基于MB_LBP與改進(jìn)Fast PCA算法的人臉特征提取

崔　浩，劉軍清，陳　鵬，雷邦軍，李偉生

（三峽大學(xué)　計(jì)算機(jī)與信息學(xué)院，湖北　宜昌　443002）

基于MB_LBP與改進(jìn)Fast PCA算法的人臉特征提取

崔浩，劉軍清，陳鵬，雷邦軍，李偉生

（三峽大學(xué)計(jì)算機(jī)與信息學(xué)院，湖北宜昌443002）

針對(duì)MB_LBP算法對(duì)人臉特征提取維數(shù)較高，使用PCA方法會(huì)造成圖像原始空間結(jié)構(gòu)破壞和維數(shù)變得過(guò)大等問(wèn)題，提出一種基于多塊LBP（Multi-scale Block Local Binary Patterns，MB_LBP），結(jié)合改進(jìn)的Fast PCA算法進(jìn)行人臉特征提取的方案。首先用MB_LBP算法提取人臉圖像的特征，接著用本文所改進(jìn)Fast PCA方法加速計(jì)算矩陣S非零本征值所對(duì)應(yīng)的本征向量，對(duì)人臉特征進(jìn)行降維，最后在ORL人臉庫(kù)進(jìn)行驗(yàn)證。實(shí)驗(yàn)表明，該方法對(duì)后期人臉特征提取效果優(yōu)于改進(jìn)前的效果，很大程度上降低了提取時(shí)間，效果明顯。

MB_LBP算法；改進(jìn)Fast PCA；人臉特征；維災(zāi)

0　引言

特征提取在人臉識(shí)別中應(yīng)用十分廣泛，如何更好地將圖像的特征提取應(yīng)用于人臉識(shí)別是當(dāng)前模式識(shí)別和人工智能領(lǐng)域的一個(gè)研究熱點(diǎn)，它涉及到計(jì)算機(jī)視覺(jué)、圖像處理、生理學(xué)等多個(gè)學(xué)科的知識(shí)背景。這種技術(shù)具有廣泛的應(yīng)用前景，如身份識(shí)別、視頻監(jiān)控、國(guó)家安全、信息安全等領(lǐng)域。

人臉特征提取和分析是人臉識(shí)別中的重要過(guò)程。局部二進(jìn)制模式（Local Binary Patterns，LBP）［1-2］的方法自從被 Ahonen等人引入人臉識(shí)別后一直受到廣泛關(guān)注，它是最早作為一種有效紋理描述算子提出的，尤其對(duì)圖像局部紋理特征的卓越描述能力而獲得廣泛的應(yīng)用。前述的LBP可以很精細(xì)地描述圖像的局部紋理信息，然而，也正是由于這種特征的局部化特點(diǎn)，使其易受噪聲的影響而不夠健壯，缺乏對(duì)圖像整體信息的粗粒度把握，因此MB_LBP代替LBP來(lái)提取圖像的特征。盡管MB_LBP算法可以很好地對(duì)圖像特征進(jìn)行提取，但是此算法在提取圖像紋理特征時(shí)維數(shù)過(guò)高，對(duì)后期人臉識(shí)別計(jì)算量有所影響，會(huì)造成計(jì)算過(guò)程的復(fù)雜化。因此，在圖像特征提取時(shí)需要對(duì)其降維。PCA在特征降維中是一個(gè)經(jīng)典的重要方法。在參考文獻(xiàn)［3］中所涉及的LBP和PCA結(jié)合的特征提取算法，從一定程度上提高了識(shí)別率，但是PCA原理是將圖像展開成高維的行向量和列向量，然后通過(guò)訓(xùn)練樣本來(lái)計(jì)算樣本協(xié)方差矩陣，并由協(xié)方差矩陣組成的投影矩陣把原始訓(xùn)練樣本中的高維向量投影成低維矩陣。但是這樣會(huì)造成圖像原始空間結(jié)構(gòu)破壞和維數(shù)變得過(guò)大。因此，本文提出改進(jìn)Fast PCA可加速計(jì)算矩陣S非零本征值所對(duì)應(yīng)的本征向量，降低提取時(shí)間。將其與MB_LBP算法結(jié)合，在ORL人臉庫(kù)上進(jìn)行實(shí)驗(yàn)，效果有一定的優(yōu)越性。

