任福繼，李艷秋，胡 敏，許良鳳

?

多特征描述及局部決策融合的人臉識(shí)別

任福繼1，2，李艷秋1，2，胡 敏1，2，許良鳳1，2

( 1. 合肥工業(yè)大學(xué)計(jì)算機(jī)與信息學(xué)院，合肥 230009；2. 情感計(jì)算與先進(jìn)智能機(jī)器安徽省重點(diǎn)實(shí)驗(yàn)室，合肥 230009 )

提出一種多特征描述及局部決策融合的人臉識(shí)別方法。首先利用獨(dú)立成分分析算法構(gòu)造全局互補(bǔ)子空間,對(duì)待測(cè)樣本進(jìn)行粗分類。然后利用三種不同定義的紋理描述算法構(gòu)造局部互補(bǔ)子空間，獲取粗分類難識(shí)別樣本的后驗(yàn)概率值，最后依據(jù)其大小設(shè)置等級(jí)分?jǐn)?shù)，得到待測(cè)樣本在局部互補(bǔ)子空間上的精確分類。在ORL、Yale和FERET人臉庫上的實(shí)驗(yàn)結(jié)果表明，本文方法能較好的描述圖像特征且具有較高的識(shí)別率和較低的時(shí)間復(fù)雜度，與其他方法對(duì)比也表明了本文方法的有效性。

信號(hào)處理；多特征描述；決策融合；互補(bǔ)子空間；人臉識(shí)別

0 引 言

人臉識(shí)別[1-3]是近幾年來一個(gè)熱門的研究課題，人臉圖像的描述和分類是識(shí)別的兩個(gè)主要步驟。根據(jù)無免費(fèi)午餐(NFL)定理，不存在某單一算法能在任何情況下都優(yōu)于其他算法，因此研究圖像的多特征和多分類器融合[4-6]成為當(dāng)下一個(gè)主流的發(fā)展方向。利用全局和局部特征來描述人臉是目前常用的方法。全局特征主要描述和表達(dá)人臉整體屬性和信息，局部特征則主要描述面部圖像細(xì)節(jié)變化信息，往往反映物體的一些內(nèi)在特征[7]。相比于全局特征，局部特征具有旋轉(zhuǎn)、平移和光照不變性等特點(diǎn)，且具有較高的精度和穩(wěn)定性，但直接利用局部特征進(jìn)行圖像匹配存在計(jì)算量大、不適合用于建立快速高效的人機(jī)交互系統(tǒng)等問題。局部二值模式[8-9](Local Binary Pattern，LBP)是一種被廣泛應(yīng)用于人臉識(shí)別領(lǐng)域的局部紋理描述特征，具有對(duì)光照及表情變化的魯棒性。近年來，有不少學(xué)者對(duì)LBP算法提出改進(jìn)[10-14]，它們?cè)谝欢ǔ潭壬隙继岣吡怂惴ǖ淖R(shí)別能力，但是它們均是利用鄰域點(diǎn)與點(diǎn)之間的局部大小關(guān)系來描述紋理信息，而忽略同方向上像素點(diǎn)與中心像素點(diǎn)灰度值的整體關(guān)系。當(dāng)存在隨機(jī)噪聲點(diǎn)或者有光照及邊緣變化時(shí)，性能就會(huì)大大降低。因此，本文定義了一種新的特征提取算法：局部均值模式(Local Average Pattern，LAP)，從水平和垂直以及對(duì)角方向來描述紋理特征。考慮到LAP存在模式過多的問題，本文進(jìn)一步定義了統(tǒng)一化的局部均值模式(Uniform Local Average Pattern，ULAP)。對(duì)稱局部圖形結(jié)構(gòu)描述子[15](Symmetric Local Graph Structure，SLGS)是最近才被提出的一種紋理描述算法，它是MFA Abdullah在LGS[16]算法上的一種改進(jìn)，不再局限環(huán)形鄰域，而且利用較少的像素點(diǎn)來描述紋理特征，但是其僅考慮中心像素點(diǎn)的水平方向，并沒有考慮垂直方向，而垂直方向也包括了描述紋理的眾多信息，本文進(jìn)一步提出了垂直-對(duì)稱的局部圖形結(jié)構(gòu)描述子(Vertical-Symmetric Local Graph Structure，SLGS)算子，并通過實(shí)驗(yàn)證明其在描述紋理上的有效性。

