徐金林　林玉娥

摘要：針對(duì)LBP算法的特征描述只與中間點(diǎn)和鄰域點(diǎn)的灰度值大小有關(guān)，而忽略了各個(gè)鄰域點(diǎn)之間灰度值相關(guān)性的問(wèn)題，提出了一種改進(jìn)的LBP算法。該方法在特征提取時(shí)，不再僅僅依賴于中心點(diǎn)，而是結(jié)合中心點(diǎn)與其相鄰鄰域點(diǎn)之間的關(guān)系，然后再利用PCA降維處理，算法不但降低了特征維度，而且提高了運(yùn)算速度。OKL人臉庫(kù)上的實(shí)驗(yàn)結(jié)果表明，改進(jìn)的LBP算法與原始的LBP算法相比，在識(shí)別率上有所提高。

關(guān)鍵詞：局部二值模式；特征提?。恢鞒煞址治?；降維；識(shí)別率

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2017）17-0173-02

1概述

人臉識(shí)別，是對(duì)人的臉部特征信息進(jìn)行身份識(shí)別的一種生物識(shí)別技術(shù)，它的應(yīng)用前景十分廣泛。如視頻監(jiān)控、公安、司法和刑偵等安全領(lǐng)域。人臉識(shí)別的關(guān)鍵是如何提取出合適的信息來(lái)識(shí)別人臉。在過(guò)去的幾十年里，相關(guān)的研究者們提出了許多有關(guān)于特征提取的算法。基于幾何特征的方法、線性鑒別分析法、特征臉?lè)椒ê蜕窠?jīng)網(wǎng)絡(luò)方法等能很好地將人臉的形狀、紋理等信息描述出來(lái)，但是這些方法很難處理維數(shù)過(guò)高的圖像，且容易受到光照等客觀因素的影響。近幾年，基于局部的方法越來(lái)越受到研究者的歡迎，這是由于基于局部的方法不但能解決數(shù)據(jù)維數(shù)過(guò)高的問(wèn)題，而且對(duì)光照和表情等具有不變性。

局部二值模式（Local Binary Pattern，簡(jiǎn)稱LBP）是一種很有效的紋理描述算子。LBP算法最初是被用于紋理描述中的，由于其計(jì)算簡(jiǎn)單、特征分類能力強(qiáng)等特點(diǎn)而被用于人臉識(shí)別中。該算法首先計(jì)算圖像中每個(gè)點(diǎn)與其鄰域點(diǎn)在灰度上的二值關(guān)系；然后，對(duì)二值關(guān)系按照某種規(guī)則形成局部二值模式；最后使用得到的特征向量來(lái)描述圖像的特征。但是局部二值模式在計(jì)算LBP算子時(shí)會(huì)產(chǎn)生大量的噪聲信息，計(jì)算時(shí)又由于特征向量維數(shù)過(guò)大而使得計(jì)算量變大，影響識(shí)別效率。

基于以上問(wèn)題，本文提出了一種改進(jìn)的LBP算法并結(jié)合主成分分析方法（Principal Component Analysis，簡(jiǎn)稱PCA）降維來(lái)描述和識(shí)別人臉信息。首先，將圖像中的每個(gè)點(diǎn)和與其相鄰鄰域點(diǎn)的灰度值相加；然后將計(jì)算結(jié)果與其相鄰的計(jì)算結(jié)果比較；再將比較的結(jié)果按一定規(guī)則形成局部二值模式；最后用PCA算法處理得到的特征向量，對(duì)人臉進(jìn)行分類識(shí)別。

通過(guò)ORL人臉庫(kù)實(shí)驗(yàn)驗(yàn)證，與原始的LBP算法相比，改進(jìn)后的算法對(duì)人臉圖像具有更好的表示和判別能力。

2基于改進(jìn)的LBP和PCA算法的人臉識(shí)別

2.1 LBP算法

LBP是一種用來(lái)描述圖像局部紋理特征的算子；它擁有旋轉(zhuǎn)不變性以及灰度不變性等優(yōu)點(diǎn)。它是首先由T.Ojala，M.Pi-etikainen和D.Harwood在1994年提出，用于紋理特征提取。后來(lái)由于其獨(dú)特的優(yōu)勢(shì)，被用于人臉識(shí)別。

2.1.1 LBP特征的描述

原始的LBP算子是定義在九宮格里的，中間點(diǎn)的像素值叫做閾值，將其余8個(gè)相鄰鄰域點(diǎn)的像素值和閾值比較，如果相鄰鄰域點(diǎn)的像素值大于或等于閾值，那么這個(gè)像素點(diǎn)的值記做1，否則記做0。九宮格里的8個(gè)鄰域點(diǎn)經(jīng)過(guò)與閾值相比，得到的結(jié)果按某種順序排列，可以得到一個(gè)8位的二進(jìn)制數(shù)，再將二進(jìn)制值轉(zhuǎn)化成十進(jìn)制，就得到了九宮格中心像素點(diǎn)的LBP值（共有256種），并用這個(gè)數(shù)值表示該區(qū)域周邊的灰度情況。如圖1所示：

循環(huán)遍歷整張圖像的每個(gè)像素點(diǎn)，即可得到該圖像的所有LBP值，即該人臉的特征向量，并對(duì)特征向量進(jìn)行模式轉(zhuǎn)換，最后計(jì)算每個(gè)LBP特征之間的距離。

