i m i l a rc a n d i d a t e sf o rs o m en o n r e p e t i t i v ei m a g eb l o c k s I no r d e rt om i t i g a
13、 t et h e s ed r a w b a c k s ，w ep r o p os ea ni m p r o v e dn o n l o c a lm e a n sm e t h o du s i n ga d a p t i v ep r e c l a s s i f i c a t i o ni n t h i sp a p e r T h ep r o p o s e dm e t h o de m p l o y sH u Sm o m e n ta n dt h et h r e s h o l d b a s e dc l u s t e r i n ga l g
14、o r i t h mt oc l a s s i f yn o i s yi m a g eb l o c k sa d a p t i v e l y T h e n ，ar o t a t i o n a lb l o c km a t c h i n gm e t h o di sa d o p t e dt of i n dt h ea p p r o p r i a t ed i s t a n c em e a s u r e m e n tb e t w e e nt w ob l o c k si na ni m a g e E x p e r i m e n t a lr
15、e s u l t ss h o w st h a t t h i sm e t h o do u t p e r f o r m so r i g i n a ln o n l o c a lm e a n sb o t hi nq u a n t i t a t i v ea n di nv i s u a lq u a l i t i e s ，e s p e c i a l l yw h e nt h ei m a g ec o n t a i n sl a r g ea m o u n to fn o i s e A c c o r d i n gt ot h et r u t ht
16、 h a tt h eq u a l i t yo fd e n o i s e di m a g ei se a s i l yi n f l u e n c e db yt h ef i l t e rp a r a m e t e r ，w ef u r t h e ri m p r o v e dt h en o n l o c a lm e a n sd e n o i s i n gm e t h o dt om a k ei tb e t t e ra p p l yt of a c er e c o g n i t i o ns o l u t i o n O nt h eo
17、n eh a n d ，h u m a nf a c eh a ss y m m e t r ys t r u c t u r ec h a r a c t e r i s t i ca n dt a k i n ga d v a n t a g eo ft h es e v e n t hm o m e n ti n v a r i a n tc o u l di n c r e a s en u m b e ro fs i m i l a ri m a g eb l o c kb yr e c o g n i z i n gm i r r o rs i m i l a ro n e s ，
18、w h i c hw i l lc o n t r i b u t et oa c h i e v et h ep u r p o s eo fi m p r o v i n gt h eq u a l i t yo fi m a g e O nt h eo t h e rh a n d ，a na u t o m a t i c a l l ys e t t i n gs c h e m eo ff i l t e rp a r a m e t e ri sa p p l i e df o rn o n l o c a lf i l t e r i n g ，w h i c hi sa p
