張 輝 劉 新

(湘潭大學(xué)信息工程學(xué)院 湖南 湘潭 411105)

基于改進LBP的單樣本人臉識別算法

張 輝 劉 新

(湘潭大學(xué)信息工程學(xué)院 湖南 湘潭 411105)

針對人臉識別難題，提出一種基于改進LBP(Local Binary Patterns)算子的單樣本人臉識別算法。采用Bernser算法與LBP算子結(jié)合的BLBP算子，最后利用Chi平方統(tǒng)計方法計算直方圖的相似度。在識別時，采用的是核實式的一對一匹配，根據(jù)訓(xùn)練的閾值，判斷兩張比對的人臉圖像是否為同一個人。所提出的算法在實際人臉圖像和FERRET人臉數(shù)據(jù)庫下的人臉識別中，與原LBP算法相比識別率有所提高。實驗結(jié)果表明，改進后的LBP算子有較好的去噪能力，在實際的人臉識別中能獲得更好的識別率。

人臉識別 局部二值模式(LBP) Bernser算法 單樣本

0 引 言

目前生活中的身份識別主要采用號碼、磁卡、口令等識別方法，這些都存在著易丟失、易偽造、易遺忘等諸多問題。隨著科學(xué)技術(shù)的不斷發(fā)展，傳統(tǒng)的身份識別方法已經(jīng)受到越來越多的挑戰(zhàn)，可靠性大為降低，而基于生物體征的身份識別技術(shù)逐漸的進入到人們的視線中[1]。與其他人類的生理特征相比，人臉存在易采集、非接觸、靜態(tài)等優(yōu)點，比較容易被大眾所接受。隨著社會的進步、發(fā)展，如何實現(xiàn)快速、精確的人臉識別變的日益迫切[2]。

當(dāng)前的人臉識別算法可分為基于全局的方法和基于局部特征的方法?；谌值娜四樧R別算法主要有：主成分分析法[3-4]PCA(Principle Component Analysis)，判別鄰域嵌入法[5]DNE(Discriminant Neighborhood Embedding)，線性判別法[6]LDA(Linear Discriminant Analysis)等。這些方法從全局保留了圖像的紋理、形狀、輪廓等信息，但全局特征下的人臉照片對光照、姿態(tài)、表情的變化較為敏感，因此，當(dāng)外部環(huán)境發(fā)生變化時，穩(wěn)定性不高，識別率較低。針對這些問題，研究者提出了局部特征描述子提取人臉圖像的局部特征集，作為人臉圖像的特征，典型的算法有：局部特征析法[7]LFA(Local Feature Analysis)、彈性圖匹配法[8]、Gabor小波法[9-10]等。

人臉識別技術(shù)分為兩類，一類是基于多個訓(xùn)練樣本的人臉識別技術(shù)，一類是基于單個訓(xùn)練樣本的人臉識別。目前較為成熟的人臉識別系統(tǒng)都是多樣本人臉識別，即每個人有多幅訓(xùn)練樣本。在訓(xùn)練樣本充足的情況下能取得不錯的識別效果。相對的，單樣本人臉識別是指在人臉數(shù)據(jù)庫中有且僅有一張人臉樣本，通過該人臉樣本判斷需要識別的人臉圖像身份。在很多實際應(yīng)用中，尤其是一些特殊場合，例如：護照驗證、身份證驗證、駕駛證驗證等，往往只有一幅樣本。再者，在大規(guī)模的人臉識別應(yīng)用中，如果為每個人搜集更多的訓(xùn)練樣本，勢必會造成極昂貴的成本。

因此，基于多樣本的人臉識別系統(tǒng)具有較大的局限性，而研究基于單樣本的人臉識別技術(shù)則適應(yīng)性更為廣泛一些。但是傳統(tǒng)的人臉識別算法在只有單樣本的情況下，識別效果不夠理想。針對單樣本人臉識別，本文提出了一種基于改進LBP的人臉識別算法。

1 LBP算法原理

局部二值模式LBP一種用來描述圖像局部紋理特征的算子，于1996年由芬蘭Oulu大學(xué)的Ojala等提出[11]，用來度量和提取圖像的局部紋理信息。由于它在紋理分類中有較強的區(qū)分能力，且具有灰度不變性和旋轉(zhuǎn)不變性等優(yōu)點，現(xiàn)已應(yīng)用到人臉檢測、人臉識別之中。