2.1.2改進(jìn)的LBP算法

LBP算法雖然簡(jiǎn)單有效，但是仍然有一定的局限性。算法只與中心像素點(diǎn)和各鄰域點(diǎn)灰度值的大小有關(guān)，并沒(méi)有考慮到各相鄰的鄰域點(diǎn)間的灰度相關(guān)性。針對(duì)該問(wèn)題，本文提出了一個(gè)新的改進(jìn)的LBP算法：比較鄰域點(diǎn)時(shí)不僅僅只依賴閾值點(diǎn)，而是將鄰域點(diǎn)與自己相鄰的下一個(gè)鄰域點(diǎn)來(lái)較。具體實(shí)現(xiàn)如圖2所示。

該算法使用原始圖像的中心點(diǎn)和它周圍各個(gè)鄰域點(diǎn)相加；再將各鄰域點(diǎn)得到的值按一定順序與其相鄰鄰域點(diǎn)的值比較；然后進(jìn)行二值化處理。這樣既保證了其與中心像素點(diǎn)的關(guān)系，又體現(xiàn)了其與相鄰像素點(diǎn)間的聯(lián)系，能更好地反映該點(diǎn)的灰度情況。

2.2PCA算法

主成分分析（PCA）方法是目前應(yīng)用十分廣泛的一種代數(shù)特征提取的方法，是一種基于變量協(xié)方差矩陣處理、壓縮和抽提樣本中數(shù)據(jù)的有效方法。

主成分分析的原理是借助某個(gè)特殊的特征向量矩陣U，將一個(gè)高維的矩陣x投影到一個(gè)低維的特征向量空間中，稱作低維向量y，且損失了一些不重要的數(shù)據(jù)。即借助低維的向量y和特征向量矩陣U，就能夠大致模擬出所對(duì)應(yīng)的原始高維的矩陣x。

2.3結(jié)合PCA的LBP人臉識(shí)別過(guò)程

LBP算法雖然能很好地表示人臉信息，但是特征維度過(guò)高，計(jì)算難度較大，而PCA算法可以降低特征維度。因此，本文針對(duì)這一問(wèn)題，提出了結(jié)合PCA的LBP人臉識(shí)別算法。具體實(shí)現(xiàn)過(guò)程如圖3所示。

主要過(guò)程包括：1）計(jì)算圖像的LBP描述子，統(tǒng)計(jì)出各圖像的LBP直方圖，并將每個(gè)圖像的LBP直方圖特征轉(zhuǎn)換成一維向量；2）將得到的LBP直方圖向量利用PCA算法做降維處理，得到人臉圖像的特征表達(dá)；3）用得到的人臉特征表達(dá)和數(shù)據(jù)庫(kù)中的人臉依次比較，計(jì)算識(shí)別的正確率。

3實(shí)驗(yàn)結(jié)果與分析

本文采用ORL人臉數(shù)據(jù)庫(kù)對(duì)原始的LBP算法和改進(jìn)后的LBP算法進(jìn)行比較驗(yàn)證。ORL人臉庫(kù)共有40個(gè)人臉。每個(gè)人臉有10幅圖像，一共由400張灰度圖像構(gòu)成，圖像的尺寸是92×112像素。其中每張人臉的表情和細(xì)節(jié)都有一定的變化，例如笑和不笑、睜眼和閉眼，戴和不戴眼鏡等，人臉的姿態(tài)也有一些變化，它的深度旋轉(zhuǎn)和平面旋轉(zhuǎn)可以達(dá)到20度，人臉的大小也有至多10%的變化。

本實(shí)驗(yàn)將ORL人臉數(shù)據(jù)庫(kù)中的圖像分為訓(xùn)練樣本和測(cè)試樣本，實(shí)驗(yàn)改變訓(xùn)練樣本數(shù)目（從2張到9張），其余的作為測(cè)試樣本，比較改進(jìn)前后LBP算法的識(shí)別情況。實(shí)驗(yàn)結(jié)果如圖4所示。

由實(shí)驗(yàn)結(jié)果圖4可知，改進(jìn)后的LBP算法較改進(jìn)前的算法，在識(shí)別率上明顯有所提高，隨著訓(xùn)練樣本數(shù)目的增加，識(shí)別率也顯著增高。這主要是改進(jìn)后的算法，結(jié)合了點(diǎn)與相鄰鄰域點(diǎn)之間的關(guān)系，使用了PCA降維處理，降低了特征向量維度，且去除了特征向量的冗余，提高了計(jì)算效率，能更準(zhǔn)確的描述圖像的像素值。

4結(jié)束語(yǔ)

本文提出了一種基于改進(jìn)LBP并結(jié)合PCA算法的人臉識(shí)別算法。該算法先結(jié)合每張圖像的每個(gè)像素點(diǎn)和與它相鄰鄰域點(diǎn)之間的關(guān)系；再用改進(jìn)的LBP的方法求取每張圖像的LBP直方圖向量；然后結(jié)合PCA降維處理LBP直方圖特征向量；最后將其作為人臉的鑒別特征并用于人臉識(shí)別。實(shí)驗(yàn)結(jié)果分析表明，本文提出的改進(jìn)LBP算法對(duì)人臉有很高的鑒別性，并且對(duì)光照和人臉表情等具有較高的魯棒性。