19、p l i c a b l et ot h ea c t u a ls c e n e T h i sm e t h o dc a ne f f e c t i v e l yr e d u c et h ee f f e c t so fn o i s eo nf a c ef e a t u r ee x t r a c t i o n ，a n dc o n t r i b u t et ot h en e x ts t e pI I I 万方数据o ff a c er e c o g n i t i o n 人脸识别中的图像去噪技术研究A c c o r d i n gt ot h e
20、p r o p o s e df a c er e c o g n i t i o ns c h e m e ，w ei m p l e m e n tal o c a lf a c er e c o g n i t i o ns y s t e mo nt h eA n d r o i dp l a t f o r m T h ef a c er e c o g n i t i o ns o l u t i o ni nt h ep a p e rc a ne f f e c t i v e l yd e a l sw i t ht h ei n f l u e n c eo fn o i
21、s eo nr e c o g n i t i o n ，i m p r o v e st h ef a c er e c o g n i t i o nr a t ea n dt h eu s e re x p e r i e n c e K e yW o r d s ：F a c eR e c o g n i t i o n ，I m a g eD e n o i s i n g ，N o n l o c a lM e a n s ，A d a p t i v eC l u s t e r i n g ，M o m e n tI n v a r i a n t万方数据硕士学位论文目录学位论
22、文原创性声明和学位论文版权使用授权书I摘要I IA b s t r a c t I I I插图索引V I I I附表索引I X第l 章绪论11 1 研究背景及意义11 2 国内外研究现状一21 2 1 人脸识别研究现状21 2 2 人脸图像预处理41 2 3 图像去噪研究现状51 3 发展趋势与存在问题61 4 本文研究内容一71 5 本文组织结构8第2 章图像去噪相关技术92 1 引言92 2 图像噪声模型一92 2 1 图像噪声分类92 2 2 图像噪声模型1 02 3 图像质量评价标准1 02 4 图像去噪方法1 22 4 1 局部去噪方法1 22 4 2 非局部去噪方法1 32 5 聚
23、类方法1 52 5 1 聚类方法分类152 5 2K m e a n s 聚类方法1 62 6 本章小结17第3 章基于自适应预分类的非局部均值方法1 83 1 引言183 2 非局部均值方法的分析1 83 3 基于自适应聚类的预分类1 9V 万方数据人脸识别中的图像去噪技术研究3 3 1 自适应聚类1 93 3 2 图像块描述符2 03 3 3 自适应预分类2 13 4 基于旋转匹配的非局部去噪2 23 4 1 基于旋转匹配的相似性度量2 23 4 2 非局部去噪框架2 43 5 实验结果与分析2 43 5 1 实验参数2 43 5 2 实验结果分析2 53 6 本章小结2 8第4 章基于自
24、适应去噪的人脸识别方案一2 94 1 引言2 94 2 自适应的滤波参数一2 94 2 1 噪声标准差估计一2 94 2 2 滤波参数的自动设定3 04 3 基于自适应去噪的人脸图像预处理一3 l4 3 1 自适应非局部去噪方法一3 14 3 2 人脸图像的自适应去噪一3 24 4 基于自适应去噪的人脸识别方案3 44 4 1 人脸识别方案3 44 4 2 实验与分析3 44 5 本章小结3 6第5 章基于A n d r o i d 平台的人脸识别系统3 75 1 引言3 75 2A n d r o i d 开发平台简介一3 75 3 人脸识别系统设计3 85 3 1 系统需求分析3 85 3