1　MB_LBP算法

局部二進(jìn)制模式（LBP）［4］是最早作為有效的紋理描述算子提出的，由于最初的LBP算法的映射過(guò)程相對(duì)簡(jiǎn)單，僅僅提取到所給范圍內(nèi)特征信息，對(duì)于類內(nèi)的圖像識(shí)別具有一定的效果，但對(duì)于類間圖像的識(shí)別效果很難令人滿意。LBP算法只提取圖像特征，并沒(méi)有實(shí)現(xiàn)先驗(yàn)信息的運(yùn)用。LBP算法是直接在灰度圖像上實(shí)現(xiàn)特征提取，通過(guò)比較中心像素和鄰域像素之間的灰度值來(lái)實(shí)現(xiàn)二值化。一般采用固定大?。ㄈ?×3）的矩形方塊，對(duì)應(yīng)窗口的局部紋理的分布則可以假設(shè)是局部區(qū)域內(nèi)像素的聯(lián)合分布密度，以圖像的某個(gè)像素為中心點(diǎn)gc，對(duì)周圍的8個(gè)像素點(diǎn)g0，g1，…，g7的紋理T的分布定義如下：

然后令中心點(diǎn)gc的灰度值作為參考，對(duì)鄰域8個(gè)像素點(diǎn)進(jìn)行二值化處理，方法為：

圖1給出一個(gè)基本LBP算子，圖中的3×3區(qū)域中心點(diǎn)以其灰度值88作為閾值對(duì)其8鄰域進(jìn)行二值化，并且從左上點(diǎn)開始按照順時(shí)針?lè)较驅(qū)⒍祷Y(jié)果組成一個(gè)二進(jìn)制數(shù)10001011，即十進(jìn)制139，作為中心的響應(yīng)。在整個(gè)逐行掃描過(guò)程結(jié)束后，會(huì)得到一個(gè)LBP響應(yīng)圖像，稱為L(zhǎng)BP統(tǒng)計(jì)直方圖，也稱為L(zhǎng)BP特征。

圖1　基本LBP算法的圖像表示

由于LBP的映射過(guò)程太簡(jiǎn)單，并且易受噪聲干擾，穩(wěn)定性不強(qiáng)，所以利用MB_LBP［5-6］算法。該算法是在LBP算法的基礎(chǔ)上提出來(lái)的，把LBP算法中一個(gè)中心像素的應(yīng)用開展到含有眾多像素的矩形區(qū)域，把該矩形區(qū)域的灰度平均值作為其閾值。用MBs_LBP表示像素塊大小為S×S的LBP算法。圖2為MB_LBP算法特征的圖像表示。

圖2　MB_LBP算法的圖像表示

MB_LBP算法公式：

式中，gc表示圖像某個(gè)像素的中心點(diǎn)，gi表示周圍 8個(gè)像素點(diǎn)。

由圖3可以看出，隨著像素塊大小S的增加，響應(yīng)圖像中紋理增粗，并趨于穩(wěn)定，說(shuō)明較大的像素塊有利于圖像中的粗粒度信息的把握。

圖3　MBs_LBP濾波后的人臉圖像

2　Fast　PCA算法

前面已講過(guò)單方面用MB_LBP算法提取的人臉特征維數(shù)較高，如果直接計(jì)算，計(jì)算量會(huì)很大，復(fù)雜度也很大。為了提高這一特性，本文將改進(jìn)后的Fast PCA運(yùn)用到特征提取過(guò)程中，提高識(shí)別效果。

特征提取過(guò)程包括了兩個(gè)方面［7］：訓(xùn)練和識(shí)別。在訓(xùn)練過(guò)程中，系統(tǒng)需要識(shí)別到樣品數(shù)據(jù)，并將這些樣品創(chuàng)建成一個(gè)特征矩陣，把圖像空間里的樣本轉(zhuǎn)換成特征空間里的點(diǎn)。把這些圖像樣本作為灰度圖像，并通過(guò)保持列向量的連續(xù)性，將樣本圖像從二維矩陣轉(zhuǎn)變成N2×1列向量一維矩陣。最后把這n幅圖像的列向量排列成維數(shù)為N2×n的圖像組X。

令m為矩陣X中數(shù)據(jù)向量的均值向量，定義如下：

通過(guò)X矩陣的所有列向量減去均值向量m，將數(shù)據(jù)矩陣的列向量視為中心，經(jīng)過(guò)以上操作，從而得到協(xié)方差矩陣ST。定義為：

對(duì)其進(jìn)行特征值分解，如下：

公式中V是與特征值Λ相關(guān)的特征向量組，根據(jù)從高到低對(duì)應(yīng)的特征值設(shè)定特征矩陣的順序。其中特征向量的矩陣就是特征空間V，數(shù)據(jù)矩陣X被投影到特征空間，從而獲取由n列組成的P：

在識(shí)別階段，正如上面說(shuō)的，圖像S將被轉(zhuǎn)換成一維向量并形成J，然后都在映射到特征空間獲得Z。

其中有個(gè)歐式距離d，它是Z和P中所有的投射樣品的距離。d用L2來(lái)計(jì)算，L2是圖像A和B的規(guī)范的歐氏距離：

最后把投射測(cè)試圖像與每個(gè)投影訓(xùn)練圖像作比較，發(fā)現(xiàn)訓(xùn)練圖像更加接近被用來(lái)識(shí)別的訓(xùn)練圖像的測(cè)試圖像。