考慮時(shí)間復(fù)雜度的問題，在分類階段，本文首先利用獨(dú)立成分分析算法(Independent Component Analysis，ICA)[17]構(gòu)造全局的互補(bǔ)子空間完成對(duì)人臉圖像的粗分類。全局互補(bǔ)子空間是由兩種不同的算法組成，若待測(cè)樣本得到相同的分類結(jié)果，則將其直接輸出；若出現(xiàn)不一致的情況，則認(rèn)為利用全局特征無法識(shí)別該待測(cè)樣本，將其進(jìn)一步投影到局部互補(bǔ)子空間上，利用ULAP、SLGS和V-SLGS組成的局部互補(bǔ)子空間作精確分類。本文通過對(duì)訓(xùn)練集采用分層交叉處理的方式構(gòu)建基分類器，結(jié)合BP[18]神經(jīng)網(wǎng)絡(luò)，將待測(cè)樣本的分類結(jié)果以后驗(yàn)概率的形式輸出，通過設(shè)置等級(jí)分?jǐn)?shù)，將基分類器融合后的分類結(jié)果作為最終識(shí)別結(jié)果。

1 特征提取方法及補(bǔ)空間的構(gòu)造

1.1獨(dú)立成分分析

ICA是一種基于全局的特征描述方法，其著眼于數(shù)據(jù)間的高階統(tǒng)計(jì)特性，提取到的特征不僅互不相關(guān)，而且還盡可能相互統(tǒng)計(jì)獨(dú)立。在光照、姿態(tài)等外部條件發(fā)生變化時(shí)，具有較好的魯棒性和泛化能力，被廣泛應(yīng)用在人臉識(shí)別中。其模型定義為

ICA的主要目的是從混合信號(hào)中通過變換矩陣分離出相互獨(dú)立的源信號(hào)：

式中：￠為的估計(jì)值，為變換矩陣。

1.2 全局互補(bǔ)子空間的構(gòu)造

研究進(jìn)一步表明，圖像的獨(dú)立特征沒有考慮樣本間的類別差異，使其在分類上性能欠佳。有學(xué)者采用在ICA基礎(chǔ)上融合LDA的方法，考慮到有些樣本點(diǎn)處在重疊區(qū)域或者偏離中心，文獻(xiàn)[19]引入模糊集理論，利用FKNN算法對(duì)LDA進(jìn)行改進(jìn)，求得最優(yōu)模糊投影矩陣，簡(jiǎn)稱FLDA算法。雖然實(shí)驗(yàn)取得一定的效果，但由于其投影矩陣是在去除零空間后求取的，而文獻(xiàn)[20]證明，零空間中包含有大量的鑒別信息，顯然直接去除是不合理的。文獻(xiàn)[21]提出利用ICA與DCV結(jié)合提取特征的方法，并將其應(yīng)用在人臉識(shí)別中。鑒于此，本文引入DCV算法，作為FLDA的互補(bǔ)算法，構(gòu)造全局互補(bǔ)子空間對(duì)人臉圖像進(jìn)行粗分類。若測(cè)試樣本使用兩種全局互補(bǔ)算法得到相同的分類結(jié)果，則直接輸出該判別結(jié)果。若不同，我們認(rèn)為需要局部互補(bǔ)子空間的介入來對(duì)待測(cè)樣本進(jìn)行精確分類。