25、 2 系统模块设计3 95 4 人脸识别系统实现4 l5 4 1 用户向导4 15 4 3 人脸认证4 35 4 4 密码认证4 45 5 本章小结4 4结论4 5参考文献4 7万方数据硕士学位论文致 射5 2附录A 攻读硕士期间发表的论文目录5 3附录B 攻读学位期间参加的科研项目5 4V I I 万方数据人脸识别中的图像去噪技术研究插图索引图2 1 图像去噪模型1 2图2 2 自然图像中的冗余信息1 3图3 1N L M 权值分配1 9图3 2K 值比较2 0图3 3 基于阈值的聚类方法聚类效果2 2图3 4 旋转匹配的图像块2 3图3 5A P N L M 方法的流程图2 4图3 6 峰
26、值信噪比平均值随聚类算法阈值) ，的变化趋势一2 5图3 7 不同去噪方法在L e n a 图像( 盯= 2 0 ) 上的去噪效果比较2 7图3 8 不同去噪方法在P e p p e r s 图像( 仃= 4 0 ) 上的去噪效果比较2 8图4 1 参数J j L 对滤波参数忽的影响一3 1图4 2 人脸图像去噪效果( 仃= 2 0 ) 一3 3图4 3 人脸图像去噪效果( 仃2 5 0 ) 一3 3 图4 4 本文人脸识别方案流程图3 4图5 1 本地人脸识别系统框架图3 8图5 2 用户注册流程图3 9图5 3 人脸图像预处理流程图4 0图5 4 人脸认证流程图4 0图5 5 密码认证流程
27、图4 0图5 6 用户向导界面4 2图5 7 用户基本信息注册界面4 2图5 8 用户人脸信息注册界面4 3图5 9 用户人脸认证界面4 3图5 1 0 密码认证界面4 4V I I I 万方数据硕士学位论文附表索引表3 1 峰值信噪比值比较2 6表3 2 平均结构相似度值比较2 6表4 1 噪声标准差估计3 0表4 2 基于自适应去噪的人脸图像预处理3 2表4 3 不同去噪预处理方法的人脸识别率( 仃= 2 0 ) ( ) 3 5表4 4 不同去噪预处理方法的人脸识别率( o r = 5 0 ) ( ) 3 6 表5 1 用户基本信息表4 1表5 2 人脸特征表4 1I X 万方数据硕士学位
28、论文1 1 研究背景及意义第1 章绪论随着图像处理系列技术的日渐成熟，基于生物特征的的个人身份验证方式逐渐走上人们的生活舞台。人脸识别作为生物识别技术的明星更是成为了众多学者的关注焦点。在互联网时代，人们生活中的商业应用、法律程序等都有使用人脸识别技术来满足更高的个人信息安全要求的需要。历经几十年发展与研究的人脸识别技术已经达到了一定的应用基础，这使得人脸识别技术发展成为安全验证方式是一种必然趋势。目前，我们登录网站，使用系统，A T M 机取钱等等日常事务中一般都是通过数字或字母的组合密码来保证操作的安全。虽然，现在的指纹分析，视网膜、虹膜扫描技术也是十分可信的个人身份认证技术，但它们需要参
29、与者的高度配合，甚至需要了解一些专业知识。如此，只需要一张正面照片的人脸识别系统则会更易于被接受。2 0 1 2 年，F a c e + + 推出了它的第一个版本，基于云平台向用户提供了一系列的人脸检测、识别以及相关分析技术。2 0 1 5 年，微软提出了一个牛津计划，目的是向开发者开放一系列前沿技术的A P I ，其中包括了视觉、语音和语言三大类。与此同时，基于微软牛津计划中的人脸识别系列技术的一款颜值计算的微信应用风靡一时。在同一年中，著名的第三方支付平台支付宝在自己的应用中添加了人脸登录选项，增加了支付的安全系数，因而得到了广大用户的青睐。由此可见，人脸识别有着巨大的应用前景。尽管人脸识
30、别的研究历史已经有五十年之久，并且在实际应用中也可以看到它的身影，但是我们暂时还只能将基于人脸识别的认证方式作为一种辅助手段。这是因为人脸识别在不可控的环境中还是具有一定程度的挑战性。随着电子设备技术的高速发展，人们可以随时将生活中的图像信息用手机、相机拍摄下来。而通过电子设备采集的人脸图像由于在采集过程中，环境的变化较大，如光照明暗程度和方向以及采集设备性能的优劣等，往往存在有噪声、阴影、对比度不够等缺点。因此，人脸图像预处理是人脸识别过程中的一个不可或缺的部分，以便为进一步的人脸识别做前提准备。包括几何校正、直方图修正、图像去噪、图像锐化等等。人脸图像预处理的主要目的是抑制图像中的干扰、噪
