基于局部LBP特征的人臉識(shí)別

郭正平 謝華 高寧化

摘 要：將人臉圖像劃分為互不相交的矩形塊，提取各分塊的LBP特征，并將各塊LBP特征按序組合表征人臉圖像。利用支持向量機(jī)（Support Vector Machine，SVM）算法對(duì)訓(xùn)練分類器，進(jìn)行人臉識(shí)別。在YALE人臉庫上進(jìn)行的實(shí)驗(yàn)表明，基于局部LBP特征的支持向量機(jī)分類器的準(zhǔn)確率能夠達(dá)到93.33%。

關(guān)鍵詞：人臉識(shí)別；支持向量機(jī)；LBP特征

人臉識(shí)別技術(shù)是近年來急速發(fā)展的一個(gè)領(lǐng)域，其利用計(jì)算機(jī)技術(shù)、圖像處理技術(shù)、模式識(shí)別技術(shù)等對(duì)人臉進(jìn)行圖像定位、提取特征、識(shí)別等以完成身份識(shí)別。隨著計(jì)算機(jī)技術(shù)的發(fā)展，人臉識(shí)別技術(shù)越來越受到人們的重視，已經(jīng)成為生物識(shí)別領(lǐng)域中最為重要的研究方向之一。[ 1 ]

局部二值模式（Local Binary Pattern，LBP）由于其在描述圖片時(shí)具有的旋轉(zhuǎn)不變性和灰度不變形等優(yōu)點(diǎn)，在人臉識(shí)別中已經(jīng)得到了較為廣泛的應(yīng)用[ 4，5 ]。在人臉識(shí)別過程中，提取LBP特征描述人臉圖片，能夠較好的描述人臉圖片的局部紋理信息。

本文首先介紹對(duì)LBP算子進(jìn)行簡(jiǎn)單介紹，然后分塊提取人臉圖像LBP特征，提取到的特征向量作為支持向量機(jī)的輸入數(shù)據(jù)，并通過支持向量機(jī)算法訓(xùn)練分類器對(duì)人臉圖像進(jìn)行分類。

1 局部二值模式（LBP）

局部二值模式（LBP）能夠描述圖片灰度范圍內(nèi)的紋理特征。最為基本的LBP算子以局部3×3窗口為計(jì)算對(duì)象，根據(jù)窗口中心像素點(diǎn)的值，對(duì)周圍8個(gè)像素進(jìn)行標(biāo)記。如果周圍的8個(gè)像素中某個(gè)像素點(diǎn)的值大于中心點(diǎn)的值，則該像素位置用1進(jìn)行標(biāo)記，否則用0進(jìn)行標(biāo)記。經(jīng)過這樣的標(biāo)記處理，圖像3×3像素鄰域內(nèi)會(huì)產(chǎn)生一個(gè)8-bit的無符號(hào)數(shù)，然后按照位置順序求和得到該窗口的LBP值，用以反映該窗口區(qū)域的紋理信息。LBP算子計(jì)算方式如圖1所示。

在人臉識(shí)別過程中，針對(duì)人臉圖像的每一個(gè)像素，計(jì)算每一個(gè)像素鄰域的LBP值，這樣就可以得到一張LBP特征值的響應(yīng)圖像，這些LBP值即為人臉圖像的LBP特征。這些LBP特征描述整個(gè)人臉圖像在不同區(qū)域的微小特點(diǎn)，例如光照亮點(diǎn)、暗點(diǎn)、邊緣、平滑區(qū)域等等。但是這些LBP特征并不能較好的表現(xiàn)人臉的結(jié)構(gòu)信息，而這些人臉結(jié)構(gòu)信息才是人臉識(shí)別中最為重要的信息之一。如果針對(duì)一張人臉圖像提取整個(gè)圖像的LBP特征，并用以描述人臉圖像，就會(huì)將人臉圖像的結(jié)構(gòu)信息丟失。所以，本文采用分塊思想首先對(duì)人臉圖像進(jìn)行分塊處理，然后再提取每塊圖像的LBP特征，再將所有子塊的LBP特征按照一定的順序連接成一個(gè)復(fù)合的特征向量，用其描述整個(gè)人臉圖像的紋理特征和結(jié)構(gòu)特征。分塊LBP特征如圖2所示。

