楊巨成，李 瓊，劉 娜，孫文輝

（天津科技大學計算機科學與信息工程學院，天津 300222）

基于局部邊緣差異二值模式的人臉識別方法

楊巨成，李 瓊，劉 娜，孫文輝

（天津科技大學計算機科學與信息工程學院，天津 300222）

傳統(tǒng)的局部二值模式（local binary pattern，LBP）作為一種有效的特征提取與編碼方法廣泛應用于圖像處理領域，但該方法只提取了圖像模版中心像素值與邊緣像素值的差值信息，這些信息不能全面地表征圖像，并且對圖像小幅度的灰度變化敏感.針對該方法的缺點，提出了一種基于局部邊緣差異二值模式（local edge difference binary pattern，LEDBP）的特征提取算法，并應用于人臉識別領域.與傳統(tǒng)的局部二值模式不同，本方法通過計算圖像模版中心像素值與邊緣像素值的差值來表示局部區(qū)域，其首先計算中心像素與相鄰像素的邊緣差值，然后使用局部三值模式的上模式（upper local ternary pattern）對邊緣像素值進行編碼，建立直方圖后得到特征向量對圖像進行表示.實驗結果表明，本文算法用于人臉識別較傳統(tǒng)的LBP等算法在識別率上有較大提高.

局部邊緣差異；局部二值模式；人臉識別；局部三值模式

人臉識別一直是計算機視覺、模式識別與人工智能領域的一個研究熱點［1］，指根據人的面部特征進行身份識別或者認證，具有主動性、非侵犯性和用戶友好等許多特點，特別是在非接觸環(huán)境和不驚動被檢測人的情況下，具有虹膜、指紋等識別方法不可比擬的優(yōu)勢.人臉識別方法可分為整體識別方法和局部識別方法［2］.一些經典的方法，如主成分分析［3］、線性鑒別分析［4］等是基于整體識別的人臉識別方法，這類方法在受控的條件（如姿態(tài)、光照等變化不大）下識別效果不錯.不過在現(xiàn)實情況下，受姿態(tài)和光照的影響，會導致基于整體識別方法的性能急劇下降.基于局部人臉識別方法，如基于分塊的主成分分析（PCA）識別方法［5］、彈性圖匹配方法［6］、局部二值模式（local binary pattern，LBP）方法［7］等，對姿態(tài)、光照的變化具有較強的魯棒性，因此得到越來越多的關注.

文獻［8］首次提出 LBP算法，其對單調灰度變化具有不變性，并且具有良好的旋轉不變性，因此已經廣泛應用于目標檢測［9］、人臉識別［10-11］等領域.但在實際應用中，LBP方法難以適應不同粗糙度和尺度紋理的需要，因此，研究人員對 LBP進行改進：文獻［12］提出了兩種局部邊緣模式的直方圖，其中局部邊緣模式圖像分割算子（LEPSEG）用于圖像分割，局部邊緣模式圖像檢索算子（LEPINV）用于圖像檢索；文獻［13］提出了基于方向統(tǒng)計的自適應局部二值模式，增加了圖像的空間結構信息；文獻［14］提出了局部二值模式與方差相結合的紋理表示方法，將每個點的方差作為編碼值的權重，提高了紋理分類性能；局部最大邊緣二值模式（LMEBP）［15］、局部方向極值模式（DLEP）［16］、基于方向的二進制小波模式（DBWP）［17］等方法，也被用于圖像追蹤和圖像檢索；此外，文獻［18］在 LBP的基礎上提出了局部三值模式（local ternary pattern，LTP），其通過0，1和-1三個值進行編碼，在均勻區(qū)域比LBP具有更強的判別能力，已經在圖像匹配［19］、人臉識別［20］領域得到了較好的應用效果.

本文改進LMEBP方法，提出了局部邊緣差異二值模式（local edge difference binary pattern，LEDBP），并將其用于人臉識別.LEDBP使用了向上取值的LTP二值編碼模式，即將最小的值取為中間值，不僅擴大了計算范圍，提取了更大范圍的邊緣分布信息，同時還獲取了中心像素與周圍像素的邊緣的方向關系及其大小程度，并且進一步將其排成 8個等級，比傳統(tǒng)的LBP提取了更多的圖像信息.

