鄧文駿，邱衛(wèi)根，譚臺哲

(1.廣東工業(yè)大學(xué) 計算機學(xué)院，廣東 廣州 510006；2.河源廣工大協(xié)同創(chuàng)新研究院，廣東 河源 517000)

基于局部幅度三值模式的人臉識別

鄧文駿1，邱衛(wèi)根1，譚臺哲2

(1.廣東工業(yè)大學(xué) 計算機學(xué)院，廣東 廣州 510006；2.河源廣工大協(xié)同創(chuàng)新研究院，廣東 河源 517000)

針對局部三值模式(Local Ternary Pattern，LTP)對紋理特征描述不足的問題，提出一種基于局部幅度三值模式(Local Magnitude Ternary Pattern，LMTP)的人臉識別算法。首先將人臉圖像進行分塊處理。然后用LTP算子提取直方圖以描述局部紋理的結(jié)構(gòu)和LMTP算子提取直方圖以描述局部紋理中像素值間的偏離幅度。最后將不同的直方圖串聯(lián)成LTP/LMTP直方圖，將其作為人臉特征用于人臉匹配。實驗分析表明，算法對紋理有更好的描述能力和在人臉識別中有更高的識別率，并對噪聲有較好的魯棒性。

局部幅度三值模式；LTP；人臉識別

作為機器視覺、模式識別等鄰域中最熱門的研究課題之一，人臉識別不僅在學(xué)術(shù)上具有重要價值，而且在實際生活中有著重要的應(yīng)用前景[1]。人臉特征提取可分為全局特征提取和局部特征提取。其中全局特征提取的方法有主成分分析(PCA)[2]、線性判別分析(LDA)[3]和獨立成分分析(ICA)[4]等。局部特征提取的方法有局部二值模式(LBP)[5-8]、Gabor小波[9-11]、局部量化模式(LQP)[12]等。相較于全局特征提取，局部特征提取對光照和姿勢等變化具有較好的魯棒性，因此更多人利用局部特征提取實現(xiàn)人臉識別。

LBP是一種有效的紋理描述算子，Ahonen等人將其引入人臉識別中。LTP[13]是在LBP基礎(chǔ)上增加閾值的設(shè)定，這對紋理結(jié)構(gòu)有更加細膩的描述，同時也對噪聲有較好的魯棒性。但是LBP或LTP算子都只是對紋理的結(jié)構(gòu)進行描述，卻沒有對紋理中像素點之間的不同進行有效的表達。為了對紋理中像素點之間的差異進行更多的描述，進而利用其來提高人臉識別率，本文提出局部幅度三值模式，首先對鄰域像素值與中心像素值的偏離幅度進行編碼，描述局部紋理中像素點的差異，同時提取LTP特征描述紋理結(jié)構(gòu)，然后把得到的LMTP的直方圖與LTP直方圖進行串聯(lián)，得到人臉特征。實驗結(jié)果表明，該算法能有效提高人臉識別率。

1 局部三值模式的回顧

1.1 局部二值模式(LBP)

LBP是對圖像中局部紋理特征進行描述的算子。LBP算子對圖像中每個像素點的(P，R)鄰域進行采樣，其中P表示采樣個數(shù)，R表示鄰域的半徑。對中心像素點的灰度值gc與其鄰域第i個像素灰度值gi進行比較，gi大于gc則為1，否則為0。這樣得到P位的二進制編碼。通過十進制轉(zhuǎn)換得到LBP值，計算如下

(1)

(2)

同時Ojala提出采用“均勻模式”對LBP算子的二進制編碼進行降維。使得LBP模式值由2P種減少至P(P-1)+3種?！熬鶆蚰Ｊ健笔沟媒y(tǒng)計直方圖時，在不損失過多有用信息的情況下，減少統(tǒng)計的類別。

1.2 局部三值模式(LTP)

LTP算子是對LBP算子的擴展，其對光照變化和噪聲具有更好魯棒性，并更加細膩地描述局部紋理。LTP增加自定義t，gi大于區(qū)間[gc-t，gc+t]時為1，屬于此區(qū)間時為0，小于此區(qū)間時為-1，得到三值編碼值，計算如下

(3)

(4)

式中：P、R、i和LBP算子一樣。由于LTP的模式值有3P種，為簡化計算，令LTP特征分解為正、負LBP的編碼方式。即把編碼值不為1的均修改為0，得到正LBP人臉紋理特征。把編碼值為-1的修改為1，其余均變?yōu)?，從而得到負LBP人臉紋理特征。過程如圖1所示。

圖1 LTP算子過程

2 LMTP算子的提取和人臉特征的表示

2.1 局部幅度三值模式(LMTP)

