針對不同光照情況的人臉識別算法研究

陳妍冰等

摘要：人臉識別在實際應用中，通常由于光照的影響導致識別率的大幅下降。針對這一情況，該文從人臉圖像預處理和特征提取算法兩方面進行改進。文章首先采用了基于光照分量的算法進行人臉圖像預處理，提高了算法對于光照的魯棒性，然后提出了改進的結(jié)合了Gabor小波和LBP濾波的算法，并在有光照變化的標準人臉庫上進行識別率測試。實驗結(jié)果表明，該文算法對于變化光照的魯棒性較高，在標準人臉庫中的識別率最高可達到98.9%。

關(guān)鍵詞：人臉識別，局部二值模式，Gabor小波

中圖分類號：TP18 文獻標識碼：A 文章編號：1009-3044（2015）04-0147-03

Abstract：In practical application of the face recognition， the rate of recognition usually have a substantial decrease for the impact of different illuminations. In view of this situation， this paper improved from two aspects of the algorithm： image preprocessing and feature extraction. Firstly， we use the preprocessing algorithm based on the illumination to handle the face image， improved the robust of the illumination， and then put forward the improved combination of Gabor wavelet and LBP filter algorithm， meanwhile， we tested the recognition rate in the standard face database， which have different illuminations. The experimental results show that， this algorithm have a high robustness for the changes illuminations， the highest recognition rate in the standard face database can reach 98.9%.

Key words： face recognition； LBP； Gabor

人臉識別是近年來的研究熱點之一，但由于其系統(tǒng)模型的復雜性，樣本間的非線性，目前的識別方法都沒有達到百分之百的精確。目前常見的人臉識別方法可大致分為：1）基于幾何特征的方法。該方法提取人臉五官的一些幾何形狀和幾何結(jié)構(gòu)信息等作為特征，通過最近鄰法來進行人臉識別；2）基于代數(shù)特征的方法。常見的算法如主成分分析PCA [1]、線性判別分析LDA[2]等；3）基于模型的方法。代表算法如隱馬爾可夫模型（Hidden MarkovModel，HMM）[3]、主動形狀模型（Active Shape Model，ASM）[4]等；4） 基于神經(jīng)網(wǎng)絡的方法[5]。

1 人臉圖像預處理

人臉圖像在采集時會隨著光照的不同出現(xiàn)過亮、過暗或者光照不均的現(xiàn)象，這些采集到的存在光照問題的人臉圖像或進行人臉識別，或被添加入人臉圖像模板庫，若不進行任何處理而直接使用的話，則會直接影響到人臉識別的結(jié)果。因此，在人臉檢測完成后，需要對采集到的人臉圖像進行圖像預處理，以消除光照對于人臉識別的影響。該文采用前期論文研究[6]中的圖像預處理算法，該文不再詳述。

2 特征提取算法

另外，分析表中數(shù)據(jù)可以得出：1） 本文的特征提取算法對于小的人臉庫效果更好；

2） 對于沒有光照變化的人臉庫不進行圖像預處理的效果更好，而對于有光照變化的人臉庫來說，基于光照分量的Gamma校正預處理方法的魯棒性更強；

3） 對于LBP特征提取算法來說，加上系數(shù)[ε]得到的識別率更高，而對于結(jié)合Gabor和LBP的特征提取算法來說，不加系數(shù)[ε]得到的識別率更高；

4） 對于存在光照變化的情況，[ε]在一定范圍內(nèi)取得越高識別效果越好；

5） 人臉圖像經(jīng)分塊比不分塊的識別率要高。

參考文獻：

[1] 侯小靜.基于PCA算法和人臉姿態(tài)合成的人臉識別[D].長沙：中南大學，2013.

[2] 裴永鵬.基于LDA的人臉圖像分析[D].西安：西安電子科技大學，2012.

[3] 劉洋.基于局部特征描述的HMM人臉識別算法研究[D].西安：西安電子科技大學，2013.

[4] 李偉生，張燕，周麗芳.一種姿態(tài)變化下的ASM人臉特征定位方法[J].計算機應用研究，2012，29（12）：4764-4767.

[5] 梅蓉蓉，吳小俊，馮振華.改進的動態(tài)模糊神經(jīng)網(wǎng)絡及其在人臉識別中的應用[J].計算機應用與軟件，2012，29（1）：56-59.

[6] 尚長春，馬宏偉，陳妍冰.井下可變光照條件下的圖像預處理方法[J].工礦自動化，2014，40（3）：79-82.

[7] Kadir Kirtac， Onur Dolu， Muhittin Gokmen.Face Recognition by Combining Gabor Wavelets and Nearest Neighbor Discriminant Analysis[C]. ISCIS08.23rd International Symposium on Computer and Information Sciences，2008： 1-5.

[8] Timo Ojala，Matti Pietikainen，Topi Maenpaa. 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.

[9] 王月華.基于LBP的特征空間研究及其在自動人臉識別中的應用[D].南京：南京航空航天大學，2006.

[10] Bernd Heisele， Purdy Ho， Jane Wu， et al. Face recognition：Component-based versus global approaches[J].Computer Vison and Image Understanding.2003，91（1-2）：6-21.