原始的LBP算子定義為在3×3的鄰域內(nèi)，以鄰域中心像素點的灰度值為閾值，將相鄰的8個像素點的灰度值與其進行比較，若其像素值大于中心像素值，則該像素點被標(biāo)記為1，反之標(biāo)記為0。這樣，3×3鄰域內(nèi)的8個點經(jīng)比較可生成8位二進制數(shù)，將這個二進制數(shù)轉(zhuǎn)換為十進制數(shù)，即為該窗口中心像素點的LBP值，并用這個值來反映該區(qū)域的紋理信息。如圖1所示。

圖1 基本LBP算子

其公式定義如下：

(1)

其中:(xc,yc)代表3×3鄰域的中心元素，它的像素值為ic，ip代表鄰域內(nèi)其余像素點的像素值。s(x)是符號函數(shù)，定義如下：

(2)

2 本文方法

在理想條件下，當(dāng)前的人臉識別技術(shù)相當(dāng)可靠，但是現(xiàn)實條件下使用這些人臉識別技術(shù)時會不太可靠。目前的LBP技術(shù)對圖像中的光照類型、光照和陰影方向、準(zhǔn)確的人臉方位、面部表情等非常的敏感。如果樣本照片中燈光來自左側(cè)，用于識別的照片燈光來自右側(cè)，這可能使得識別結(jié)果很糟糕。要改善樣本質(zhì)量，需要對人臉進行預(yù)處理，以減少外界干擾因素的影響，確保人臉圖像中的左右臉有相似的亮度和對比度，人臉特征始終在同一位置。人臉識別系統(tǒng)的可靠性在很大程度上依賴人臉預(yù)處理的好壞。

2.1 圖像預(yù)處理

人臉識別的正確率，一方面與人臉識別算法本身有關(guān)，另一方面與人臉樣本圖像的質(zhì)量和數(shù)量有關(guān)。人臉圖像預(yù)處理，對于改善樣本的質(zhì)量至關(guān)重要。在進行人臉取樣的時候，人臉不可能在我們期望的水平位置，而人臉識別中，人臉對齊很重要，否則人臉識別算法可能會出現(xiàn)將鼻子與嘴巴進行比較的情形。這時，需要使檢測到的兩個眼睛在期望的位置保持水平對齊，由此來對齊人臉。

首先，用訓(xùn)練好的眼部探測器來檢測眼睛的位置，若雙眼位置在同一水平線上，則不需要旋轉(zhuǎn)人臉圖像；否則需要進行人臉傾斜矯正。利用仿射矩陣將檢測到的眼睛位置變換到期望的位置，然后通過裁剪得到所需的尺寸和位置。仿射變換包括：旋轉(zhuǎn)變換、縮放變換、平移變換等。仿射變換公式表示如下：

x=Ax0+bdet(A)≠0

(3)

其中：x,x0,b∈R2；A∈R2×2；x是對x0仿射變換后的結(jié)果。

旋轉(zhuǎn)變換，是指平面上的每一個點P繞固定點旋轉(zhuǎn)一個角度θ，變成另一個點P′。本文取雙眼中點為固定點，θ為水平線到雙眼連線之間的夾角。則其對應(yīng)的變換矩陣如下：

(4)

縮放變換，是指把平面中某點的橫坐標(biāo)放大(縮小)sx倍，縱坐標(biāo)放大(縮小)sy倍。本文中先預(yù)設(shè)了雙眼間的距離，把檢測到的雙眼變換到我們預(yù)設(shè)的間距。其對應(yīng)的變換矩陣如下：

(5)

平移變換，就是把平面中的點(x,y)的位置移動到(x+tx,y+ty)的位置。把檢測到的雙眼平移到我們預(yù)設(shè)的位置。其對應(yīng)的變換矩陣如下：

(6)

通過仿射變換，旋轉(zhuǎn)人臉，使檢測到的兩個眼睛保持水平；縮放人臉，使兩個眼睛之間的距離始終相同；平移人臉，使眼睛總在所需的高度上水平居中；再裁剪人臉的外圍(包括圖像背景、頭發(fā)、額頭、耳朵等)，將樣本進行適當(dāng)縮放，使得樣本變成我們預(yù)設(shè)的尺寸。預(yù)處理的效果如圖2所示。

圖2 仿射變換效果

2.2 光照處理

在實際的人臉圖像的采集中，經(jīng)常是半邊臉是強光照，半邊臉是弱光照。這樣對于電腦來說，本來是同一個人的左右臉，看起來像是來自不同的兩個人，這將會大大降低人臉識別算法的準(zhǔn)確率，因此需要標(biāo)準(zhǔn)化兩側(cè)人臉的亮度和對比度。

