一種基于中值思想的改進人臉識別方法

郭浩　王國宇

摘要：主成分分析（PCA）是一種經(jīng)典算法，可用于人臉識別系統(tǒng)。它基于降維的方法提取樣本人臉圖像中的主要成分，并將待識別的人臉圖像映射到訓練集中，經(jīng)比對后得出識別結果。但在此基本方法中光照變化是影響判別結果的一個重要因素。為克服此問題，在此提出一種新方法，即首先基于中值思想得出較局部二值模式改進的灰度圖像，然后借助主成分分析思想去除一些冗余特征，并且再次用PCA算法對圖像進行識別。

關鍵詞：中值； 人臉識別； 主成分分析； 光照條件

中圖分類號：TN919?34 文獻標識碼：A 文章編號：1004?373X（2013）02?0016?03

0 引 言

當今社會信息安全問題備受關注，使得人們對生物特征識別技術寄予厚望。人臉識別是計算機視覺領域的重要研究內容，與其他生物特征識別技術相比具有獨到的優(yōu)勢[1]。

近年來各種人臉識別算法相繼被提出，主要分為以下幾類：基于局部特征的算法，如局部二值模式法（LBP）[2]；基于人臉整體特征的主成分分析法（PCA）；基于整體與局部融合的算法，如特征臉與特征眼融合。

在各種識別方法中，光照是影響準確判別的重要因素[3?4]。要盡量消除此影響一般有兩種方法，一種是盡量得到不依賴于光照的圖像或特征，如3D人臉信息，非紫外線光譜特征等[5]；另一種是基于光照不變模型，也就是盡量使算法對光照不具有敏感性。局部二值模式（LBP），小波變換，邊緣二值圖像等具有此特點。

基于LBP的人臉識別對光照具有較強的魯棒性，且算法復雜度不高，操作簡便，因此得到了人們的廣泛關注。針對它依然存在的問題，提出一種基于中值思想的特征提取方法，使識別過程對光照有更強的魯棒性。對人臉庫進行的實驗證明了此方法的有效性。

1 PCA的簡單介紹[6]

直觀上看來，光照的信息基本被消除，從圖中基本看不出光照的方向了。

各個LBP值有不同的發(fā)生概率，有的LBP值的出現(xiàn)是小概率事件。如果都用一種方法計算LBP值那么對于不同的紋理結構和光照條件則沒有針對性。所以為了避免此問題并提出主要信息，借鑒上文PCA的思想，將所有LBP值按出現(xiàn)概率由高到低排列，選取前99%作為保留值，并將其他LBP值均賦值為0。這樣就在保留主要細節(jié)的基礎上降低了運算復雜度。

4 實驗結果分析

AR人臉庫由133個人的每人7幅臉部圖像組成。其中跟光照有關的有4幅，分別為：中性表情時候的中性光、左側光、右側光、正常光。取正常光照下的中性表情作為訓練集，比較不同方法的識別結果。實驗結果如表1所示。

表1 不同光照下不同算法的識別結果

[＼&中性光＼&左側光＼&右側光＼&PCA;＼&68＼&86＼&101＼&LBP;+PCA＼&113＼&120＼&119＼&中值LBP+PCA＼&119＼&126＼&125＼&]

從表1中可以看出，在AR中，對于原始的PCA算法對于3種不同光照的正確識別數(shù)目分別為68幅，86幅和101幅，對于改進的中值LBP和PCA法[10]配合使用可正確識別的數(shù)目分別為119幅，126幅和125幅。該結果的識別率明顯高于其他2種。表明提出的這種算法對于光照有很強的魯棒性，對比于其他方法更具實用性。實驗結果表明，對于光照變化的情況，中值LBP和PCA配合使用的方法與其他算法相比識別率有了明顯的提升，可見所提出的算法能夠很好地描述光照變化條件下人臉的主要個性特征，使PCA算法更有效率。

5 結 語

通過分析LBP算子的優(yōu)缺點，提出了改進型的基于中值思想的LBP算子，根據(jù)該算子得到人臉圖像的灰度圖，并采用PCA算法對一系列圖像進行識別。

實驗結果表明，在不同光照的條件下，該算法與傳統(tǒng)PCA算法和LBP+PCA算法相比在不提高算法復雜程度的基礎上有效提高了識別精度。同時此種改進型LBP圖對于提取人臉的主要個性特征有著重要意義。

參考文獻

[1] GRUDIN M A. On internal representations in face recognition systems [J]. Pattern and Vision Computing， 2000 （19）： 1161?1177.

[2] AHONEN T， HADID A， PIETIK M. Ainen face recognition with local binary patterns [M]. New York：Springer， 2004.

[3] KAO W C， HSU M C， YANG Y Y. Local contrast enhancement and adaptive feature extraction for illumination invariant face recognition [J]. Pattern Recognition， 2010， 43（5）： 1736?1747.

[4] ZOU X， KITTLER J， MESSER K. Illumination invariant face recognition： a survey [C]// Proceeding of IEEE. AC， UK： IEEE， 2007： 1?8.

[5] GEORGHIADES A S， KRIEGMAN D J， BELHUMEUR P N. Illumination cones for recognition under variable lighting face [C]// Proceedings of IEEE Conference on CVPR. Santa Barbara， USA： IEEE， 1998： 147?159.

[6] 龐珊珊.基于膚色和主成分分析的人臉檢測和識別的算法研究[D].青島：中國海洋大學，2011.

[7] TURK M， PENTLAND A. Eigenfaces for recognition [J]. Cognitive Neuroscience， 1991， 3（1）： 71?86.

[8] OJALA T， PIETIKAINEN M， MAENPAA T. A comparative study of texture measures with classification based on feature distributions [J]. Pattern Recognition， 1996， 29： 51?59.

[9] GONZALEZ R C. Digital image processing [M]. 2nd ed. 北京：電子工業(yè)出版社，2007.

[10] SONG Jia?tao， CHEN Bei?jing. Face recognition based on binary template matching [J]. Lecture Notes in Computer Science， 2007， 4681： 1131?1139.