盡管LTP算子對LBP做出了改進，使得該算子對光照變化和噪聲更具魯棒性，并且對局部紋理有更好的描述。但本質(zhì)上與LBP算子對紋理的描述是一致的。LBP和LTP都僅僅通過比較像素值的大小來確定編碼值，忽略了像素值之間偏離幅度的描述。當(dāng)鄰域像素值與中心像素值或區(qū)間之間保持大小關(guān)系不變的前提下發(fā)生較大變化時，編碼值結(jié)果保持不變。所以LTP算子無法描述此類非線性變化前后的差異，而這種差異也是紋理的重要特征之一，然而這部分重要的紋理信息沒有被有效地利用到人臉匹配中。

針對LTP對局部紋理描述的不足，本文提出LMTP算子。定義mi=gi-gc為gi與gc之間像素值的差，其中g(shù)c為中心像素值，gi(i=0,1，…，P-1)為中心像素的鄰域中第i個像素值。mi表示鄰域像素值與中心像素值的偏離幅度，LMTP算子則有如下定義，公式如下

(5)

(6)

式中：P，R，t和LTP算子一樣，u是閾值，對人臉圖像分塊處理后，把u設(shè)置為所屬分塊中所有mi的絕對值的均值。例如圖2a是一個中心像素值為25的3×3的局部鄰域。圖2b是偏離幅度向量[-17，6，7，3，17，-15,13，-5]，假設(shè)該向量所處塊中所有mi的絕對值的均值為8，以此值設(shè)定閾值u，通過式(5)和式(6)得到三值編碼(-1)0001(-1)10。從得到的編碼中可以看到，鄰域的像素點分為三類，像素值比中心像素值小且偏離幅度較大時得到的編碼值為-1，比中心像素值大且偏離幅度較大時編碼值為1，與中心像素值偏離幅度不大時編碼值為0。

圖2 LMTP算子

LMTP中閾值t的設(shè)定目的也是為了增加對噪聲的魯棒性。閾值u則是對鄰域像素值與中心像素值的偏離幅度進行編碼值的劃分。當(dāng)鄰域像素值都比中心像素值大時，LMTP通過比較幅度值來表達鄰域像素點間的差異，LTP則只是簡單的比較。盡管LMTP的形式與LTP相似，但其更多是描述鄰域像素值之間的不同，從而補充LTP算子對局部紋理描述的不足，為人臉識別提供更豐富的紋理特征。最后利用得到的人臉紋理特征進行人臉識別，提高識別的準確率。

2.2 LMTP和LTP人臉的特征提取和表示

本文提出結(jié)合LMTP和LTP的人臉紋理特征提取算法。圖3是人臉特征提取的流程。

圖3 LMTP和LTP人臉特征提取

以一張人臉圖像為例，將圖像劃分為m×n塊，其中LMTP和LTP特征提取步驟如下：

1)從人臉圖像的某一分塊中的一個像素點A的像素值記為gc，鄰域像素值記為gi。

2)通過式(3)、(4)計算A點的LTP值，并分解為正負均勻模式的LBP。

3)通過式(5)、(6)計算A點的LMTP值，并分解為正負均勻模式的LBP。

4)重復(fù)步驟2)、3)計算該塊中每個像素值的編碼值，然后統(tǒng)計LTP直方圖和LMTP直方圖。

5)對人臉圖像的每一塊重復(fù)以上步驟，得到m×n個LTP直方圖并串聯(lián)成為一個直方圖。同理，將m×n個LMTP直方圖串聯(lián)成一個直方圖。

6)進一步將LTP直方圖與LMTP直方圖串聯(lián)得到整幅人臉的LTP/LMTP直方圖，將此作為人臉特征。

3 實驗結(jié)果與分析

為了檢測該人臉識別算法的性能。本研究采用ORL、AR和FERET人臉數(shù)據(jù)庫進行仿真實驗。實驗中閾值t設(shè)置為4，人臉圖像分成3×3塊，P和R取值分別為8和1，用LTP8,1和LMTP8,1計算人臉特征。然后統(tǒng)計直方圖，本文采用Chi平方統(tǒng)計對直方圖的相似性進行度量，然后用根據(jù)最近鄰準則進行分類。

3.1 在ORL人臉數(shù)據(jù)庫上的實驗

ORL人臉數(shù)據(jù)庫由劍橋大學(xué)AT&A實驗室創(chuàng)立。一共有400張人臉圖像，40個人，每人10張圖片。自愿者的圖像包括了姿勢、表情和面部飾品的改變。每張圖片大小為 112×92。 人臉庫中某一人的10幅圖像如圖4所示。