根據(jù)Xie等[12]提出的局部歸一化技術(shù)LN(Local Normalization)，將復(fù)雜光照下的人臉圖像轉(zhuǎn)換成正常光照下的人臉圖像，從而降低由于光照變化對人臉識別帶來的不利影響。其思想是：對于人臉圖像f′=(x,y),(x,y)∈W，局部歸一化處理后，它的像素值f(x,y)的方差為1，期望值為0。其轉(zhuǎn)換表達(dá)式用公式表示如下：

(7)

其中:E(f′(x,y))和Var(f′(x,y))分別是人臉圖像W內(nèi)像素點的期望和方差。光照處理的效果如圖3所示。

圖3 光照處理效果

2.3 BLBP算子

在原始LBP的描述下，由于LBP是根據(jù)鄰域內(nèi)的像素確定的，所以容易發(fā)生跳變，對噪聲非常敏感，那么提高算子的魯棒性，對于特征值的提取有非常重要的意義。為了降低光照、噪聲等原因造成的像素灰度值的突變，不以中心像素作為閾值，而是采用改進的Bernsen算法得到閾值。

Bernsen算法[13]是一種典型的局部閾值算法，其思想是在灰度圖(2ω+1)×(2ω+1)的窗口中，計算中心像素點(i,j)的閾值T(i,j)。

T(i,j)=0.5(maxf(i+m,j+n)+minf(i+m,j+n))

(8)

其中:|m|≤ω,|n|≤ω，將Bernsen算法應(yīng)用到3×3的窗口中，則改進后的BLBP算子的公式如下：

(9)

其中:(xc,yc)代表3×3鄰域的中心元素，ip代表鄰域內(nèi)其他像素的值，T(i,j)是3×3鄰域的閾值。

2.4 直方圖相似度計算

首先，圖像通過預(yù)處理，再經(jīng)過LBP算子運算后，得到一張LBP的響應(yīng)圖，將該圖像響應(yīng)圖的直方圖作為比較的輸入?yún)?shù)。然后通過計算兩張圖片直方圖的相似度的數(shù)值[14]，得到兩張圖片的差距。

直方圖相似度的計算公式：

(10)

d(H1,H2)的范圍是[0,+∞)，差值越小，說明兩張圖片的相似度越高，越有可能是同一個人；反之，則很可能不是同一個人。

2.5 單樣本

人臉識別的比對方式分為核實式和搜索式兩種。核實式是對指定的人臉圖像與數(shù)據(jù)庫中已登記的某一對圖像作比對核實，確定其是否為同一人；搜索式的比對是將人臉圖像與數(shù)據(jù)庫中所有的人臉圖片進行比對，識別結(jié)果為數(shù)據(jù)庫中差值最小的那個。

本文采用改進的LBP算子提取圖像特征，然后通過公式計算兩幅圖像直方圖的相似度，得到兩幅人臉圖像間的差值，且采用的是核實式人臉比對模式，不需要獨立訓(xùn)練集包含模板圖像，因此該方法可以應(yīng)用到單樣本人臉識別中。

3 實驗結(jié)果與分析

首先，對輸入的樣本進行預(yù)處理，得到統(tǒng)一的大小(72×72)，然后進行光照處理，降低光照變化帶來的不利影響。由于本實驗采用核實式的人臉比對模式，首先，我們需要進行大量的樣本訓(xùn)練來確定閾值，再通過閾值判斷是否為同一個人。其過程分為離線訓(xùn)練和在線匹配兩個部分，如圖4、圖5所示。

圖4 離線訓(xùn)練

圖5 在線匹配

通過大量的數(shù)據(jù)訓(xùn)練得到同一個人的人臉差距范圍[0,t0]，與非同一個人的人臉差距[t1,+∞)，可以用閾值t0、t1來判斷兩張圖片是否是同一個的人，即如果兩張圖片的直方圖的相似度差Δt值小于t0，則認(rèn)為一定是同一個人，如果Δt大于t1，則一定不是同一個人，Δt介入t0和t1之間，則無法確定是否為同一人。

(11)

將本文所提的方法與原LBP算法進行比較，其中LBP算子采用的是Uniform LBP。

某個人的LBP特征的直方圖與自己的特征的直方圖的相似度差值統(tǒng)計如圖6所示。

圖6 LBP特征直方圖相似度

用改進后的BLBP算子計算，使用同一個人，做相同的實驗，得到的直方圖相似度的差值如圖7所示。

圖7 BLBP特征直方圖相似度

通過圖6與圖7的比較可以看出，改進后的算法在一定程度上縮小了同一個人特征值直方圖相似度的差值，更有利于閾值的確定。

實驗結(jié)果：實際人臉圖像所用的數(shù)據(jù)，來自項目中采集的二十個人，每個人15張照片，這些圖片包含不同的角度，不同的性別。FERET數(shù)據(jù)庫的所用的數(shù)據(jù)，來自其中的一個子集，包含200個人，每人7張人臉，這些人臉圖片包含不同的光照、表情、姿態(tài)。結(jié)合不同的算子和預(yù)處理對不同測試集進行測試，其正確識別率如表1所示。