1.3 局部互補(bǔ)子空間的構(gòu)造

心理學(xué)和神經(jīng)學(xué)的研究都表明，對(duì)人類而言，全局和局部特征對(duì)人臉的正確識(shí)別和感知都具有非常關(guān)鍵的作用。因此，本文利用LAP、SLGS和V-SLGS構(gòu)造局部互補(bǔ)的特征描述空間。

1.3.1 LAP算法

與LBP不同的是，LAP不再關(guān)注中心像素點(diǎn)與周圍鄰域單個(gè)像素點(diǎn)的灰度值大小關(guān)系。以某一像素點(diǎn)為中心取相鄰的8個(gè)像素組成一個(gè)局部鄰域，在該鄰域內(nèi)分別求取3對(duì)水平方向和3對(duì)垂直方向及對(duì)角方向像素灰度值的均值，并與中心像素值進(jìn)行比較，以此獲得8位二進(jìn)制碼，每一位乘以相應(yīng)的權(quán)重系數(shù)求和得到該鄰域新的紋理特征，如圖1所示。

圖1 基本LAP算子計(jì)算

在灰度圖像中，定義c是中心像素點(diǎn)的灰度值，g是中心像素鄰域內(nèi)第個(gè)采樣點(diǎn)的灰度值。局部均值向量表示中心像素c的均值結(jié)構(gòu)，其值定義如下：

，，，，

由圖1中LAP算子的定義可知，與統(tǒng)一化的LBP(Uniform Local Binary Pattern，ULBP)類似，LAP共有28=256種二進(jìn)制模式，借鑒ULBP的思想，本文進(jìn)一步提出統(tǒng)一化的LAP(Uniform Local Average Pattern，ULAP)。將LAP的二進(jìn)制模式看作一個(gè)首尾相連的環(huán)形，當(dāng)其相鄰兩位從0到1或1到0的跳變不超過2次時(shí)，該模式被稱為統(tǒng)一模式(共58種)，其余的歸為非統(tǒng)一模式，統(tǒng)一模式和非統(tǒng)一模式總共59種。統(tǒng)計(jì)圖像上統(tǒng)一模式和非統(tǒng)一模式出現(xiàn)的次數(shù)，獲得該灰度圖像的ULAP直方圖特征。

1.3.2 SLGS算法

SLGS是最近才被提出的一種紋理描述算法，它有著對(duì)稱的圖形結(jié)構(gòu)。圖2給出了其算法求解過程。SLGS的中心像素點(diǎn)左右兩側(cè)各有三個(gè)像素點(diǎn)，相比于LBP算法，利用了較少的鄰域像素點(diǎn)，且鄰域半徑為1和2，可以更加充分描述圖像的紋理特征。

圖2 SLGS算子示意圖

1.3.3 V-SLGS算法

SLGS不再局限環(huán)形鄰域，具有較好的紋理描述能力，但是也存在不足之處，即僅考慮待求像素點(diǎn)的水平方向，而忽略了垂直方向的信息，這樣會(huì)導(dǎo)致部分特征信息丟失。針對(duì)這個(gè)問題，本文提出了垂直-對(duì)稱的局部圖形結(jié)構(gòu)描述子，簡(jiǎn)稱V-SLGS，避免了垂直方向上信息的丟失。圖3給出了V-SLGS算法求解過程。

圖3 V-SLGS算子示意圖

從求取紋理值角度，ULAP、SLGS及V_SLGS是利用不同鄰域的灰度值對(duì)所求像素點(diǎn)進(jìn)行描述；從整體上看，不再局限于環(huán)形鄰域。三者構(gòu)成一種互補(bǔ)模式，擴(kuò)展了紋理描述區(qū)域，本文將三種特征組成局部互補(bǔ)子空間。圖4給出應(yīng)用LBP、LAP、SLGS和V-SLGS算法重構(gòu)的例子，使用的是ORL人臉數(shù)據(jù)庫的部分圖片。