1　局部模式

1.1局部二值模式

LBP算子是一個強有力的紋理描述算子［7］.圖像中某區(qū)域LBP碼的直方圖可用來描述該區(qū)域的紋理結構.半徑為R的圓上的P個采樣點的LBP碼可用式（1）計算.

式中：cg和ig分別表示窗口的中心點和周圍的 P個采樣點；x為中心點與周圍采樣點的差異值，（）s x表示重新編碼后的值.圖1給出了LBP碼的計算過程.

圖1　LBP碼計算過程Fig.1 Calculation process of local binary pattern

1.2局部三值模式

LTP［18］是在 LBP基礎上改進的，它克服了 LBP對小幅度的灰度變化敏感的問題，其計算公式為

式中T為閾值.圖2給出了一個LTP碼計算過程的實例.為了簡化模型，將基本的局部三值模式分成上模式（upper pattern）和下模式（lower pattern）.將原編碼中除 1以外標記為 0后得到的編碼，定義為上模式；將原編碼中除-1以外標記為0后，用1取代原來的-1，最后得到的編碼定義為下模式.本文采用LTP的上模式.

圖2　局部三值模式及其上模式和下模式Fig.2 Local ternary pattern and its upper pattern and lower pattern

2　局部邊緣差異二值模式

本文提出的局部邊緣差異二值模式（LEDBP）是在LBP的基礎上使用LTPU編碼進行改進的.它通過計算中心像素點與周圍 8鄰域像素點灰度值的差異值，以及取周圍8個像素點分別為中心再與其周圍的8像素點取差異值，將9個像素點每個像素點的8個灰度差異值取絕對值后按大小排序.如圖3所示，通過將 9個像素點分別對應的最大差異值使用LTPU進行編碼，就得到編碼值.LEDBP編碼的具體計算步驟為

（1）計算中心點gc與周圍 8個點的灰度值差異值

這里I（gi）表示i點的灰度值大小.

（2）取8個點中灰度值差異值絕對值最大的點

（3）將中心點與1i的灰度差異值用LTPU進行編碼.實驗表明，閾值由 1向上取時，識別率先增大后減小，在閾值取 5時達到最大，因此閾值取5，大于5的時候取1，在-5到5之間取0，小于-5的向上取值，也取0，計算公式為

分別計算出以周圍 8個點為中心點所對應的Inew（g1）、Inew（g2）、…、Inew（g8），則中心點gc最大的LEDBP編碼定義為

然后，將九位二進制數轉化為0至511之間的十進制數，如圖4所示.

（4）最大的 LEDBP編碼計算完后，整幅圖像都被0至511之間的數進行了重新編碼，這幅圖像就可以用式（7）建立的直方圖進行表示.

式中：M，N表示圖像矩陣的行數和列數；（j，k）表示第j行第k列所對應的像素點.

其余 7個 LEDBP編碼值也分別聯(lián)立組成直方圖，因此，圖像的特征向量維度為8×512.

圖3　8個邊緣差異值及其LTPU編碼（T=5）Fig.3 Eight edge difference and LTPU code（T=5）

圖4　中心點的最大LEDBP編碼值計算過程Fig.4 Computing of the maximum LEDBP of the center pixel

下面以圖 3為例進行實例說明.首先計算中心像素（灰度值為16）與周圍8個相鄰像素的灰度差異值，可以得到“-9、-10、9、-14、11、-5、2、1”，按絕對值大小排序后得到“-14、11、-10、9、-9、-5、2、1”，使用 LTPU編碼得到八位二進制數“01，010，000”.然后使用相同的計算方法計算周圍8個點的邊緣差異值并使用LTPU進行編碼得到了9個八位二進制數，如圖5所示.取9個八位二進制數的第一位組成最大差異值的LEDBP編碼值，其他七位也依次組成7個LEDBP編碼值.分別將計算得到的8個LEDBP編碼值按照順序構建直方圖，然后將8個直方圖聯(lián)立，最終得到 8×512的 LEDBP特征向量.

圖5　計算第一大至第八大的LMEDBP編碼值Fig.5 LMEDBP of the 1st maximum to 8th maximum

3　實 驗

3.1識別率

為了測試提出方法的性能，在ORL和Yale兩個著名的人臉數據庫上進行了實驗.ORL數據庫［21］包含40人的人臉圖像，每人有10幅112像素×92像素的不同的圖像，在不同時間拍攝，且具有不同表情、姿態(tài)和面部細節(jié).Yale人臉數據庫［22］包含15人，每人 11張不同表情、姿態(tài)和受光照影響的人臉圖像，每幅圖像大小為100像素×80像素.

