張茹++薛凱++李瑋暉++晏楠根++熊育婷

摘要：人臉識別是人工智能科學的重要問題，局部二值模式（LBP）算法是已知的比較精準的用于人臉識別的圖像特征提煉算法。在對orgLBP（初始LBP），revLBP（旋轉(zhuǎn)適應(yīng)性LBP），uniLBP（均勻LBP），unirevLBP（旋轉(zhuǎn)適應(yīng)性均勻LBP）等幾種LBP算法研究的基礎(chǔ)上，通過大量實驗比對和研究，設(shè)計了基于分塊技術(shù)的改進LBP算法，有效提高了算法的魯棒性。

關(guān)鍵詞：人工智能；計算機視覺；信息安全；LBP

中圖分類號：TP311 文獻標識碼：A 文章編號：1009-3044（2016）11-0173-04

1 引言

人工智能（Artificial Intelligence）是近年來計算機領(lǐng)域研究的新興問題，它是讓計算機通過已編寫的程序來模擬人類行為的一門科學。該領(lǐng)域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統(tǒng)等。人工智能的應(yīng)用，可以提高現(xiàn)代復(fù)雜單一工業(yè)的工作效率以及工作水平。計算機視覺是人工智能的一個很重要、應(yīng)用廣泛的領(lǐng)域。

計算機視覺是一種給予機器視覺的學科，更進一步說，就是機器或者計算機通過攝像頭或者現(xiàn)有的圖像獲取信息，并對外界做出相應(yīng)分析的一門學科。其應(yīng)用領(lǐng)域非常廣泛，包括監(jiān)控錄像中的人員自動辨別，道路交通限速違章拍照中的車輛車牌的自動識別，保密部門的生物特征識別門禁系統(tǒng)等。特別是隨著移動網(wǎng)絡(luò)平臺商品交易的日益流行，一個可靠的臉部識別功能可以進一步提高移動APP支付平臺交易支付的安全性。

人臉特征提取是人臉識別的關(guān)鍵問題之一。近年來，研究者將局部二值模式（LBP）的方法引入到人臉特征提取中[[1-3]]，取得了很大的成功。但是LBP算子本身并不完善，特別是在訓(xùn)練樣本的維度高達幾千甚至上萬維的時候，其性能會急劇下降。針對此問題，本文采用分塊技術(shù)，將分塊后的LBP直方圖串聯(lián)起來形成一個高維的直方圖特征矢量，接著利用經(jīng)典的主成分分析（PCA）方法降維，最后利用相似度計算方法進行相似度對比。該方法針對不同的圖像進行不同的分塊，使得維數(shù)的約簡更加方便，實驗結(jié)果表明有效提高了特征提取的準確性。

2 LBP算法與LBP算法分塊的實現(xiàn)

2.1 初始LBP算法

圖像是由基本的像素點構(gòu)成的，每一個像素點就會有一個對應(yīng)的色值，彩色圖像就會有三個對應(yīng)紅、綠、藍的色值。如圖（1）所示，取一個3X3的像素點陣，以中間的一個像素點作為閾值參考，剩下8個像素點進行比較，按照公式（1）（2）的算法，可以得出一個8bit的二進制數(shù)列G（其中g(shù)x為第x位像素色值，gc為中心點像素色值）[[4]]。

[G={s（g0-gc），s（g1-gc），.............s（g7-gc）}] （1）

[][][when：s（x）=1，x≥00.x?<0] （2）

將數(shù)列G進行十進制轉(zhuǎn)換得到一個0～255區(qū)間的數(shù)字，這個數(shù)字就是一個LBP數(shù)值，如下圖[[5]]：

中間像素點的色值為6，以左上方點為起始點開始的色值分別為 6，5，2，1，7，8，9，7，將此數(shù)列與色差6進行比對，帶入公式（1），（2）得到數(shù)列 {1，0，0，0，1，1，1，1}，將數(shù)列進行二進制轉(zhuǎn)換得241，這就是此3x3方格的LBP值。

一張圖片中有很多的3x3像素點陣，每一個點陣代表一個LBP值，將這些LBP值統(tǒng)計起來得到一個維度為0～255的直方圖，這個直方圖就是我們用來圖像識別的模式依據(jù)，即LBP矩陣（LBPMat）。