2 基于局部特征決策融合的方法

當(dāng)全局特征無法對(duì)待測(cè)樣本進(jìn)行分類時(shí)，我們將其投影到局部互補(bǔ)子空間上，獲得描述人臉圖像的局部特征，此時(shí)將不同的描述信息采用何種方式進(jìn)行融合就成為識(shí)別的關(guān)鍵。信息融合包括三個(gè)層面：數(shù)據(jù)級(jí)融合(低層)、特征級(jí)融合(中層)和決策級(jí)融合(高層)。相比前兩者，決策級(jí)融合對(duì)學(xué)習(xí)器的依賴性小，且具有較好的容錯(cuò)性，能夠弱化信息的不完整及錯(cuò)誤數(shù)據(jù)的影響?？紤]到?jīng)Q策級(jí)融合的優(yōu)勢(shì)，本文在局部互補(bǔ)子空間上，首先采用分層交叉驗(yàn)證的方式，利用ULAP、SLGS及V-SLGS算法構(gòu)建基分類器，然后結(jié)合BP神經(jīng)網(wǎng)絡(luò)，輸出待分類樣本屬于各個(gè)類別的后驗(yàn)值，并根據(jù)其大小賦予等級(jí)分?jǐn)?shù)，最后對(duì)所有基分類器得到的等級(jí)分?jǐn)?shù)進(jìn)行融合決策。

圖4 不同算法提取特征重構(gòu)圖

輸入：學(xué)習(xí)算法ULAP、SLGS及V-SLGS，訓(xùn)練樣本集，待分類樣本；

輸出：待分類樣本的預(yù)測(cè)類別。

1) 對(duì)于給定的訓(xùn)練樣本數(shù)據(jù)集，采用分層交叉驗(yàn)證技術(shù)將其隨機(jī)劃分為折(每一折中包含所有的類別，且各類樣本個(gè)數(shù)相同)，從中抽取-1折用于訓(xùn)練生成基分類器；

(a) 令=1到循環(huán)；

(c) 第個(gè)分類器上，目標(biāo)屬于各個(gè)類別的等級(jí)分?jǐn)?shù)為；

圖5 本文方法流程圖

基于概率值的決策融合，往往只關(guān)注最大后驗(yàn)概率值對(duì)應(yīng)的類別，而忽略其他后驗(yàn)概率值對(duì)識(shí)別的影響。本文提出的基于等級(jí)分?jǐn)?shù)的決策融合充分利用各個(gè)基分類器之間的差異性，并讓各個(gè)基分類器提供的全部類別信息按照一定的權(quán)值參與決策，使得最終參與決策的信息更加全面，從而獲得更為精確的識(shí)別結(jié)果，如圖5所示。

3 實(shí)驗(yàn)結(jié)果及分析

為了驗(yàn)證本文方法的有效性，分別在ORL、Yale和FERET人臉庫上進(jìn)行了相關(guān)實(shí)驗(yàn)。

3.1 實(shí)驗(yàn)數(shù)據(jù)庫

ORL人臉庫是由英國(guó)劍橋AT&T實(shí)驗(yàn)室創(chuàng)建，由40個(gè)不同年齡、不同性別和不同種族的對(duì)象組成，每個(gè)人有10幅不同的人臉圖像，共400幅圖像。Yale人臉庫由165張(15個(gè)人，每人11張)人臉圖像組成，主要包括光照條件、表情的變化。FERET人臉庫共包含200個(gè)人，其中每人7幅圖像。對(duì)于同一個(gè)人，包括不同表情、不同光照、不同頭部姿勢(shì)以及不同時(shí)期(相隔18個(gè)月以上)的圖像。

