頊 聰，陶永鵬

(大連外國(guó)語(yǔ)大學(xué) 軟件學(xué)院， 遼寧 大連 116044)

?

基于改進(jìn)的LBP人臉識(shí)別算法的研究*

頊 聰，陶永鵬

(大連外國(guó)語(yǔ)大學(xué) 軟件學(xué)院， 遼寧 大連 116044)

局部二值模式(LBP)算法是人臉識(shí)別領(lǐng)域中的經(jīng)典算法,能夠捕捉局部的細(xì)節(jié)特征，但其魯棒性和識(shí)別率易受外部環(huán)境變化的影響。文章深入研究了LBP算法，從LBP算子、直方圖特征提取對(duì)傳統(tǒng)LBP算法進(jìn)行改進(jìn)，并結(jié)合LIOP編碼方法，進(jìn)一步提出了增強(qiáng)局部量化模式(ELQP)的人臉識(shí)別算法。實(shí)驗(yàn)結(jié)果表明，改進(jìn)的LBP算法具有更高的識(shí)別率和較強(qiáng)的魯棒性。

LBP 算子;圖像融合;人臉識(shí)別;特征提取

0 引言

人臉識(shí)別，特指利用分析比較人臉視覺(jué)特征信息進(jìn)行身份鑒別的計(jì)算機(jī)技術(shù)。研究人臉識(shí)別重點(diǎn)在于對(duì)核心算法的研究,通過(guò)算法的改進(jìn)使識(shí)別結(jié)果具有實(shí)用化的識(shí)別率和識(shí)別速度。當(dāng)前人臉識(shí)別領(lǐng)域中，主要有以下核心算法研究[1]：(1)通過(guò)積分方式進(jìn)行歐式距離表示,形成的基于幾何特征的算法，例如MIT的Brunelli和Poggio科研團(tuán)隊(duì)。(2)利用模板匹配算法進(jìn)行人臉特征提取(如眉毛、眼睛輪廓的特征提取)，例如Harvard大學(xué)Smith-Kettlewell眼睛研究中心。然而目前面臨的主要問(wèn)題是外界環(huán)境的不斷變化對(duì)人臉識(shí)別產(chǎn)生了巨大影響，加大了識(shí)別的難度。如何提出新算法或改進(jìn)原有的算法進(jìn)行有效的人臉特征提取是目前人臉識(shí)別技術(shù)研究的重點(diǎn)。

早期的研究提出了Eigenface方法[2]，主要是利用主成分分析(PCA)進(jìn)行人臉特征提取，形成特征臉，因?yàn)槌醪教崛〉拿枋鋈四樛庠谧兓奶卣髂樉S度較高，所以要進(jìn)行降維處理。在此基礎(chǔ)上進(jìn)一步提出了Fisherface[3]方法，先應(yīng)用PCA對(duì)特征向量進(jìn)行降維，然后使用線性判別分析(LDA)使特征的類內(nèi)差異減小并增大類間差異。但是這些基于全局特征的方法對(duì)于表情、光照、遮擋這些變化十分敏感，于是基于局部特征的人臉?biāo)惴ㄖ饾u成為新的研究熱點(diǎn)。

1 LBP的算法的改進(jìn)

1.1 LBP理論

局部二值模式(LBP)算法是一種典型的基于局部特征的識(shí)別算法[4]。LBP局部二值模式是一種基于灰度值比較的局部紋理結(jié)構(gòu)表示方法，與灰度特征相比表示能力更強(qiáng)。它對(duì)于邊緣、角點(diǎn)和平滑變化的圖像區(qū)域都能良好地表示出來(lái)。對(duì)于任意圖像I來(lái)說(shuō)，LBP通過(guò)比較中心像素點(diǎn)和鄰域像素點(diǎn)的值來(lái)對(duì)圖像進(jìn)行重編碼，其定義如下：

(1)

其中φ(x)為閾值化函數(shù)，只有當(dāng)x的值大于等于0時(shí)函數(shù)值為1，否則函數(shù)值為0；n代表LBP編碼總的鄰域點(diǎn)數(shù)；k表示第k個(gè)鄰域點(diǎn)；c代表中心像素點(diǎn)。

