郭浩　王國(guó)宇

摘要：主成分分析（PCA）是一種經(jīng)典算法，可用于人臉識(shí)別系統(tǒng)。它基于降維的方法提取樣本人臉圖像中的主要成分，并將待識(shí)別的人臉圖像映射到訓(xùn)練集中，經(jīng)比對(duì)后得出識(shí)別結(jié)果。但在此基本方法中光照變化是影響判別結(jié)果的一個(gè)重要因素。為克服此問(wèn)題，在此提出一種新方法，即首先基于中值思想得出較局部二值模式改進(jìn)的灰度圖像，然后借助主成分分析思想去除一些冗余特征，并且再次用PCA算法對(duì)圖像進(jìn)行識(shí)別。

關(guān)鍵詞：中值； 人臉識(shí)別； 主成分分析； 光照條件

中圖分類號(hào)：TN919?34 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1004?373X（2013）02?0016?03

0 引 言

當(dāng)今社會(huì)信息安全問(wèn)題備受關(guān)注，使得人們對(duì)生物特征識(shí)別技術(shù)寄予厚望。人臉識(shí)別是計(jì)算機(jī)視覺(jué)領(lǐng)域的重要研究?jī)?nèi)容，與其他生物特征識(shí)別技術(shù)相比具有獨(dú)到的優(yōu)勢(shì)[1]。

近年來(lái)各種人臉識(shí)別算法相繼被提出，主要分為以下幾類：基于局部特征的算法，如局部二值模式法（LBP）[2]；基于人臉整體特征的主成分分析法（PCA）；基于整體與局部融合的算法，如特征臉與特征眼融合。

在各種識(shí)別方法中，光照是影響準(zhǔn)確判別的重要因素[3?4]。要盡量消除此影響一般有兩種方法，一種是盡量得到不依賴于光照的圖像或特征，如3D人臉信息，非紫外線光譜特征等[5]；另一種是基于光照不變模型，也就是盡量使算法對(duì)光照不具有敏感性。局部二值模式（LBP），小波變換，邊緣二值圖像等具有此特點(diǎn)。

基于LBP的人臉識(shí)別對(duì)光照具有較強(qiáng)的魯棒性，且算法復(fù)雜度不高，操作簡(jiǎn)便，因此得到了人們的廣泛關(guān)注。針對(duì)它依然存在的問(wèn)題，提出一種基于中值思想的特征提取方法，使識(shí)別過(guò)程對(duì)光照有更強(qiáng)的魯棒性。對(duì)人臉庫(kù)進(jìn)行的實(shí)驗(yàn)證明了此方法的有效性。

1 PCA的簡(jiǎn)單介紹[6]

直觀上看來(lái)，光照的信息基本被消除，從圖中基本看不出光照的方向了。

各個(gè)LBP值有不同的發(fā)生概率，有的LBP值的出現(xiàn)是小概率事件。如果都用一種方法計(jì)算LBP值那么對(duì)于不同的紋理結(jié)構(gòu)和光照條件則沒(méi)有針對(duì)性。所以為了避免此問(wèn)題并提出主要信息，借鑒上文PCA的思想，將所有LBP值按出現(xiàn)概率由高到低排列，選取前99%作為保留值，并將其他LBP值均賦值為0。這樣就在保留主要細(xì)節(jié)的基礎(chǔ)上降低了運(yùn)算復(fù)雜度。

4 實(shí)驗(yàn)結(jié)果分析

AR人臉庫(kù)由133個(gè)人的每人7幅臉部圖像組成。其中跟光照有關(guān)的有4幅，分別為：中性表情時(shí)候的中性光、左側(cè)光、右側(cè)光、正常光。取正常光照下的中性表情作為訓(xùn)練集，比較不同方法的識(shí)別結(jié)果。實(shí)驗(yàn)結(jié)果如表1所示。

表1 不同光照下不同算法的識(shí)別結(jié)果

[＼&中性光＼&左側(cè)光＼&右側(cè)光＼&PCA;＼&68＼&86＼&101＼&LBP;+PCA＼&113＼&120＼&119＼&中值LBP+PCA＼&119＼&126＼&125＼&]

從表1中可以看出，在AR中，對(duì)于原始的PCA算法對(duì)于3種不同光照的正確識(shí)別數(shù)目分別為68幅，86幅和101幅，對(duì)于改進(jìn)的中值LBP和PCA法[10]配合使用可正確識(shí)別的數(shù)目分別為119幅，126幅和125幅。該結(jié)果的識(shí)別率明顯高于其他2種。表明提出的這種算法對(duì)于光照有很強(qiáng)的魯棒性，對(duì)比于其他方法更具實(shí)用性。實(shí)驗(yàn)結(jié)果表明，對(duì)于光照變化的情況，中值LBP和PCA配合使用的方法與其他算法相比識(shí)別率有了明顯的提升，可見(jiàn)所提出的算法能夠很好地描述光照變化條件下人臉的主要個(gè)性特征，使PCA算法更有效率。

5 結(jié) 語(yǔ)

通過(guò)分析LBP算子的優(yōu)缺點(diǎn)，提出了改進(jìn)型的基于中值思想的LBP算子，根據(jù)該算子得到人臉圖像的灰度圖，并采用PCA算法對(duì)一系列圖像進(jìn)行識(shí)別。

實(shí)驗(yàn)結(jié)果表明，在不同光照的條件下，該算法與傳統(tǒng)PCA算法和LBP+PCA算法相比在不提高算法復(fù)雜程度的基礎(chǔ)上有效提高了識(shí)別精度。同時(shí)此種改進(jìn)型LBP圖對(duì)于提取人臉的主要個(gè)性特征有著重要意義。

參考文獻(xiàn)

[1] GRUDIN M A. On internal representations in face recognition systems [J]. Pattern and Vision Computing， 2000 （19）： 1161?1177.

[2] AHONEN T， HADID A， PIETIK M. Ainen face recognition with local binary patterns [M]. New York：Springer， 2004.

[3] KAO W C， HSU M C， YANG Y Y. Local contrast enhancement and adaptive feature extraction for illumination invariant face recognition [J]. Pattern Recognition， 2010， 43（5）： 1736?1747.

[4] ZOU X， KITTLER J， MESSER K. Illumination invariant face recognition： a survey [C]// Proceeding of IEEE. AC， UK： IEEE， 2007： 1?8.

[5] GEORGHIADES A S， KRIEGMAN D J， BELHUMEUR P N. Illumination cones for recognition under variable lighting face [C]// Proceedings of IEEE Conference on CVPR. Santa Barbara， USA： IEEE， 1998： 147?159.

[6] 龐珊珊.基于膚色和主成分分析的人臉檢測(cè)和識(shí)別的算法研究[D].青島：中國(guó)海洋大學(xué)，2011.

[7] TURK M， PENTLAND A. Eigenfaces for recognition [J]. Cognitive Neuroscience， 1991， 3（1）： 71?86.

[8] OJALA T， PIETIKAINEN M， MAENPAA T. A comparative study of texture measures with classification based on feature distributions [J]. Pattern Recognition， 1996， 29： 51?59.

[9] GONZALEZ R C. Digital image processing [M]. 2nd ed. 北京：電子工業(yè)出版社，2007.

[10] SONG Jia?tao， CHEN Bei?jing. Face recognition based on binary template matching [J]. Lecture Notes in Computer Science， 2007， 4681： 1131?1139.