3.2 實(shí)驗(yàn)結(jié)果及分析

實(shí)驗(yàn)1 ORL庫及Yale庫上，不同算法識(shí)別率的對(duì)比

實(shí)驗(yàn)時(shí)，隨機(jī)選取每人的幅圖像構(gòu)成訓(xùn)練樣本集，剩下的圖像構(gòu)成測(cè)試樣本集。首先將人臉圖像進(jìn)行分塊處理，在ORL庫上，將人臉圖像歸一化為96′96大小，分成6′6塊；Yale庫上將人臉圖像歸一化為95′95大小，分成5′5塊。然后對(duì)每一塊分別進(jìn)行LAP求取紋理直方圖特征，并將其串聯(lián)。本文采用Chi平方統(tǒng)計(jì)法計(jì)算直方圖特征相似度，最后根據(jù)最近鄰準(zhǔn)則分類。對(duì)不同人臉庫分別進(jìn)行5次識(shí)別實(shí)驗(yàn)，最后取均值。實(shí)驗(yàn)結(jié)果如表1所示。

圖6 兩種算法在不同分塊時(shí)的識(shí)別率對(duì)比

表1 不同算法在不同人臉庫上錯(cuò)誤率比較

實(shí)驗(yàn)2 不同分塊時(shí)，SLGS和V-SLGS算法的識(shí)別率對(duì)比。

實(shí)驗(yàn)時(shí)，在ORL和Yale人臉庫分別隨機(jī)選取每人的5幅圖像作為訓(xùn)練樣本，F(xiàn)ERET庫上隨機(jī)選取每人4幅圖像作為訓(xùn)練樣本，各自剩下的圖像作為測(cè)試樣本。分別選用最近鄰(NN)和BP神經(jīng)網(wǎng)絡(luò)作為分類器。將人臉庫中的圖像分成′塊，每組實(shí)驗(yàn)進(jìn)行五次，取平均值。實(shí)驗(yàn)結(jié)果如圖6所示。實(shí)驗(yàn)結(jié)果表明V-SLGS算法在人臉垂直紋理信息描述上的有效性。

表2 多決策方法的分類結(jié)果

實(shí)驗(yàn)3 ORL庫、Yale庫及FERET庫上，多決策分類結(jié)果

實(shí)驗(yàn)時(shí)，在ORL人臉庫上，隨機(jī)選取每人的3~6幅圖像作為訓(xùn)練樣本，Yale庫上隨機(jī)選取每人4~6幅圖像作為訓(xùn)練樣本，F(xiàn)ERET庫上隨機(jī)選取每人的2~3幅圖像作為訓(xùn)練樣本，各自剩下的圖像作為測(cè)試樣本。實(shí)驗(yàn)結(jié)果如表2所示。

1中的樣本代表粗分類結(jié)果相同的樣本，1中錯(cuò)分樣本表示雖然分類結(jié)果相同，但是被錯(cuò)分的樣本。從實(shí)驗(yàn)結(jié)果可以看出，1中的錯(cuò)分?jǐn)?shù)較少，這說明粗分類時(shí)，較難識(shí)別的測(cè)試樣本大多都被分到不同的類。以O(shè)RL庫為例，當(dāng)3個(gè)訓(xùn)練樣本時(shí)，錯(cuò)分的樣本數(shù)是13，其中8個(gè)是1中的樣本，另外5個(gè)是無法被正確分類的樣本。我們注意到，經(jīng)過全局補(bǔ)空間分類時(shí)，最初有29個(gè)樣本被分到不同的類，經(jīng)過局部補(bǔ)空間分類后，有24個(gè)樣本被正確分類。訓(xùn)練樣本是4、5、6個(gè)時(shí)的情況是類似的。從實(shí)驗(yàn)結(jié)果來看，1中的錯(cuò)分樣本在整體識(shí)別錯(cuò)誤的樣本中占據(jù)比較大的比例，雖然逐漸減少，但這部分樣本也直接影響著最終的識(shí)別率。因此，下一步的研究方向是尋找能使得1中的錯(cuò)分?jǐn)?shù)更加有效降低互補(bǔ)算法。

實(shí)驗(yàn)4 不同算法的識(shí)別率對(duì)比

對(duì)參與多決策的各個(gè)算法進(jìn)行識(shí)別率測(cè)試，ORL和Yale人臉庫均隨機(jī)選每人五幅圖像作為訓(xùn)練樣本，F(xiàn)ERET庫上隨機(jī)選取每人二幅圖像作為訓(xùn)練樣本，各自剩下的圖像作為測(cè)試樣本。實(shí)驗(yàn)結(jié)果如表3。