2 基于LBP特征的人臉識(shí)別

人臉識(shí)別實(shí)質(zhì)是一個(gè)多分類問題，最基本的人臉識(shí)別方式是利用最近鄰分類器對(duì)人臉進(jìn)行分類。而人臉識(shí)別的關(guān)鍵問題之一是如何提取人臉圖像的特征[ 6 ]。本節(jié)首先對(duì)對(duì)人臉圖像進(jìn)行分塊處理，然后針對(duì)每一塊提取LBP特征，用這些特征描述人臉圖像，再利用分類算法學(xué)習(xí)分類器對(duì)人臉圖像進(jìn)行分類，完成人臉識(shí)別過程。

2.1 人臉識(shí)別算法

本文提出的人臉識(shí)別算法如下：

第一步：對(duì)人臉圖像進(jìn)行分塊處理。分塊處理就是把人臉圖像分割為若干個(gè)互不相交的區(qū)域。圖像分割方法主要有：區(qū)域分割法、閾值分割法、邊緣分割方法等等。本文利用區(qū)域分割法思想，采用最為簡(jiǎn)單的方法，根據(jù)圖像的像素，平均的將圖像分割為m×n塊，在后面的實(shí)驗(yàn)過程，不同的實(shí)驗(yàn)中分別將人臉圖像分割為2×2，4×4，6×6塊。

第二步：提取人臉圖像的LBP特征。人臉圖像分割為m×n的形式后，通過LBP算法提取每一子塊人臉圖像的LBP特征。每一子塊得到的LBP特征是一個(gè)N維行向量，將各個(gè)子塊的LBP特征向量按照一定的順序合并為一個(gè)特征向量，這個(gè)特征向量就可以描述整個(gè)人臉的紋理信息。整個(gè)人臉圖像的LBP特征向量是一個(gè)m×n×N維的行向量。

第三步：將人臉圖像的LBP特征向量作為支持向量機(jī)分類算法的輸入，訓(xùn)練分類器，對(duì)人臉圖像進(jìn)行分類。

2.2 實(shí)驗(yàn)學(xué)習(xí)

為了測(cè)試本文提出算法的有效性，將YALE人臉數(shù)據(jù)庫的15名志愿者的圖像165張照片作為實(shí)驗(yàn)數(shù)據(jù)。隨機(jī)抽取每人8張人臉圖像，共120張人臉圖像作為訓(xùn)練圖像，每人所剩3張，共45張作為測(cè)試圖像。

將YALE人臉數(shù)據(jù)庫將圖像分割成2×2、4×4、6×6的形式，實(shí)驗(yàn)結(jié)果如表1所示。

從表1可以看到，圖像分塊對(duì)人臉識(shí)別準(zhǔn)確率有一定的影響，隨著分塊數(shù)據(jù)的增加，識(shí)別準(zhǔn)確率有了明顯的提高。但是，隨著分塊數(shù)目的增加，整個(gè)人臉圖像的LBP特征向量維數(shù)也急劇增加，在訓(xùn)練分類器的過程中，數(shù)據(jù)存儲(chǔ)量會(huì)大大增加。另一方面，隨著特征維數(shù)的增加，分類器的訓(xùn)練時(shí)間也有了顯著的增加。這是這種方法的劣勢(shì)之一。

3 結(jié)論

為了提高人臉識(shí)別率，更好的體現(xiàn)LBP特征的人臉表示優(yōu)勢(shì)，在進(jìn)行人臉圖像LBP提取以前對(duì)人臉圖像進(jìn)行了分塊處理，然后分塊提取LBP特征，并將各塊LBP特征按序組合表征人臉圖像。在YALE人臉數(shù)據(jù)庫上，利用SVM算法的分類結(jié)果表明，分塊能大大提高人臉識(shí)別準(zhǔn)確率，但是也增加了計(jì)算量，分類器訓(xùn)練時(shí)間顯著增加。

參考文獻(xiàn)：

[1] 王映輝.人臉識(shí)別——原理、方法與技術(shù).北京：科學(xué)出版社，2009.

[2] 周激流，張曄.人臉識(shí)別論研究進(jìn)展.計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，1999，11（2）：180-184.

[3] 劉青山，盧漢清，馬頌德.綜述人臉識(shí)別中的子空間方法.自動(dòng)化學(xué)報(bào)，2003，29（6）：56-60.

[4] G.Y.Zhao，M.Pietikinen.Improving Rotation Invariance of the Volume Local Binary Pattern Operator.Conference on Machine Vision Application，2007：327-330.

[5] Ahonen T，Hadid A，Pietikainen M.Face Recognition with Local Binary Patterns.8th European Conference on Computer Vision，2004：469-481.

[6] Y. X. Li， W. G. Gong. Gabor Features Based Classification Using SVM for Face Recognition，2005，34（97）：118-123.