在ORL數據庫上，將LEDBP與局部二值模式（LBP）和局部圖模型（LGP）進行比較.使用 LBP和LGP編碼后建立直方圖，利用主成分分析方法（PCA）進行降維，貢獻率取 0.95.最后利用極限學習機（ELM）［23］進行分類，分別隨機取每個人的 5幅、6幅、7幅、8幅和9幅圖像作為訓練樣本，然后對應的剩下的5幅、4幅、3幅、2幅和1幅圖像用于測試.4組實驗每組重復作 10次后計算平均識別率，實驗結果見表1.

表1　ORL數據庫上平均識別率的比較Tab.1 Comparison of the average recognition rate in ORL database

在 Yale數據庫上進行實驗，每個人的訓練樣本數和測試樣本數分別取6和5、7和4、8和3、9和2、10和 1.實驗過程與在 ORL數據庫上一致，利用LBP和LGP以及提出的LEDBP方法對圖像進行編碼后建立直方圖，然后使用PCA降維，使用ELM進行分類，實驗結果見表2.

表2　Yale數據庫上平均識別率的比較Tab.2　Comparison of the average recognition rate in Yale database

由表1和表2可以看出：在ORL數據庫上LGP的識別率高于LBP，但是LEDBP是最高的；在Yale數據庫上LBP的識別率高于LGP，但LEDBP的識別率仍然是最高的.因此，相對于傳統(tǒng)的 LBP以及LGP人臉識別方法，基于LEDBP的人臉識別方法具有更高的識別率.

3.2時間效率

為了測試提出方法的特征提取時間效率，本實驗選取了 ORL人臉數據庫中的一幅圖片進行測試，圖片大小為112像素×92像素，實驗結果見表3.

表3　單幅圖片上特征提取時間的比較Tab.3　Comparison of the feature extraction time on a single picture

由表3可看出，由于本文提出的LEDBP方法擴大了計算范圍（5×5），獲取了更多的特征差異信息，因此在時間效率上較LBP和LGP低.

4　結 語

本文在LBP和LMEBP的基礎上提出了一種改進的LEDBP人臉識別方法，其充分利用了圖像的邊緣像素灰度值差異信息對人臉圖像進行表示.該方法提取了中心像素點與邊緣像素點的灰度值大小關系，并且依據邊緣差異值大小將邊緣分成 8部分，因此提供了比LBP方法更完整的圖像表示.LEDBP很好地解決了 LMEBP對圖像中較小灰度值變化敏感的問題，對圖像局部特征的描述更具有魯棒性.實驗結果表明：相對于傳統(tǒng)的LBP以及LGP人臉識別方法，基于 LEDBP的人臉識別方法具有更高的識別率.但由于 LEDBP計算單元大，獲取的圖像特征信息多，因此時間效率相對較低.

［1］ 周德龍. 人臉識別技術研究［D］. 西安：西北工業(yè)大學，2001.

［2］ 吳巾一，周德龍. 人臉識別方法綜述［J］. 計算機應用研究，2009，26（9）：3205-3209.

［3］ Turk M A，Pentland A P. Eigenfaces for recognition［J］. Journal of Cognitive Neuroscience，1991，3（1）：71-86.

［4］ Etemad K，Chellapa R. Face recognition using discriminant eigenvectors［C］//Proceedings of IEEE International Conference on Acoustics，Speech，& Signal Processing. Piscataway：IEEE，1996：2148-2151.

［5］ Gottumukkal R，Asari V K. An improved face recognition technique based on modular PCA approach［J］. Pattern Recognition Letters，2004，25（4）：429-436.

［6］ Wiskott L，F(xiàn)ellous J M，Kuiger N，et al. Face recognition by elastic bunch graph matching［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence，1997，19（7）：775-779.

［7］ Ahonen T，Hadid A，Pietikainen M. Face recognition with local binary patterns［J］. Lecture Notes in Computer Science，2004，3021：469-481.

［8］ Ojala T，Pietikainen M，Harwood D. A comparative study of texture measures with classification based on feature distributions［J］. Pattern Recognition，1996，29（1）：51-59.

