基于Yale B数据库的人脸光照预处理与识别分析系统

资 源 简 介

本项目是一个专门针对Yale B人脸数据库设计的图像处理与分析平台，旨在解决人脸识别领域中最具挑战性的环境光照不均匀问题。Yale B数据库由于其包含了受严格控制的光照角度变化，是学术界评估图像增强和预处理算法性能的黄金标准数据集。本系统利用已经裁剪完成并标准化的10名受试者正面人脸图像数据，每人对应64张不同光照环境下的样本，总计640张。核心功能涵盖了高动态范围图像调整、自适应直方图修正以及光照不变量提取等预处理环节，能够将受侧向强光照射而产生深阴影的脸部图像转化为具备更高几何特征显著性的清晰化模型。

详 情 说 明

基于Yale B数据库的正面人脸光照预处理与识别分析系统

1. 项目介绍

本项目是一个专门针对人脸识别中光照稳健性问题设计的科研与实验平台。系统以经典的Yale B人脸数据库为逻辑原型，针对受侧向强光、深阴影干扰的正面人脸图像，提供了一套从数据模拟、图像增强、特征降维到自动识别的完整处理流程。通过集成多种主流的光照补偿算法，本系统能够有效地从非均匀光照样本中提取稳定的生物特征，旨在为复杂环境下的面部识别算法研发提供直观的对比实验环境。

2. 功能特性

• 多维度光照预处理对比：集成了Gamma校正、直方图均衡化（HE）、同态滤波以及单尺度Retinex算法。系统可直观展示不同滤波器对消除脸部阴影、平衡图像亮度的具体效果。
• 同态滤波增强逻辑：利用对数变换将图像分解为照明分量和反射分量，结合高斯高通滤波器抑制低频光照分量并增强高频细节，是本系统默认的高质量预处理方案。
• 自动化特征空间构建：采用主成分分析（PCA）技术对高维人脸数据进行压缩，通过经济型奇异值分解（SVD）提取能够代表95%能量特征的“特征脸”子空间。
• 智能识别评估系统：内置基于欧氏距离的最近邻分类器（1-NN），配合混淆矩阵分析，能够量化评估预处理算法对提升识别准确率的贡献。
• 动态模拟实验环境：内置Yale B数据模拟生成器，可模拟不同受试者及多角度旋转光照遮罩，支持在无原始数据库的环境下进行算法逻辑验证。

3. 使用方法

• 环境初始化：启动系统后，程序将自动配置实验参数，包括10名受试者模板、每人64张受不同光照影响的样本图，并按照50%的比例划分训练集与测试集。
• 运行预处理实验：系统会自动选取一张具有严重侧向阴影的样本，运行四种预处理算法并弹出对比报告窗口，用户可观察各算法对特征显著性的修复程度。
• 全量特征训练：程序将自动对所有训练数据进行全量光照补偿，随后执行PCA降维提取特征子空间。
• 识别与报告查看：分类识别环节结束后，系统将依次展示四个分析图表：算法效果对比图、特征子空间分布图、前10位特征脸展示以及识别混淆矩阵。

4. 系统要求

• 运行环境：MATLAB R2016b 或更高版本。
• 依赖工具箱：Image Processing Toolbox (用于图像处理函数)；Statistics and Machine Learning Toolbox (用于部分统计评估)。
• 硬件建议：由于涉及矩阵SVD分解及全量图像处理，建议内存不少于8GB。

5. 核心功能实现逻辑说明

数据准备逻辑 系统首先定义实验规模。在数据加载阶段，若无本地库，则启用模拟逻辑：通过网格坐标构造人脸基础模板，利用三角函数控制旋转光照遮罩的方向，模拟出不同光角度的人脸样本。

光照预处理实现细节

• 同态滤波：先将像素映射至对数域，通过傅里叶变换进入频域，应用高参数增益、低参数衰减的滤波器处理，最后逆变换回空间域，解决光照动态范围过大的问题。
• Retinex增强：利用高斯核对原图进行平滑，通过对数域的图像减法提取反射率成分，达到消除环境光影响的目的。

PCA特征提取流程

• 数据中心化：计算训练集平均脸并进行减法操作。
• 降维计算：采用经济型SVD加速特征值分解，通过计算累计能量分布自动确定降维后的维度k（保留95%方差）。
• 投影变换：将高维图像向量投影至由特征向量构建的正交基上，形成低维特征坐标。

识别与评估机制

• 最近邻匹配：将测试样本的投影坐标与训练集每一条记录计算L2范数之差，选取距离最近的样本标签作为预测结果。
• 可视化呈现：将前三个主成分以3D散点投影形式展示类别聚集度；通过混淆矩阵深浅变化展示系统在不同受试者间的误判偏好。