LBP算法計(jì)算方法簡(jiǎn)單，不涉及到復(fù)雜的運(yùn)算，但是本身存在兩個(gè)缺陷：

第一,隨著LBP的鄰域點(diǎn)數(shù)量增加，LBP的主模數(shù)量會(huì)成指數(shù)形式增加。

第二,LBP編碼雖然有一定的灰度不變性和旋轉(zhuǎn)不變性，但是對(duì)姿態(tài)變化和光照變化等外界環(huán)境依然不夠魯棒。

1.2 LBP算子的改進(jìn)

對(duì)于LBP算法的改進(jìn)，目的是克服原有算法的不足，提高在復(fù)雜外界環(huán)境下人臉的識(shí)別率。

由于基于局部特征提取框架主要分為三個(gè)部分，因此主要的改進(jìn)方向有：圖像濾波、模式采樣、模式編碼三個(gè)。

1.2.1 圖像濾波上的改進(jìn)

在不同的光照環(huán)境下得到的人臉圖像存在顯著的差異，為了消除這種差異需要對(duì)圖片進(jìn)行預(yù)處理。具體來(lái)說(shuō)就是對(duì)于圖像I使用濾波核w進(jìn)行濾波處理，得到圖像f(I)，然后對(duì)f(I)進(jìn)行LBP編碼。增強(qiáng)圖像細(xì)節(jié)。

1.2.2 模式采樣的改進(jìn)

LBP方法只使用了鄰域點(diǎn)與中心像素點(diǎn)的大小關(guān)系，沒(méi)有利用上鄰域點(diǎn)之間的大小關(guān)系，而且對(duì)于鄰域點(diǎn)之間的權(quán)重是相等的。因此如何利用鄰域點(diǎn)之間的大小關(guān)系進(jìn)行編碼是重點(diǎn)解決的關(guān)鍵技術(shù)問(wèn)題。考慮到局部序數(shù)模式算法可以對(duì)鄰域點(diǎn)按照一定的關(guān)系排序，因此本文采用該算法去改善模式的編碼。

1.2.3 模式編碼上的改進(jìn)

LBP編碼的主模數(shù)與鄰域點(diǎn)數(shù)之間存在指數(shù)關(guān)系，然而為了增強(qiáng)判別能力不得不使用較大的鄰域點(diǎn)數(shù)。因此如何降低主模數(shù)量是重點(diǎn)解決的關(guān)鍵技術(shù)問(wèn)題。針對(duì)這個(gè)問(wèn)題HUSSAIN S U提出了LQP，通過(guò)使用離線K均值距離建立一個(gè)碼本，并將二進(jìn)制序列分成K個(gè)子類來(lái)編碼主模。

1.3 直方圖特征提取

改進(jìn)LBP算子后，需要進(jìn)一步進(jìn)行直方圖下的特征提取。如圖1所示。

圖1 LBP分塊空間的增強(qiáng)直方圖特征提取框架圖

(1)直方圖特征度量

(2)直方圖權(quán)重度量方法

(3)直方圖特征的降維方法

直方圖特征維數(shù)過(guò)高不利于后續(xù)的識(shí)別和實(shí)際應(yīng)用中實(shí)時(shí)計(jì)算的要求，因此有必要對(duì)直方圖特征進(jìn)行降維處理。本文利用特征降維法PCA[6]，算法步驟為：①計(jì)算散布矩陣S；②計(jì)算散布矩陣S的本征值和本征向量；③按本征值的大小，從大到小對(duì)其對(duì)應(yīng)的本征向量進(jìn)行排序；④選擇其中最大的d個(gè)本征值對(duì)應(yīng)的本征向量，并將其作為投影向量，構(gòu)成D×d投影矩陣W。

測(cè)試結(jié)果如圖2所示。

圖2實(shí)驗(yàn)比較后的人臉圖

圖2(a)是原始人臉圖像，圖2(b)是采用分塊的 LBP圖像的空間增強(qiáng)直方圖算法進(jìn)行特征提取的人臉圖像，圖2(c)是經(jīng)過(guò) PCA 降維的特征圖像?？梢钥闯鼋?jīng)過(guò) PCA 降維的人臉的局部細(xì)節(jié)特征依然保留，但數(shù)據(jù)量降低，說(shuō)明經(jīng) PCA 降維的特征提取取得了良好的效果。通過(guò)降維后人臉圖像特征矩陣識(shí)別將轉(zhuǎn)化為樣本分類的求解問(wèn)題，本文則通過(guò)構(gòu)建最小支持向量機(jī)來(lái)進(jìn)行分類。