表3 各種方法的識(shí)別率比較

針對(duì)獨(dú)立特征缺少分類信息，將FLDA和DCV算法作為全局互補(bǔ)空間對(duì)ICA求取具有鑒別能力的特征。實(shí)驗(yàn)結(jié)果表明，有效的提高了獨(dú)立特征的識(shí)別率。將難以識(shí)別的樣本投影到局部互補(bǔ)子空間上進(jìn)一步精確分類的結(jié)果表明本文方法的有效性。在ORL和Yale庫上獲得的識(shí)別率明顯高于其他算法，F(xiàn)ERET庫上的識(shí)別性能從整體來看要比ORL庫和Yale庫差一些，究其原因，F(xiàn)ERET庫訓(xùn)練樣本過少，在利用全局互補(bǔ)空間進(jìn)行分類時(shí)，存在一定的誤識(shí)別，這在一定程度上降低整體的識(shí)別率。從實(shí)驗(yàn)3表2可以看出，隨著訓(xùn)樣樣本的增加，F(xiàn)ERET庫上的誤識(shí)別樣本明顯降低，本文方法在性能好壞上仍然具有一定的優(yōu)勢(shì)，能夠達(dá)到很高的分類精度，是一種有效且魯棒性較高的人臉識(shí)別算法。

表4 不同算法特征維數(shù)、識(shí)別時(shí)間的對(duì)比

實(shí)驗(yàn)5 測(cè)試集上，不同算法特征維數(shù)、識(shí)別時(shí)間的對(duì)比

ORL和Yale庫隨機(jī)選取每人五幅圖像作為訓(xùn)練樣本，F(xiàn)ERET庫上隨機(jī)選取每人二幅圖像作為訓(xùn)練樣本，各自剩下的作為測(cè)試樣本。本文提出構(gòu)造了兩個(gè)互補(bǔ)的特征提取空間，由于全局特征利用的特征較少，使其訓(xùn)練及分類速度較快。對(duì)于無法識(shí)別的樣本利用局部特征構(gòu)造的互補(bǔ)空間進(jìn)行精細(xì)確認(rèn)，此時(shí)只需測(cè)試一個(gè)相對(duì)較小的子集，而不是整個(gè)測(cè)試集，有效的節(jié)約了訓(xùn)練及分類時(shí)間。具體實(shí)驗(yàn)結(jié)果如表4。

4 結(jié) 論

本文提出了一種互補(bǔ)空間特征提取和局部決策融合的人臉識(shí)別方法，與目前流行的方法進(jìn)行比較具有以下優(yōu)越性：

1) 本文提出的“互補(bǔ)空間”是從不同的角度對(duì)樣本進(jìn)行特征提取，既考慮到人臉整體的全局性，又兼顧了人臉的局部性，使得對(duì)人臉圖像特征的描述更加全面。

2) 本文提出了一種新的紋理特征描述算法LAP，利用同一方向上的均值與中心像素點(diǎn)的灰度值大小關(guān)系來描述紋理特征，在不同人臉庫上的實(shí)驗(yàn)結(jié)果表明該算法的有效性。

3) 本文在進(jìn)行局部多分類器融合時(shí)，避免傳統(tǒng)方法只關(guān)注后驗(yàn)概率最大類別的弊端，通過設(shè)置不同的等級(jí)分?jǐn)?shù)，從而獲得了較高的識(shí)別準(zhǔn)確率。

4) 本文的測(cè)試樣本分為兩個(gè)部分進(jìn)行測(cè)試，首先利用全局特征進(jìn)行快速匹配，識(shí)別出大量樣本，針對(duì)少量難以識(shí)別的樣本利用局部特征進(jìn)行精確匹配，有效的降低系統(tǒng)識(shí)別時(shí)間。

參考文獻(xiàn)：

[1] Pandya J M，Rathod D，Jadav J J. A Survey of Face Recognition approach [J]. International Journal of Engineering Research and Applications (IJERA)(S2248-9622)，2013，3(1)：632-635.