2. 2 適應(yīng)旋轉(zhuǎn)性LBP算法

在現(xiàn)實生活中，用初始LBP算法進行比對時，由于圖片的角度問題會造成誤判和錯判，于是就提出了適應(yīng)旋轉(zhuǎn)性的LBP算法。

在2.1中，二進制數(shù)列的起始位置是以左上起始，那么，可以考慮從8個像素點的任意一個起始點開始進行二進制序數(shù)列的排列，一個3X3的像素點陣就可以得到8個二進制數(shù)列，按照既定好的規(guī)則選擇一個二進制數(shù)列，這個二進制數(shù)列就作為該3X3像素點陣計算LBP的依據(jù)，例如下圖：

2. 3 均勻LBP算法

為了提高運算的效率，在提取圖片特征值的過程時，往往紋理平滑的像素陣要占少數(shù)，而有決定性因素的紋理分明的像素陣要占大多數(shù)部分，可以用這些多數(shù)的紋理分明的二進制數(shù)列的LBP值來進行比對圖片，提高運算效率。

一個二進制數(shù)列中，其中0，1交替出現(xiàn)3次以內(nèi)，就可以認為是一個uniform，3次及3次以上，就可以認為不是一個uniform，如下圖，屬于uniform的二進制排列順序有58種，再算上所有的不屬于uniform的排列順序，全部為59種[[6]]。

統(tǒng)計出這59種二進制串出現(xiàn)的頻率，得到一個59維度的LBP矩陣，很大一方面提高比對的效率。

2.4 LBP比對過程

通過以上的LBP算法對圖像的分析之后，即可獲得LBP矩陣。兩張圖片的相似度比對，即為兩張圖片的LBP矩陣的對比?；诖?，本文提出一種比較算法，將兩張圖片的矩陣通過統(tǒng)計學中的矩陣相似公式（3）計算相似度，從而定量的計算兩張圖片的相似程度。（其中dis是兩矩陣之間定量的差值，LBPMat1與LBPMat2分別為兩個相互比較的矩陣）

[dis=（|gx-gy|）2x=0，1，...255，y=0，1，...255，gx∈LBPMat1，gy∈LBPMat2，] （3）

得到距離dis后，本文確定兩個界值，dis等于0為相似度100%，dis等于LBP矩陣里LBP數(shù)值的個數(shù)（num）為相似度0%，則可以根據(jù)公式（4）計算出相似度（reg）的值。

[reg=1-dignum×100%] （4）

確定了相似度reg后，則可以根據(jù)實際情況制定閾值。如果reg值高于閾值時，則兩個矩陣有相似性，反之，沒有相似性。

在確定閾值時，不同的應(yīng)用場合要求也是不同的。需要很強的容錯率的人臉支付系統(tǒng)則需要制定很高的閾值，而容錯率相對較低的圖片相似度搜索引擎則需要制定較低的閾值。

通過reg與閾值的差值對矩陣進行定量的分析后，就可以定性地判斷出兩張圖像是否有相似性。

2.5 LBP算法的分塊實現(xiàn)

為了能夠優(yōu)化和改善LBP算法在維數(shù)大就比對率和運算率很低的缺點，本文提出對圖片進行分塊處理。具體過程如下圖4：

圖4 分塊處理的算法演示圖

虛線為圖片的分塊的線，將圖片平分成虛線的幾塊。將每一塊看做單另的圖片，進行LBP算法處理。實例圖5。

圖5 分塊處理后統(tǒng)計LBP矩陣的算法演示圖

圖5是一個3X3分塊處理的舉例，9個小塊，每一個小塊可以由LBP算法處理成一個LBP矩陣，然后將每個矩陣疊加成一個LBP矩陣，這個最后的LBP矩陣將作為整個圖片的LBP矩陣，可以用公式（3）進行相似度比較。

分塊時還解決了一個算法細節(jié)，分完塊的小塊之后，橫縱的像素點個數(shù)可能不是3的倍數(shù)（因為LBP的算法還是要3X3的九宮格來處理）。解決的方法是進行像素的擴充，當分塊前檢測到像素點個數(shù)不是3X分塊行數(shù)的倍數(shù)的情況，就會將前幾排像素復(fù)制粘貼擴充到圖片的后面。再進行圖片分塊，解決了像素分塊除不盡的問題，圖6舉例。