2 增強(qiáng)局部量化模式(ELQP)人臉識(shí)別算法

2.1 概述

因LBP的鄰域編碼能力比較弱化，依然影響最終人臉的識(shí)別，所以本文在改進(jìn)LBP算法的基礎(chǔ)上進(jìn)行更進(jìn)一步的研究，提出增強(qiáng)局部量化模式(ELQP)的人臉識(shí)別算法。

LIOP[7]是用鄰域序數(shù)關(guān)系代替LBP的鄰域編碼，具有更強(qiáng)的判別能力，LQP是一種通過(guò)查表的方式對(duì)特征向量進(jìn)行編碼的方法，可以在不增加計(jì)算復(fù)雜度的情況下對(duì)更大的鄰域進(jìn)行采樣編碼。因此結(jié)合LIOP和LQP的優(yōu)點(diǎn)提出了ELQP算法進(jìn)行人臉識(shí)別。

2.2 LIOP主模數(shù)指數(shù)級(jí)增加的解決

LIOP也會(huì)遇到隨著鄰域點(diǎn)數(shù)的增加，主模數(shù)呈指數(shù)級(jí)增加的問(wèn)題。應(yīng)用局部量化模式可以在一定程度上解決這個(gè)問(wèn)題。局部量化模式通過(guò)預(yù)先建立的查找表來(lái)對(duì)特征向量進(jìn)行量化編碼，設(shè)計(jì)分為訓(xùn)練和編碼兩個(gè)階段。訓(xùn)練階段提取所有圖像的鄰域特征向量，應(yīng)用K均值聚類算法得到一個(gè)碼本。編碼階段使用查表法將特征向量編碼成碼本中對(duì)應(yīng)的碼字，從而獲得LQP編碼圖。

2.3 融合LIOP和LQP的特征提取方法

增強(qiáng)局部量化模式是融合LIOP與LQP的特征提取方法。如何進(jìn)行融合是問(wèn)題處理的關(guān)鍵。本文設(shè)計(jì)的ELQP編碼選用16個(gè)鄰域點(diǎn)構(gòu)成的鄰域向量計(jì)算離線碼本。為了降低計(jì)算量，此處將圖像分成6×6的子塊，分別為每一個(gè)子塊計(jì)算一個(gè)碼本。鄰域點(diǎn)的定義如圖3所示。

圖3 ELQP編碼16點(diǎn)鄰域位置

2.4似度量與降維方法

所有圖像提取特征向量后都需要比較圖像之間的相似度。考慮到識(shí)別過(guò)程的計(jì)算效率，針對(duì)直方圖特征一般使用直方圖相交度量來(lái)計(jì)算相似度。如何定義兩個(gè)直方圖的特征向量并計(jì)算直方圖相交距離是重點(diǎn)解決的關(guān)鍵問(wèn)題。同時(shí)利用Fisher[8]進(jìn)行特征向量的權(quán)重的分配。對(duì)于降維處理本算法采用了WPCA[9]降維。

3 實(shí)驗(yàn)參數(shù)與結(jié)果

實(shí)驗(yàn)中的所有算法使用直方圖相交度量的結(jié)果如表1所示。表2給出了各算法的特征提取時(shí)間和維數(shù)。

從表1的實(shí)驗(yàn)結(jié)果發(fā)現(xiàn)，本文方法的識(shí)別率在遮擋、表情、年齡、背景和距離5個(gè)測(cè)試集上的結(jié)果優(yōu)于與之對(duì)比的PCA、LBP、Fisherface算法。

表2的結(jié)果表明本文算法ELQP在高維度下提取時(shí)間用時(shí)很少，效率高于PCA及Fisherface算法。這說(shuō)明了本文算法的實(shí)用性較強(qiáng)。

表1 各算法對(duì)比實(shí)驗(yàn)結(jié)果

表2 各算法特征提取時(shí)間與特征維數(shù)