[2] CHAI Zhenhua，SUN Zhenan，Méndez-Vázquez H，. Gabor Ordinal Measures for Face Recognition [J]. IEEE Transactions on Information Forensics and Security(S1556-6013)，2014，9(1/2)：14-26.

[3] LIAO Shengcai，JAIN Anil K，LI Stan Z. Partial Face Recognition：Alignment-Free Approach [J]. IEEE Transactions on Pattern Analysis & Machine Intelligence(S0162-8828)，2013，35(5)：1193-1205.

[4] HUANG Zhenghua，LI Wenjuan，WANG Jun，. Face recognition based on pixel-level and feature-level fusion of the top-level’s wavelet sub-bands [J]. Information Fusion(S1566-2535)，2015，22：95–104.

[5] 朱玉蓮, 陳松燦. 特征采樣和特征融合的子圖像人臉識(shí)別方法[J]. 軟件學(xué)報(bào)，2012，23(12)：3209-3220.

ZHU Yulian，CHEN Songcan.Sub-Image Method Based on Feature Sampling and Feature Fusion for Face Recognition [J].Journal of Software，2012，23(12)：3209-3220.

[6] Perez C A，Cament L A，Castillo L E. Methodological Improvement on Local Gabor Face Recognition Based on Feature Selection and Enhanced Borda Count [J]. Pattern Recognition(S0031-3203)，2011，44(4)：951-963.

[7] YAN Yan，WANG Hanzi，Suter David. Multi-subregion based correlation filter bank for robust face recognition [J]. Pattern Recognition(S0031-3203)，2014，47(11)：3487-3501.

[8] Ojala T，Pietikainen M，Maenpaa T. Multiresolution gray-scale and rotation invariant texture classification with local binary patterns [J]. IEEE Transactions on Pattern Analysis & Machine Intelligence(S0162-8828)，2002，24(7)：971-987.

[9] GUO Zhenhua，ZHANG Lei，ZHANG David. A Completed Modeling of Local Binary Pattern Operator for Texture Classification [J]. IEEE Transactions on Image Processing(S1057-7149)，2010，19(6)：1657-1663.

[10] 趙潔玉，趙鴻萍，陳曙. 自適應(yīng)閾值及加權(quán)局部二值模式的人臉識(shí)別 [J]. 電子與信息學(xué)報(bào)，2014，36(6)：1327-1333.

ZHANG Jieyu，ZHAO Hongping，CHEN Shu. Face recognition based on weighted local binary pattern with adaptive threshold [J]. Journal of Electronics & Information Technology，2014，36(6)：1327-1333.

[11] Heikkila Marko，Pietikainen Matti，Schmid Cordelia. Description of interest regions with local binary patterns [J]. Pattern Recognition(S0031-3203)，2009，42(3)：425-436.

[12] TAN Xiaoyang，Triggs B. Enhanced local texture feature sets for face recognition under difficult lighting conditions [J]. IEEE Transactions on Image Processing(S1057-7149)，2010，19(6)：168-182.

[13] Chakraborti T，Chatterjee A. A novel binary adaptive weight GSA based feature selection for face recognition using local gradient patterns，modified census transform，and local binary patterns [J]. Engineering Applications of Artificial Intelligence(S0952-1976)，2014，33(1)：80-90.

[14] JUN Bongjin，KIM Daijin. Robust face detection using local gradient patterns and evidence accumulation [J]. Pattern Recognition(S0031-3203)，2012，45(9)：3304–3316.

[15] Abdullah M F A，Sayeed M S，Muthu K S，. Face recognition with Symmetric Local Graph Structure (SLGS) [J]. Expert Systems with Applications(S0957-4174)，2014，41(14)：6131–6137.