圖4 ORL人臉數(shù)據(jù)庫示例

在真實場景下，采集人臉樣本時不可避免地受到噪聲的影響。LTP本身對噪聲有較好的魯棒性，為了測試LMTP對噪聲是否同樣具有魯棒性，對ORL增加噪聲等級λ，模擬真實場景下的噪聲。在此實驗中隨機選取5張圖像作為訓(xùn)練樣本，剩余的圖像作為測試樣本，識別率的對比結(jié)果如表1所示。

表1 不同方法在ORL上的識別率%

方法原圖像不同噪聲導(dǎo)級下的識別率λ=003λ=008λ=013LBP910863792431LTP937916830525LMTP883861814417LTP/LMTP976955858592

通過表1的對比實驗可以看到，當(dāng)噪聲等級λ增大時，LBP的識別率快速下降，而LTP、LMTP和LTP/LMTP的識別率的下降幅度較小，證明對噪聲具有較好魯棒性。同時可以看到LMTP在原圖中識別率達到88%，表明其作為紋理的特征之一，能被利用到人臉識別。LTP/LMTP的識別率在原圖上達到了97%，在噪聲圖像中其識別的性能也優(yōu)于其他方法，表明了LTP/LMTP對紋理的描述能被利用到人臉匹配中，從而提高人臉識別準確率的方法是可行和正確的。

3.2 在AR和FERET人臉數(shù)據(jù)庫上的實驗

AR人臉庫包括4 000多張人臉圖像，一共有126人，70名男性和56名女性。其中包含了不同表情、光照和遮擋的正面人臉圖像。本文只選擇70名男性和50名女性，每個人選擇沒有遮擋的14張人臉圖像。對AR人臉庫中每個人隨機選擇k張圖像作為訓(xùn)練集，其余的作為測試集。k的取值設(shè)置為2，4，7。用不同的方法進行實驗，識別率的對比結(jié)果如表2所示。

表2 不同方法在AR上的識別率%

方法不同測試集下的識別率k=2k=4k=7PCA319451607LBP558832913LTP570815909LTP/LMTP787886935

FERET人臉庫包括1 400張人臉圖像，一共有200個人。這些圖像包含了不同的表情、光照和姿勢，其大小為80×80。對FERET人臉庫中每個人隨機選擇k張圖像作為訓(xùn)練集，其余的作為測試集。k的取值設(shè)置為1，3，5。用不同的方法進行對比實驗，識別率的對比結(jié)果如表3所示。

表3 不同方法在FERET上的識別率%

方法不同測試集下的識別率k=1k=3k=5PCA518805867LBP574856931LTP548860942LTP/LMTP825912980

由表2和表3中不同人臉識別方法的對比實驗可以看到，LTP/LMTP的人臉識別率在AR和FERET人數(shù)據(jù)臉庫中最高能達到93%和98%，均高于其他的方法，表明其對光照、姿勢和表情具有較好的魯棒性。在訓(xùn)練樣本減少的情況下，識別率均比其他方法好，并且識別率的下降幅度較小，表明LTP/LMTP的穩(wěn)定性更好，進一步證明了本文算法的可行性和正確性。

4 小結(jié)

人臉識別問題一直是研究的熱點，本文提出基于局部幅度三值模式的人臉識別算法，利用LTP描述紋理的結(jié)構(gòu)，利用LMTP描述紋理中像素間的偏離幅度。通過結(jié)合LTP和LMTP對紋理的描述，得到一個更豐富的人臉特征，并利用此人臉特征進行識別。實驗結(jié)果表明，本文算法比LTP和LBP方法的識別率更高。

參考文獻：

[1] ZHAO W, CHELLAPPA R, PHILLIPS P J,et al. Face recognition: a literature survey[J].ACM Computing Surveys, 2003,34(4)：399-485.

[2] TURK M, PENTLAND A. Eigenfaces for recognition[J]. Journal of Cognitive Neuroscience, 1991,3(1)：71-86.

[3] BELHUMEUR P N, HESPANHA J P, KRIEGMAN D J. Eigenfaces versus Fisherfaces： recognition using class specific linear projection[J].IEEE Trans.Pattern Analysis and Machine Intelligence, 1997,19(7)：711-720.

[4] BARLETT M S, MOVELLAN J R,SEJNOWSKI T J. Face recognition by independent component analysis[J].IEEE Trans.Neural Networks, 2002,13(6)：1450-1464.

[5] AHONEN T, HADID A, PIETIKAINEN M. Face description with local binary patterns： application to face recognition[J]. IEEE Trans.Pattern Analysis and Machine Intelligence, 2006,28(12)：2037-2041.

[6] TAN X Y, TRIGGS B. Enhanced local texture feature sets for face recognition under difficult lighting conditions[J].IEEE Trans.Image Processing, 2010,19(6)：1635-1650.

[7] ZHANG B C, GAO Y S, ZHAO S Q, et al. Local derivative pattern versus local binary pattern： face recognition with high-order local pattern descriptor[J]. IEEE Trans.Image Processing, 2010,19(2)：533-544.