4 結(jié)論

人臉識(shí)別是一個(gè)具有巨大挑戰(zhàn)力的課題，雖然近十幾年來(lái)得到了非常大的關(guān)注，也取得了很多的研究成果，但是仍然沒(méi)有在本質(zhì)上有很大的突破。本文通過(guò)分析局部二值模式(LBP)算法在人臉識(shí)別中的問(wèn)題，針對(duì)LBP算子在圖像濾波、模式采樣、模式編碼三個(gè)方面進(jìn)行了改進(jìn)，以提高在多變環(huán)境下LBP算法的人臉識(shí)別率。在改進(jìn)的局部二值模式(LBP)算法基礎(chǔ)上，本文針對(duì)LBP編碼時(shí)鄰域特征向量的關(guān)系進(jìn)行深入研究，結(jié)合LIOP和LQP算法的優(yōu)點(diǎn)，提出了增強(qiáng)局部量化模式(ELQP)算法。并通過(guò)實(shí)驗(yàn)進(jìn)行了驗(yàn)證，證明了本算法的優(yōu)越性。

[1] 山世光.人臉識(shí)別中若干關(guān)鍵問(wèn)題的研究[D]. 北京:中國(guó)科學(xué)院計(jì)算技術(shù)研究所,2004.

[2] 張寶昌.人臉特征提取和非線性識(shí)別方法的研究[D].哈爾濱：哈爾濱工業(yè)大學(xué), 2006.

[3] ZHAO W, CHELLAPPA R, PHILLIPS P J, et al.Face recognition: a literature survey[J].ACM computing surveys (CSUR), 2003, 35(4): 399-458.

[4] 雷震.人臉識(shí)別關(guān)鍵問(wèn)題和算法研究[D]. 北京:中國(guó)科學(xué)院計(jì)算技術(shù)研所,2010.

[5] HARMAON L D, KHAN M K, LASCH R, et al. Machine identification of human faces[J]. Pattern Recognition, 1981, 13(2): 97-110.

[6] CHELLAPPA R, WILSON C L, SIROHEY S. Human and machine recognition of faces: a survey[J]. Proceedings of the IEEE, 1995, 83(5): 705-741.

[7] PENTLAND A, MOGHADDAM B, STARNER T. View-based and modular eigenspaces for face recognition[C].Computer Vision and Pattern Recognition, 1994. Proceedings CVPR'94., 1994 IEEE Computer Society Conference on. IEEE, 1994: 84-91.

[8] BELHUMEUR P N, HESPANHA J P, KRIEGMAN D J. Eigenfaces vs. fisherfaces: recognition using class specific linear projection[J]. Pattern Analysis and Machine Intelligence, IEEE Transactions on, 1997, 19(7): 711-720.

[9] 謝術(shù)富.人臉識(shí)別中的局部表示方法研究[D].北京:中國(guó)科學(xué)院計(jì)算技術(shù)研究所,2010.

Research of face recognition algorithm based on improved LBP

Xu Cong，Tao Yongpeng

(Software College, Dalian University of Foreign Language, Dalian 116044, China)

Local Binary Pattern (LBP) algorithm is the classic face recognition algorithms to capture the local details of the characteristics, but its robustness and recognition rate susceptible to external environmental changes. This paper in-depth studies the LBP algorithm, from LBP operator, histogram feature extraction to improve the traditional LBP algorithm, combined with LIOP encoding method further proposes enhancing local quantization mode (ELQP) face recognition algorithm. Experimental results show that the improved LBP algorithm has a higher recognition rate and robustness.

LBP operator; image fusion; face recognition; feature extraction

遼寧省教育廳一般項(xiàng)目(L2015138)

TP391

A

10.19358/j.issn.1674- 7720.2016.23.005

頊聰，陶永鵬. 基于改進(jìn)的LBP人臉識(shí)別算法的研究[J].微型機(jī)與應(yīng)用，2016,35(23)：18-20,27.

2016-08-04)

頊聰(1977-)，男，碩士，講師，主要研究方向：圖形圖像處理、智能軟件。

陶永鵬(1981-)，男，碩士，講師，主要研究方向：圖形圖像處理、智能軟件。