3 實驗驗證與結(jié)論

3.1實驗策略

擬定一個人臉圖片比對樣本，分別是20個人在117種不同光照，不同表情的條件下的人臉圖片，總共是2340張圖片，圖片的大小為120X142。如下圖所示。

要進行測試的方法是用2340張圖片與這60張圖片進行模式匹配，也就是說2340中的每一張圖片都要比較60遍，那么總次數(shù)就是2340×60=140400遍，很好地達到了實驗次數(shù)。并且在比對之后用程序判斷是否是同一個人，來進行準確度的測試。在測試結(jié)束后進行準確度和速度的統(tǒng)計，并且進行分析。

3.2 實驗結(jié)果

3.2.1 準確度

圖（9）是利用0×0到10×10分塊對LBP的四種不同的算法每個算法進行分塊處理后的準確性的一個統(tǒng)計表，橫坐標代表的是將圖片分成大塊的塊數(shù)，從1×1到10×10，縱坐標是準確度，圖例為初始LBP算法 （orgLBP），旋轉(zhuǎn)適應(yīng)性LBP （revLBP），均勻LBP（ uniLBP）， 旋轉(zhuǎn)適應(yīng)性均勻LBP（ unirevLBP），從這張表中可以看到以下幾點。

第一點從橫坐標來看，也就是從分塊技術(shù)提高準確度來看，每一個算法都是曲線的變化率從分塊數(shù)1×1到10×10變化的越來越平緩的，并且曲線無限接近于100%的準確度。但是，每個算法在10X10分塊處理的準確度要比在1X1分塊的準確度高40%。也就說明，采用分塊技術(shù)之后，圖片的識別率有了提高。并且從10×10再往上走，就是再進行更多的分塊，準確性的提升開始變得微乎其微的。

第二點從縱坐標來看，也就是從同樣的分塊級別下，算法的選擇來看，很明顯的上面兩根線和下面兩根線在10×10分塊之前差別特別大，從圖例可以看出，下面兩條線是包含了旋轉(zhuǎn)不變性的LBP算法的準確性，上面的兩條線是不包容旋轉(zhuǎn)不變性的LBP算法的準確性。說明了在同樣的分塊級別下，不包容旋轉(zhuǎn)不變性的LBP算法的準確性更高。

第三點可以看出的是orgLBP的準確率變換曲線與UniLBP曲線變換趨勢差不多一致，帶了旋轉(zhuǎn)不變性的兩個LBP算法的準確度的變換趨勢相一致。

表1是之前那個折線圖的數(shù)據(jù)形式，經(jīng)市場調(diào)查，現(xiàn)在的人臉識別能做到95%就算合格，那么可以看出從10×10分塊起幾種算法全部可以達到95%的識別率。

3.2.2 運行效率

這里的縱坐標的時間是以毫秒做單位，之前也說過了，實驗總共的比對次數(shù)大概是2340*60=140400次，并且這個時間統(tǒng)計也包括了將60張擬定數(shù)據(jù)庫圖片存入內(nèi)存的時間，所以平均時間大概在1700/140400=0.012l108毫秒。根據(jù)表3橫坐標顯示，10×10分塊以內(nèi)，四個算法所用的時間是相差無幾的，到了更細的分塊處理后，算法運行的時間會越來越長。

4 結(jié)論

本文提出了一種基于分塊技術(shù)的改進的LBP算法和一種高效的計算矩陣相似度的方法。根據(jù)不同的客戶需求定制不同的分塊等級，來提高圖片的辨識率。所提出的算法在高維度的實際實驗中，在10X10分塊的處理下，4種改進后的LBP算法的準確度都達到95%。實驗數(shù)據(jù)表明，該改進方法可以有效地提高人臉識別率。

參考文獻：

[1] Timo Ojala，Matti Pietikainen，David Harwood[J].Pattern Recognition Society. 1996（29）：51-59.

[2] 王憲，張彥，慕鑫，張方生.基于改進的LBP人臉識別算法[J].光電工程，2012（7）.

[3] 房德峰.淺談改進的LBP算法[J].現(xiàn)代企業(yè)教育，2013（16）.

[4] M. PIETIK?INEN， T. OJALA， Z. XU.ROTATION-INVARIANT TEXTURE CLASSIFICATION USING FEATURE DISTRIBUTIONS.

[5] M?enp?? Topi， Pietik?inen Matti， Ojala Timo.Texture Classification by Multi-Predicate Local Binary Pattern Operators.

[6]Timo Ojala， Matti Pietika?inen，Senior Member， IEEE， Topi Ma?enpa?a.EEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE，2002（8）.