［9］ 潘泓，金立左，夏思宇，等. 基于多層次互補特征的通用目標檢測模型［J］. 電子與信息學報，2012，34（7）：1531-1537.

［10］ Chao W L，Ding J J，Liu J Z. Facial expression recognition based on improved local binary pattern and classregularized locality preserving projection［J］. Signal Processing，2015，117：1-10.

［11］ 徐杜功，丁召，劉橋. 基于稀疏表達和改進的LBP算子的人臉表情識別［J］. 計算機應用與軟件，2013（4）：246-248.

［12］ Yao C H，Chen S Y. Retrieval of translated，rotated and scaled color textures［J］. Pattern Recognition，2003，36（4）：913-929.

［13］ Guo Z H，Zhang L，Zhang D，et al. Rotation invariant texture classification using adaptive LBP with directional statistical features［C］//Proceedings of the 17，th IEEE International Conference on Image Processing. Piscatawy：IEEE，2010：285-288.

［14］ Guo Z H，Zhang L，Zhang D. Rotation invariant texture classification using LBP variance（LBPV）with global matching［J］. Pattern Recognition，2010，43（3）：706-719.

［15］ Subrahmanyam M，Maheshwari R P，Balasubramanian R. Local maximum edge binary patterns：A new descriptor for image retrieval and object tracking［J］. Signal Process，2012，92（6）：1467-1479.

［16］ Murala S，Maheshwari R P，Balasubramanian R. Directional local extrema patterns：A new descriptor for content based image retrieval［J］. International Journal of Multimedia Information Retrieval，2012，1（3）：191-203.

［17］ Murala S，Maheshwari R P，Balasubramanian R. Directional binary wavelet patterns for biomedical image indexing and retrieval［J］. Journal of Medical Systems，2012，36（5）：2865-2879.

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

［19］ 趙靈芝，李偉生. 一種基于 LTP特征的圖像匹配方法［J］. 計算機應用研究，2009，26（10）：3983-3985.

［20］ 袁寶華，王歡，任明武. 融合LTP與Fisherfaces的分塊人臉識別［J］. 計算機工程，2012，38（10）：154-156.

［21］ The Digital Technology Group，Cambridge University Computer Laboratory. ORL Database of Faces［EB/OL］.［2015-12-16］. http://www.cl.cam.ac.uk/research/dtg/attarchive/facedatabase. html.

［22］ Computational vision and control center，Yale University. Yale Face Database［EB/OL］. ［2015-12-16］. http：//vision.ucsd.edu/～iskwak/ExtYaleDatabase/Yale%20Face% 20Database. htm.

［23］ Huang G B，Zhu Q Y，Siew C K. Extreme learning machine：Theory and applications［J］. Neurocomputing，2006，70（1/2/3）：489-501.

責任編輯：常濤

Face Recognition Based on Local Edge Difference Binary Patterns

YANG Jucheng，LI Qiong，LIU Na，SUN Wenhui
（College of Computer Science and Information Engineering，Tianjin University of Science & Technology，Tianjin 300222，China）

Traditional local binary pattern（LBP）is widely used in image processing as an effective feature extraction and encoding method，but it can only extract the different information between the central pixel and its neighbors in the template，cannot fully represent the image，and is sensitive to small gray scale changes.According to the shortcomings of this method，a novel local edge difference binary pattern（LEDBP）is proposed for image feature extraction and used in the face recognition.The LEDBP differs from the existing LBP in a manner that it extracts information based on the distribution of edges in an image.The differences between the central pixel and its 8 neighbors in the template can be calculated by using LEDBP.After that，the edges can be coded by using the upper local ternary pattern（LTPU），and then the feature vectors can be obtained by establishing histograms which represent the images.Experiments in face recognition show that the proposed method outperforms the traditional LBP on recognition accuracy.

local edge difference；local binary pattern；face recognition；local ternary patterns

TP399

A

1672-6510（2016）04-0069-05

10.13364/j.issn.1672-6510.20150251

2015-12-17；

2016-03-28

國家自然科學基金資助項目（61502338）；天津市科技支撐計劃重點資助項目（15ZCZDGX00200）

楊巨成（1980—），男，湖北人，教授，jcyang@tust.edu.cn.