茅瀚云

摘要：人臉識別作為模式識別領(lǐng)域的重要分支之一，以其不易偽裝、識別便捷、較強的用戶體驗等特點逐漸成為近年來的研究熱點，并陸續(xù)應(yīng)用于商業(yè)系統(tǒng)以符合大眾在安防領(lǐng)域的需求。

關(guān)鍵詞：人臉識別；LBP算子；直方圖；識別率

中圖分類號：TP301 文獻標(biāo)識碼：A 文章編號：1009-2374（2013）11-0158-02

1 概述

為了在人臉識別領(lǐng)域得到更好的應(yīng)用，Ahonen等根據(jù)心理學(xué)上的研究將人臉進一步劃分成不同的區(qū)域并賦予不同的權(quán)值加以區(qū)分，最終取得了良好的識別結(jié)果。在這基礎(chǔ)上，后續(xù)的研究和改進不斷出現(xiàn)。文中提出了多尺度區(qū)域LBP（MB-LBP）的概念，該方法通過統(tǒng)計區(qū)域內(nèi)的像素均值而非單個像素值得到LBP模式，從而比原有的LBP方法更精確且考慮了更多的宏觀信息。

在上述研究的基礎(chǔ)上，Tan等人提出了改進的LBP算子的LTP特征。LTP特征的本質(zhì)是將兩單閾值的LBP算子分成雙閾值算子并得到上下兩個特征，這就能使提取的特征對單個像素點干擾更加穩(wěn)定。這對基于LBP紋理的人臉識別起到重要作用。本質(zhì)上，通過不同區(qū)域的劃分（Multi-block）來組成LBP特征的目的也是盡可能地考慮LBP模式間的位置關(guān)系，從而得到更有效的特征。文中提出的Hierarchical Kernel Descriptor的方法通過SIFT、HOG等算子的層級組合得到一組新的特征，即在原有特征層基礎(chǔ)上再次特征提取，從而實現(xiàn)大尺度信息提取。因此，應(yīng)該關(guān)注模式間所組成的幾何位置關(guān)系，即在LBP模式上再提取一層特征，從而以數(shù)量的形式反映模式間的幾何位置信息。

2 CNCS在VM中的應(yīng)用

理論上，LBP算子是用于提取圖像的邊緣和角點信息。顯然，這些模式不僅僅只擁有數(shù)量關(guān)系，其位置的不同也將組合成新的不同的模式或圖案，就如同近處看到的圖案在遠處只能表現(xiàn)為一個像素點，而這些像素點又可以組成新的模式、圖案。另一方面，可以把紋理信息分成若干層，較低層的基元形成的某種模式作為較高描述層的次基元，并在一個更高層的描述層次上形成新的模式。因此，不能僅用單個直方圖來衡量一個區(qū)域的LBP模式。

本文提出了一種新的基于雙層LBP的方法，用于提取更多LBP模式之間所具有的幾何關(guān)系。首先對人臉灰度圖像提取LBP特征并得到由該模式組成的圖像，從而將特征從像素級提升到區(qū)域特征。其次，對LBP模式組成的圖像進一步提取LTP算子，從而得到又一組基于LBP模式的特征，用于描述模式間的幾何位置關(guān)系。通過二者的結(jié)合來達到提升識別率的目的。

3 重定義LTP算子

傳統(tǒng)的LBP特征實現(xiàn)了從像素級到區(qū)域級特征的轉(zhuǎn)變，本文通過雙層LBP特征實現(xiàn)對區(qū)域特征的進一步描述。LBP特征實現(xiàn)了像素層特征的提取，而第二層的目的是實現(xiàn)LBP層的特征提取，以獲得更多的宏觀信息。

可以采用與LBP算子相類似的思想，從f1（x，y）提取不同模式之間的關(guān)系。通過二值化3×3的區(qū)域，可提取出不同模式之間相鄰組合關(guān)系并統(tǒng)計成直方圖。然而，對于灰度值的像素點來說，像素值之間的減法是存在幾何意義的，它表示了不同像素點之間的像素差，對圖像紋理而言具有物理意義，但對于LBP模式來說，數(shù)值只是一種標(biāo)號，每個標(biāo)號之間的簡單相減不存在任何幾何意義。值得注意的是，等號存在一定的物理意義，因此根據(jù)這一特性可以將模式數(shù)值分成兩部分：等于中心點模式和不等于中心點模式。顯然，此時兩個標(biāo)號相等意味著兩個模式屬于同一種模式。但是考慮到像素值可能存在的干擾和誤差最終將會影響LBP特征的準(zhǔn)確性，對于編碼相互接近的LBP模式需要區(qū)別對待。如二進制編號11101111的模式和二進制編號為11111111的模式都應(yīng)該屬于同一種模式，因為有極大的可能是由于第四位的像素干擾所引起的不一致。因此定義運算d（x，y）表示兩個模式標(biāo)號之間的大小關(guān)系，當(dāng)|d（x，y）|≤3時，意味著兩個模式是一致的。由此可以根據(jù)中心點的模式，將周圍模式分為兩類，|d（x，y）|≤3及|d（x，y）|>3。這與文提出的LTP有著相類似的分類方式。據(jù)此本文重新定義了LTP的算子。本文所定義的LTP算子如式（1）所示：

其中d（x，y）表示兩個編碼之間差異。上式中的LTP算子也是同樣提取基于局部區(qū)域的特征，但特征提取的層面不同，體現(xiàn)的是不同模式之間的關(guān)系。對LBP模式而言，擁有相同直方圖的兩幅圖像，其實際模式的排列組成方式卻可能完全不同。因此，通過LTP模式，能夠有效地統(tǒng)計出某一模式周圍其他模式的組成，從而得到更豐富的人臉信息。

4 結(jié)語

經(jīng)典的LBP應(yīng)用都是提取LBP及其他擴展的特征后組成直方圖進行識別。由于單個LBP模式直方圖只能反映不同模式之間的數(shù)量關(guān)系，缺少了幾何位置信息，所以眾多的研究通過多尺度的區(qū)域和LBP特征的方式來實現(xiàn)位置信息的融入。然而，這樣的做法依然忽視了模式與模式之間的幾何信息，模式之上依然可能存在著某些模式。因此，本文提出了一種基于LBP模式的雙層LBP的概念，通過重定義的LTP特征，在由LBP模式組成的圖像上進一步提取其特征模式從而構(gòu)成新的特征，最終提到了識別率。實驗表明，本文所提出的方法對于基于LBP特征的算法有一定的改善，通過重定義的LTP特征，能夠在一定程度上提取模式間的幾何位置關(guān)系，增加人臉識別的有效信息。

參考文獻

[1]A.Pentland. Looking at people： sensing for ubiquitous andwearable computing. IEEE Transaction on Pattern Analysis and Machine Intelligence，2000， 22（1）：107-119.

[2]T. Kanade， Picture processing system by computercomplex and recognition of human faces， Ph.D.dissertation， Kyoto University， 1973.

[3]H.Chan， W.W. Bledsoe. A man-machine facial recognition system： some preliminary results. Technical report，Panoramic Research Inc.， 1965.

[4]A.J. Goldstein， L.D. Harmon， A.B. Lesk. Identificationof human faces. Proceedings of the IEEE，1971，59（5）：748-760.

（責(zé)任編輯：周 瓊）