经验模式分解及其应用于人脸图像光照预处理的几个关键问题研究

Illumination variation is an important factor influencing the effect of face recognition. Especially, it is difficult work to extract the essential characteristic from the face image, in which there are some shadow regions. Empirical Mode Decomposition (EMD) can decompose non-stationary signal into several stationary signals which represent different frequency signal component. Bi-dimension EMD (BEMD) is an extensional version for 2D signal. In local area of face image, high frequency detail information represents the essential characteristic of face, and the low frequency information represents the illumination signal. So, BEMD can be used for illumination preprocessing, with the face image being decomposed into some frequency components. However, there are 4 important problems can decline that application of BEMD, and these problems are lacking evaluation criteria for decomposition, lacking local extreme point, uncertainty of sifting number for signal component and serious mode mixing caused by local shadow. This project will do much deep study for solving these 4 problems. Meanwhile, with the mode mixing problem being solved, the disturbance of face shadow will be suppressed.

光照变化是影响人脸识别效果的重要因素，特别是侧面光照在人脸图片上留下的阴影区域会严重干扰人脸本质特征的提取。经验模式分解（Empirical Mode Decomposition, EMD）可以将非平稳信号分解为不同频率成分的多个平稳信号之和，二维经验模式分解（Bi-dimensioin, BEMD）是EMD在二维信号上的扩展。人脸图像中的局部高频细节信息代表了人脸本质特征，而局部低频信息代表了光照信号，所以可以使用BEMD来分解人脸图像中不同频率分量，以达到进行光照预处理的目的。但是缺乏针对分解结果的量化评价标准、缺乏局部极值点、信号分量的迭代次数不确定，以及局部阴影造成的严重模式混淆现象等问题都会影响将BEMD用于人脸图像光照预处理的效果，本项目拟针对如何解决这四个方面的问题进行深入研究。

本课题主要针对使用经验模式分解方法去除光照对人脸识别的影响展开研究，提出了一种基于快速自适应二维经验模式分解方法（FABEMD）的变化光照下人脸识别方法，并将其使用在基于多尺度分析的变化光照下人脸识别计算框架之内，可以改善可变光照下的人脸识别效果。此外，本课题还在基于人脸的人种分类方面做出了研究工作，提出了一种基于眼眶特征点纹理特征的人种分类方法和一种基于眼周特征融合的人种分类方法。同时，本课题还开展了河流漂浮物自动检测方面的研究，提出了一种基于图像的河流漂浮物自动检测方法。这些研究工作以及所取得的研究成果都依赖国家自然科学基金青年项目的资助。