3　一種Fast　PCA改進(jìn)方法

3.1預(yù)處理

本文針對(duì) Fast PCA［8-9］提出的改進(jìn)方法是在訓(xùn)練和識(shí)別階段中同時(shí)加進(jìn)預(yù)處理這一過(guò)程。對(duì)于此方法，通過(guò)直方圖均值化過(guò)程進(jìn)行結(jié)果比較，從而通過(guò)增加局部比較來(lái)調(diào)整圖像。這一過(guò)程對(duì)輸入圖像的灰度值進(jìn)行了再分配，從而輸出圖像擁有了統(tǒng)一的灰度值分布。并且通過(guò)式（10），降低圖像灰度值變化和光不對(duì)稱效果的影響，將圖像進(jìn)行歸一化：

式中：std和m分別表示標(biāo)準(zhǔn)差和輸入圖像灰度值的均值，ustd和um分別表示所期望的標(biāo)準(zhǔn)差和均值。

3.2改進(jìn)后算法流程

這一改進(jìn)算法包括下面幾個(gè)步驟：

第一步：運(yùn)用直方圖均值化和歸一化過(guò)程，對(duì)數(shù)據(jù)組訓(xùn)練圖像進(jìn)行預(yù)處理。

第二步：運(yùn)用第2節(jié)中所提的MB_LBP進(jìn)行特征提取，并在特征矩陣中存儲(chǔ)期望的值。

第三步：在特征矩陣中，根據(jù)不同特征的分類將其訓(xùn)練圖像放到不同子集中，然后把這些值存儲(chǔ)到特征向量的一個(gè)列向量中。

第四步：輸入測(cè)試圖像。

第五步：像上面第二步和第三步一樣，將測(cè)試圖像進(jìn)行特征提取和分類。

第六步：在同一組的訓(xùn)練圖像作為測(cè)試圖像裝載到圖像組中。

第七步：在已有的圖像組中，運(yùn)用 Fast PCA去識(shí)別這些測(cè)試圖。

4　實(shí)驗(yàn)及結(jié)果分析

本次實(shí)驗(yàn)是在ORL人臉庫(kù)中進(jìn)行的，旨在將MB_LBP與改進(jìn)后的 Fast PCA結(jié)合的方式在人臉特征提取方面的性能與其他傳統(tǒng)方式進(jìn)行比較。該試驗(yàn)方法是在MATLAB上選取 30個(gè)不同人的灰度圖像完成的。原始圖像如圖4，30個(gè)訓(xùn)練樣本圖像如圖5。

圖4　原始圖像

圖5　訓(xùn)練樣本圖像

使用MB_LBP對(duì)如圖5的灰度圖像進(jìn)行處理，用于對(duì)其提取特征，MB_LBP對(duì)于特征提取比以往的方法更加健壯，且對(duì)整體把握度更好，并且它的計(jì)算量不是很大。本文提出的針對(duì)于人臉識(shí)別的算法，在時(shí)間和維數(shù)上都有很好的效果。一張人臉包含了很多特征信息，例如眼睛、鼻子和嘴等，而且每個(gè)特征都有相應(yīng)的一些值和權(quán)重。本次實(shí)驗(yàn)中選用鼻子和嘴處紋理信息，在本次改進(jìn)算法中，在訓(xùn)練樣本數(shù)據(jù)中，根據(jù)這些特征的權(quán)重對(duì)人臉進(jìn)行預(yù)分類，每個(gè)人臉將與一個(gè)特征子集相匹配［10］。

最后的比較結(jié)果如圖6和圖7所示。計(jì)算量在實(shí)際人臉識(shí)別應(yīng)用中是相當(dāng)重要的因素。從圖6可以看出，原來(lái)的 Fast PCA的計(jì)算量比改進(jìn)后的要大得多，時(shí)間隨著訓(xùn)練集中的圖像數(shù)的增加比改進(jìn)后的快得多，這里的時(shí)間是指消耗在訓(xùn)練數(shù)據(jù)和識(shí)別上的總時(shí)間。在圖7中也可以看出，改進(jìn)后算法的特征空間的維數(shù)很低，變化趨于穩(wěn)定，而改進(jìn)前的維數(shù)隨著訓(xùn)練圖像數(shù)的增加越來(lái)越大。

圖6　每個(gè)測(cè)試圖像在時(shí)間上的比較

圖7　特征空間維數(shù)變化口比較

為了說(shuō)明 Proposed Fast PCA的優(yōu)越型，本文做了Fast PCA特征的人臉識(shí)別與 Proposed Fast PCA特征的人臉識(shí)別比較試驗(yàn)。結(jié)果如表1所示。