31、声，恢复有效的原始信息，从而提升特征抽取、匹配的可靠程度【2 1 。其中，图像的噪声对图像影响至关重大，它会对图像特征的稳定提取造成严重干扰，从而对人脸识别率产生影响。为了能够去除图像中的噪声，从而使得图像的特征信息可以被正确提取，许万方数据人脸识别中的图像去噪技术研究多图像分析任务都会将图像去噪作为一个预处理步骤。图像去噪不仅在视觉效果上可以改善图像质量，更是通过保留原始图像的细节信息来促进后续处理问题的解决。所以，针对人脸识别中的人脸图像受到噪声影响的问题，在预处理阶段应用图像去噪技术具有重大的意义。在一般的人脸识别处理流程中，研究人员只对输入的人脸图像采用简单的中值滤波【3 】3 、高斯
32、平滑【4 1 、维纳滤波 5 】5 稍作处理。这些经典的去噪方法虽然能够快速的进行降噪处理，但是极有可能模糊掉一些重要的细节信息。随着智能设备在人们生活中的普及，人脸识别也开始在市场上得到广泛的应用，例如支付宝的刷脸登录，W i n l 0 的刷脸登录等等。为了将人脸识别更好的从理论环境扩展到实际应用中，选择一种适用于人脸识别应用的去噪方法十分重要。本文提出了一个基于自适应预分类的非局部均值去噪方法，并结合人脸的对称结构特点以及对非局部均值方法易受滤波参数影响的考虑，使其适用于人脸识别应用。最后，我们基于A n d r o i d 平台设计并实现了一个本地的人脸认证系统，验证了我们提出的人脸识
33、别方案，促进人脸识别技术在移动平台上的应用。1 2 国内外研究现状1 2 1 人脸识别研究现状人们的日常生活需要各种形式的个人身份鉴别凭证，例如可随身携带的各种证件，可被方便记忆的字符密码，还有越来越被人们所接受的基于生物特征的识别技术，包括指纹识别、声音识别、人脸识别等等。其中，人脸识别以其具有相对于其他生理特征更好的操作便捷性、结果直观性的优势正在成为个人身份识别方式的新星。人脸识别的问题可以被描述为通过学习人脸图像数据库，我们可以鉴别给定静态图像或视频序列中的一个或多个人脸。与此同时，我们还可以计算得到人脸的年龄，性别甚至表现出来的情绪。人脸识别的工作流程可以概述为从场景中检测人脸、对人
34、脸区域进行图像预处理、对人脸区域进行特征提取以及识别人脸。人脸识别的问题可以分为认证和识别两大类。人脸认证主要是指l ：1 的人脸验证，即通过一对一的匹配两张照片是否属于同一个人来达到验证身份的目的。人脸识别主要是指1 ：N 的人脸辨认，即将输入的人脸图像同数据库中的人脸进行一一比对，从而可以知晓输入人脸的身份，并输出辨别的结果。辨别人脸作为人类认知能力的重要组成部分，对人的大脑来说轻而易举，然而想要通过计算机系统模拟类似的认知能力仍然是一个值得研究的领域。对人脸的机器自动识别的早期研究工作可以追溯到上世纪六七十年代，B l e d s o e 6 l 和K e l l y t 7 】最早研究
35、了怎样利用计算机程序从一组摄像机拍摄的照片中挑出描述同万方数据硕士学位论文一个人的照片。1 9 7 0 年代，早期的人脸识别技术基于对人脸典型特征点之间距离的测量，例如人脸的几何结构，包括眼睛、鼻子、嘴巴等等【引。在接下来的二十年中，人脸识别的研究工作进展比较缓慢，大部分的研究工作基本建立在对人脸轮廓进行特征提取的基础上。人脸识别技术研究在其初级阶段主要还是基于特征来分析解决问题，并没有实现完全的自动化识别，因而没有应用到实际生产中。在二十世纪九十年代的十年时间里，人脸识别技术得到了飞速的发展，并开始出现在了商业应用中，例如I d e n t i x 公司的商业人脸识别系统F a c e I
36、t 。这段时期的人脸识别研究集中在人脸识别技术的自动化解决方案上，例如如何从给定的静态图像或视频序列中定位人脸，并提取出眼睛、嘴巴等特征。麻省理工学院的研究人员对基于结构特征和基于模板匹配的人脸识别方法进行了对比实验，证明了基于模板匹配的方法相对更优秀【9 1 。在基于表观特征的人脸识别方法中，特征脸方法和费舍脸方法基于大量数据库的实验证明了它们的有效性，并逐渐成为人脸识别技术的主流。同一时期，W i s k o t t 提出的基于弹性图匹配的方法也是另一个重要发展【1 0 】。该方法采用属性图描述人脸，兼顾了人脸全局特征和关键局部特征，因而取得了较大的成功。随后，美国F E R E T 项目
