بهبود محلي كيفيت تصاوير چهره با سايه شديد به منظور ارتقاي شناسايي

Region-based Quality Improvement of Facial Images with Strong Shadows to Enhance Recognition

تغيير شرايط نوري، به خصوص تاثير نورپردازي هاي جانبي در تصاوير چهره، يك مانع اصلي در سيستم هاي شناسايي چهره محسوب مي‌شود. روش هاي مختلفي براي حل اين مساله پيشنهاد شده اند كه با مدل سازي تغييرات نور و يا استخراج ويژگي هاي پاياي تصوير به شناسايي چهره مي پردازند. بسياري از اين روش ها به دانش قبلي درباره منبع نور، زاويه نورپردازي و تشخيص ناحيه سايه نياز دارند. در اين مقاله روش جديدي مبتني بر تبديل h-minima براي ناحيه بندي تصوير و اصلاح نورپردازي در تصاوير چهره ارايه مي شود. روش پيشنهادي طي چند مرحله به استخراج و اصلاح الگوي سايه مي پردازد و درنهايت با استفاده از معيار مبتني بر گراديان، بهترين الگوي سايه را براي تصوير مشخص مي كند. سپس، الگوي سايه پيشنهادي براي بهبود روش Retinex (كه با تفاضل الگوي روشنايي از تصوير اصلي در دامنه لگاريتمي، مولّفه انعكاس را به عنوان ويژگي پايا از تصوير استخراج مي كند) استفاده مي شود. نتايج به دست آمده روي پايگاه هاي تصويري Yale B و Extended YaleB نشان مي دهد كه روش پيشنهادي دقّت شناسايي در روش Retinex را به نحو مطلوبي افزايش داده و نتايج موثري را در اصلاح نورپردازي تصاوير چهره حتي در سايه هاي شديد ارايه مي دهد.

Varying illuminations, especially the side lighting effects in face images, is one of the major obstacles in face recognition systems. Various methods have been presented for face recognition under different lighting conditions which require previous knowledge about Light source and shadow area. In this paper, a novel approach based on H-minima transform to image segmentation and illumination normalization is proposed. Firstly, shadow area is extracted and modified by multi-stage method. Then, the gradient based criteria used to determine the best pattern of shadow areas. Subsequently, the obtained pattern of shadow areas is used to improve Retinex method in obscure area, obvious area, and all areas of the face image. Experimental results on the Yale B and Extended Yale B database show that the proposed method significantly improves the performance of Retinex method. Furthermore, it provides the effective results in illumination normalization even in extreme lighting conditions.