表1 不同情況下正確識別率比較

根據(jù)表1可以看出，在識別正常光照，且正面的樣本時，改進的LBP算子與原LBP算子在識別率上差距不大，但在識別帶有噪聲、傾斜、不同光照下的人臉樣本時，改進的LBP算子明顯提高了人臉識別率。實驗表明，本文提出的與Bernsen算法結(jié)合的閾值提取方法，提高了特征的鑒別能力，提高了人臉的識別正確率。

4 結(jié) 語

通過分析局部二值模式特征提取的過程，為了提高魯棒性，改進了LBP特征值的計算過程，提出了與Bernsen算法結(jié)合的局部二值模式人臉識別算法，使得改進后的LBP算子有更強的去噪能力。通過對FERET數(shù)據(jù)庫和實際人臉的實驗，改進后的算法與原局部二值模式人臉識別算法相比，在一定程度上縮小了同一個人臉圖像之間的差值，確實提高了原算法的魯棒性和正確識別率。

[1] Hanna K J.Method and system for biometric recognition:U.S.Patent 8,953,849[P].2015-2-10.

[2] 覃嵐.生物識別:全身都是密碼[J].計算機與網(wǎng)絡(luò),2016,42(9):16-16.

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

[4] 謝佩,吳小俊.分塊多線性主成分分析及其在人臉識別中的應(yīng)用研究[J].計算機科學(xué),2015,42(3):274-279.

[5] 王國強,歐宗瑛,王海燕,等.基于判別鄰域嵌入的人臉識別[J].光電子·激光,2008,19(5):700-703.

[6] Izenman A J.Linear discriminant analysis[M]//Modern Multivariate Statistical Techniques.New York:Springer,2013:237-280.

[7] 楊軍,張瑞峰,林巖龍.融合全局和局部特征的人臉識別算法[J].計算機工程與應(yīng)用,2015,51(24):176-179.

[8] 俞燕,李正明.基于特征的彈性圖匹配人臉識別算法改進[J].計算機工程,2011,37(5):216-218.

[9] Priya K J,Rajesh R S.Selective local texture features based face recognition with single sample per class[J].Journal of the Brazilian Computer Society,2012,18(3):229-235.

[10] 楊燕,樊林慶.基于光照變換的Gabor小波人臉識別[J].計算機工程與應(yīng)用,2016,52(5):220-224.

[11] Ojala T,Pietikainen M,Maenpaa T.Multiresolution gray-scale and rotation invariant texture classification with local binary patterns[J].IEEE Transactions on pattern analysis and machine intelligence,2002,24(7):971-987.

[12] Xie X,Lam K M.An efficient illumination normalization method for face recognition[J].Pattern Recognition Letters,2006,27(6):609-617.

[13] 曾凡鋒,王戰(zhàn)東,郭正東.非均勻光照文檔圖像快速二值化方法[J].計算機應(yīng)用與軟件,2015,32(11):185-188.

[14] 鄒承明,薛棟,郭雙雙,等.一種改進的圖像相似度算法[J].計算機科學(xué),2016,43(6):72-76.

ASINGLESAMPLEFACERECOGNITIONALGORITHMBASEDONIMPROVEDLBP

Zhang Hui Liu Xin

(CollegeofInformationEngineering,XiangtanUniversity,Xiangtan411105,Hunan,China)

For the single sample face recognition problem, this paper proposes a face recognition algorithm based on improved LBP operator. We used BLBP operator combined with Bernser algorithm and LBP operator; we calculated the similarity of histogram by using Chi square statistical method. During the recognition process, we used the verification type of one to one match. According to the training threshold, our algorithm could identify determine whether the two face images were the same person. Compared with the original LBP algorithm, the proposed algorithm could improve the recognition rate of face recognition in real face image and FERRET face database. The experimental results show that the improved LBP operator has a better denoising ability and can achieve better recognition in the actual face recognition.

Face recognition Local binary patterns (LBP) Bernser algorithm Single sample

2016-12-31。湖南省“十二五”重點學(xué)科開放課題(2015IM12)。張輝，碩士生，主研領(lǐng)域：信息安全。劉新，副教授。

TP391

A

10.3969/j.issn.1000-386x.2017.12.042