37、的成立大大促进了人脸识别算法的改进和应用。该项目旨在进行人脸识别算法的研究与测评，并创建了经典的F E R E T 人脸数据库【1 1 】。除此之外，F E R E T 项目的测试也提出了人脸识别在不理想的环境中遇到的光照、姿态等问题，指明了下一步的研究方向。自上世纪末以来，由于人脸识别的快速发展与各方支持，越来越多的学者都加入了研究人员的行列。随着研究的深入，大家开始着重于解决在非理想条件下采集的人脸图像对人脸识别造成的影响，即由于环境或者采集设备引入的光照、噪声问题以及用户不配合时引入的姿态问题。G e o r g h i a d e s 提出了一个光照锥模型来解决多个光照和姿态条件下的人
38、脸识别的问题，而B i a n z 等人则通过构建一个3 D 变形模型来分离光照、设备等外部参数，并在多个知名的人脸库上取得了较高的识别率【1 2 。13 1 。S h a n 等人利用了小波变换的高、低频系数分离处理，提出了一个光照归一化方法，从而得到光照预处理后的新图像 1 4 】。针对人脸图像在采集过程中受到噪声干扰的问题，一般情况下研究人员会在预处理阶段先对人脸图像进行滤波处理，常见的方法有中值滤波【3 1 、维纳滤波【5 】等等。另一方面，统计学也开始被结合到人脸识别技术中以解决人脸分类问题，例如支持向量机等等。尽管许多人脸识别方法相继被提出，但是在人脸识别领域依然存在一些挑战亟需解
39、决。光照、姿态、噪声、年龄以及复杂的户外环境等不可控条件往往是影响人脸识别率的关键因素。因而在不可控的条件下的人脸识别问题将成为未来研究人员备受重视的研究方向。万方数据人脸识别中的图像去噪技术研究1 2 2 人脸图像预处理各种设备采集的人脸图像，由于受到环境因素以及设备自身条件限制的影响，原始图像总会有一定程度的失真，因而我们并不能直接将原始图像用于人脸识别。一般情况下，我们会对原始图像进行一系列的预处理操作，以满足后续处理流程的需要。人脸图像常用的预处理方法主要包括图像的灰度变换、二值化、几何校正、光照处理、图像滤波等等。现在通过设备采集的图像一般都是彩色格式的，而人脸识别技术却一般是针对灰
40、色图像进行研究。这是因为彩色图像往往包含了许多复杂的背景信息，特别是肤色也会对识别产生较大的影响，通过图像灰度化不仅将信息简单化，而且也增强了对比度。最简单的彩色图像灰度化方法通过分析输入图像中红绿蓝三色分量的值，分别与三色的经验权重相乘来计算得到每一个像素点的灰度值，最后重新给像素点赋值来得到灰度图像。其他的灰度化方法主要有线性变换、分段线性变换、非线性灰度变化【1 5 1 。二值化主要用于灰度图像的轮廓凸显，通过与阈值的比较，像素点的值被重置为O 或者2 5 5 。人脸识别主要应用二值化来把人脸轮廓、眼睛等与人脸亮域区分开来，从而可以保留人脸图像的主要特征。常用的二值化方法有整体阈值法、局
41、部阂值法和动态阈值法。这些方法都需要选择一个合适的阈值，否则可能会丢失图像中许多有用的信息【1 6 】。因为动态阈值法与像素灰度值及其坐标位置有关，所以在人脸识别中，一般采用动态阈值法进行人脸图像二值化。几何校正主要用来解决图像采集时拍照的角度、距离以及设备的自身成像原因引起的图像不够标准的问题【1 7 J 。通过对人脸图像进行大小校正、平移、旋转、翻转等操作可以使得人的五官等关键部位尽量保持在一个相对标准的位置上。常用的几何校正方法可以分为直接和间接的校正法。实验条件下的人脸识别研究以在同等光照条件下采集的人脸图像为前提条件。然而，在户外条件下获取的人脸图像中，光的强度和角度变化可能使得图像出现过亮、过暗或者不同程度的明暗区域。光照变化会影响图像的整体灰度分布以及边缘信息，从而导致人脸识别率的下降。这是因为人脸识别是基于灰度图进行的，同一张人脸在不同光照条件下拍摄所得的图像是几乎不相同的。特别是阴暗区域的人脸边缘难以被检测到，而边缘信息却是人脸识别需要的重要依据信息。目前针对光照变化的问题，主要有基于不变特征的方法、基于模型化的方法以及人脸图像归一化的方法【1 8 】。由于系统外部干扰