表1　比較結(jié)果

由表1可以看出，在ORL人臉庫(kù)上進(jìn)行實(shí)驗(yàn)，本文所提改進(jìn)算法識(shí)別率最高，但由于實(shí)驗(yàn)方法是MB_LBP算法與 Proposed Fast PCA算法的結(jié)合，識(shí)別時(shí)間有些變長(zhǎng)，但是可以發(fā)現(xiàn)，運(yùn)用本文算法可以避免維數(shù)災(zāi)難性增長(zhǎng)的發(fā)生，人臉識(shí)別率明顯提高。后期隨著實(shí)驗(yàn)平臺(tái)的提升，所提算法的人臉識(shí)別時(shí)間會(huì)有所減少，可見(jiàn)，本文算法具有一定的實(shí)用價(jià)值。

5　總結(jié)

通過(guò)實(shí)驗(yàn)結(jié)果可以看出本文算法在計(jì)算量和特征空間維數(shù)方面有很好的效果。所改進(jìn)的方法比較簡(jiǎn)單，更重要的是對(duì)于特征提取進(jìn)行了降維，識(shí)別率提升效果明顯。此方法更好地避免了維數(shù)災(zāi)難，更有利于后面的人臉識(shí)別的進(jìn)行。在以后的工作中將對(duì)算法進(jìn)行進(jìn)一步改進(jìn)，以達(dá)到更好效果。

［1］李良，高娜.基于 LBP層次特征的表情識(shí)別算法［J］.河南理工學(xué)報(bào)，2013，32（6）：732-735.

［2］歐陽(yáng)琰，桑農(nóng).基于面部動(dòng)作組合特征的表情識(shí)別［J］.中國(guó)體視學(xué)與圖像分析，2011，16（1）：38-43.

［3］LI W M，LI Y F，WU Y.A mode based method for overallwellfocused catadioptric image acqui sition with multi-focal images［C］.proc of ICCAIP，2009：648-653.

［4］郭艷榮，蔣建國(guó)，郭世杰，等.基于 LBP文理特征的隨機(jī)游走圖像分割［J］.電路與系統(tǒng)學(xué)報(bào)，2013，18（1）：357-364.

［5］盧桂馥，林忠，金忠，等.基于最大差值的二維邊界 Fisher的人臉識(shí)別［J］.計(jì)算機(jī)科學(xué)，2010，37（5）：251-253.

［6］FANG Y C，LUO J，LOU C S.Fusion of multi-driectional rotation invariant unform LBP features for face recognition［C］.Proceedings of the 3rd International Conference on Intelligent Information Technology Application，NJ，USA，2009：332-335.

［7］SAJID I，AHMED M M，TAJ I.Design and implementation of a face recognition system using Fast PCA［J］.IEEE Translation on Computer Society，2008，16（8）：126-130.

［8］TUCK M，PENTLAND A.Eigenfaces for Recognition［J］.Cognitive Neuroscience，1999，3（1）：71-86.

［9］褚玉，李妮妮，劉軍清，等.基于均值濾波分頻的直方圖均衡方法［J］.中山大學(xué)學(xué)報(bào)：自然科學(xué)版，2013，52（4）：71-75，85.

［10］張錚，王艷平，薛桂香.數(shù)字圖像處理與機(jī)器視覺(jué)［M］.北京：人民郵電出版社，2010.

Facial feature extraction based on MB_LBP and improved Fast PCA algorithm

Cui Hao，Liu Junqing，Chen Peng，Lei Bangjun，Li Weisheng

（College of Computer and Information Technology，Three Gorges University，Yichang 443002，China）

MB_LBP algorithm for facial feature extraction will cause higher dimensions and using the PCA method can cause structural damage to the image of the original space and larger dimension.So a multi-block LBP（Multi-scale Block Local Binary Patterns，MB_LBP），combined with the improved Fast PCA algorithm for face feature extraction is proposed.First using algorithm MB_LBP to exlract face image feature，then with the improved Fast PCA algorithm to accelerate compute eigenvalues nonzero matrix S corresponding eigenvectors for facial feature dimensionality reduction.And finally it is verified in the ORL face database.Experiments show that the method has bettter effects for later facial feature extraction than before.It largely reduces the extraction time.The effects are obvious.

MB_LBP algorithm；improved Fast PCA；facial features；dimension disaster

TN713

A

1674-7720（2015）15-0029-04

崔浩，劉軍清，陳鵬，等.基于 MB_LBP與改進(jìn) Fast PCA算法的人臉特征提取［J］.微型機(jī)與應(yīng)用，2015，34（15）：29-32.

2015-04-06）

崔浩（1990-），男，碩士研究生，主要研究方向：智能視覺(jué)和圖像處理方向的研究。

劉軍清（1974-），男，副教授，碩士研究生導(dǎo)師，主要研究方向：多媒體信息處理與傳輸。