[16] Abusham E E A，Bashir H K. Face Recognition Using Local Graph Structure (LGS) [J]. Lecture Notes in Computer Science(S0302-9743)，2011，6762(1)：169-175.

[17] KUO Shyechorng，LIN Chengjian，LIAO Janray. 3D reconstruction and face recognition using kernel-based ICA and neural networks [J]. Expert Systems with Applications(S0957-4174)，2011，38(5)：5406–5415.

[18] LIAO B，WANG H F. The Optimization of SIFT Feature Matching Algorithm on Face Recognition Based on BP Neural Network [J]. Applied Mechanics and Materials(S1662-7482)，2015，743：359-364.

[19] 王建國(guó)，楊萬扣，鄭宇杰，等. 一種基于ICA和模糊LDA的特征提取方法 [J]. 模式識(shí)別與人工智能，2008，21(6)：819-823.

WANG Jianguo，YANG Wankou，ZHENG Yujie，. A feature extraction method based on ICA and fuzzy LDA [J]. PR ＆ AI，2008，21(6)：819-823.

[20] Cevikalp H，Neamtu M，Wilkes M，. Discriminative common vectors for face recognition [J]. IEEE Transactions onPattern Analysis & Machine Intelligence(S0162-8828)，2005，27(1)：4-13.

[21] 許良鳳，李艷秋，胡敏，等. 基于I-DCV的人臉識(shí)別方法 [J]. 電子測(cè)量與儀器學(xué)報(bào)，2015，29(1)：106-110.

XU Liangfeng，LI Yanqiu，HU Min，. Face recognition method based on I-DCV [J]. Journal of Electronic Measurement and Instrumentation，2015，29(1)：106-110.

[22] ZHU Ningbo，TANG Ting，TANG Shi，. A sparse representation method based on kernel and virtual samples for face recognition [J]. Optik - International Journal for Light and Electron Optics(S0030-4026)，2013，124(23)：6236-6241.

Face Recognition Method Based on Multi Features Description and Local Fusion Classification Decision

REN Fuji1,2，LI Yanqiu1,2，HU Min1,2，XU Liangfeng1,2

( 1. School of Computer and Information, Hefei University of Technology, Hefei230009, China; 2. Anhui Key Laboratory of Affective Computing and Advanced Intelligent Machines, Hefei 230009, China)

A face recognition method is proposed based on multi features description and local fusion decision. Firstly, we use Independent Component Analysis (ICA) to construct the global complementary subspace to roughly classifythetest samples. Then the texture descriptor algorithms under three different definitionsare used to construct local complementary subspace to obtain the posterior probability of sample which is difficult to classify by rough classification. Finally, we get the precise classification result of test sample on the local complementary subspace through setting grade scores based on the value of the posterior probability.The experimental results on ORL, Yale and FERET face database show that the proposed method better describes characteristics of the image and has lower time complexity and higher recognition rate. Compared with other methods, it also proves its effectiveness on the face recognition.

information processing; multi features description; fusion decision; complementary space; face recognition

1003-501X(2016)09-0001-08

TP391.4

A

10.3969/j.issn.1003-501X.2016.09.001

2015-09-01；

2016-01-14

國(guó)家自然科學(xué)基金重點(diǎn)資助項(xiàng)目(61432004)；國(guó)家自然科學(xué)青年基金(61300119)；安徽省自然科學(xué)基金項(xiàng)目(1408085MKL16)

任福繼(1959-)，男(漢族)，四川南充人。教授，主要研究方向?yàn)橛?jì)算機(jī)視覺、模式識(shí)別、信號(hào)與信息處理及情感識(shí)別。E-mail：ren@is.tokushima-u.ac.jp。

李艷秋(1988-)，女(漢族)，安徽淮北人。博士研究生，主要研究方向?yàn)閳D像處理、模式識(shí)別、智能計(jì)算。E-mail:liyanqiu2012@163.com。