[8] 胡鐘月.基于局部模式的加權(quán)估計紋理分析在人臉識別中的應(yīng)用[J].電視技術(shù),2014,38(5)：181-185.

[9] OJALA T, PIETIKAINEN M, MAENPAA T. Multiresolution gray-scale and rotation invariant texture classification with local binary patterns[J]. IEEE Trans.Pattern Analysis and Machine Intelligence, 2002,24(7)：971-987.

[10] 薛濤，劉瀟瀟，張海兵.基于Gabor特征融合和LSSVM的人臉識別算法[J].計算機應(yīng)用與軟件，2014，31(7)：191-194.

[11] 李文輝,高璐,林逸峰,等.特征選擇模糊加權(quán)多通道Gabor人臉識別[J].湖南大學(xué)學(xué)報：自然科學(xué)版,2013,40(4)：87-93.

[12] HUSSAIN S,TRIGGS B. Visual recognition using local quantized patterns[C]//Proc. the 11th European Conference on Computer Vision. Berlin：Springer, 2012：1-15.

[13] TAN X,TRIGGS B. Enhanced local texture feature sets for face recognition under difficult lighting conditions[J].IEEE Trans.Image Processing, 2010,19(6)：1635-1650.

作者簡介：

鄧文駿(1989— )，碩士生，圖像處理，模式識別；

邱衛(wèi)根(1968— )，研究生導(dǎo)師，主要研究方向為人工智能、粗糙集理論及應(yīng)用、計算機圖形圖像學(xué)。

責(zé)任編輯：任健男

收稿日期：2015-01-29

Face Recognition Based on Local Magnitude Ternary Pattern

DENG Wenjun1, QIU Weigen1, TAN Taizhe2

(1.SchoolofComputer,GuangdongUniversityofTechnology,Guangzhou510006,China；2.SynergyInnovationInstituteofGDUTandHeyuan,GuangdongHeyuan517000,China)

Since the Local Ternary Pattern(LTP) is not enough to describe the texture feature, a face recognition algorithm based on Local Magnitude Ternary Pattern(LMTP) is proposed. Firstly, the face image is divided into small blocks. Then, the histograms are extracted by the LTP operator which describes the structure of local texture and the LMTP operator which describes the magnitude of deviation between the different pixel in the local texture. Finally, the different histograms are linked to get LTP/LMTP histogram which is used as the face features for face matching. The experimental analysis proves that the algorithm has good ability to describe the texture and higher accuracy in the face recognition, the algorithm also has good robustness to noise.

local magnitude ternary pattern; LTP; face recognition

國家自然科學(xué)基金項目(61370082)

4 小結(jié)

2015-04-22

TN391.4

A

10.16280/j.videoe.2015.19.022

平板電視的頂部(此例在某品牌平板電視機的說明書中有圖畫的方式警告)；成人可能抬肘壓在平板電視頂部作為一種無意間的依靠?，F(xiàn)有標準只用一個75 cm，100 N的垂直力試驗還不全面。建議增加相應(yīng)條款，將可能的動作全部覆蓋。

綜合以上分析，筆者認為GB 8898/IEC60065標準中19.2條規(guī)定的垂直力翻倒試驗不適用于平板電視機；CTL 1082只是解釋了何為最不利位置的問題，該決議圖示中用平板電視作為樣品并不適宜。對于標準規(guī)定的試驗應(yīng)從標準起草本意、安全原理出發(fā)，分析并理解標準的意圖，才能做出正確的解釋，才能保證試驗的合理、正確、符合實際。

[1] GB 8898—2011，音頻、視頻及類似電子設(shè)備 安全要求[S].北京：中國標準出版社，2011.

[2] CTL Decision Sheet No.1082 Vertical force test [S]. 2013.

[3] IEC 60065 Edition 7.0+am1+am2：2010 Audio， video and similar electronic apparatus-Safety equirements[S]. 2010.

[4] IEC 60065 Edition 8.0：2014 Audio， video and similar electronic apparatus-Safety equirements[S]. 2014.

[5] GB 4943.1—2011，信息技術(shù)設(shè)備 安全 第1部分：通用要求[S].北京：中國標準出版社，2011.

[6] GB 4706.1—2005，家用和類似用途電器的安全 第1部分：通用要求[S].北京：中國標準出版社，2005.

張 鋼(1972— )，本科，主要從事AV、IT產(chǎn)品安全檢測；

楊 猛(1977— )，本科，主要從事AV、IT產(chǎn)品安全檢測。

責(zé)任編輯：閆雯雯

【本文獻信息】鄧文駿，邱衛(wèi)根，譚臺哲.基于局部幅度三值模式的人臉識別[J].電視技術(shù),2015，39(19).