基于興趣點(diǎn)定位的局部方向模式人臉識(shí)別方法

羅 元，李慧敏，張 毅

(1.重慶郵電大學(xué) 光電工程學(xué)院，重慶 400065； 2.重慶郵電大學(xué) 信息無障礙與服務(wù)機(jī)器人工程技術(shù)研究中心，重慶 400065)

(*通信作者電子郵箱li.huimin666@163.com)

基于興趣點(diǎn)定位的局部方向模式人臉識(shí)別方法

羅 元1，李慧敏1*，張 毅2

(1.重慶郵電大學(xué) 光電工程學(xué)院，重慶 400065； 2.重慶郵電大學(xué) 信息無障礙與服務(wù)機(jī)器人工程技術(shù)研究中心，重慶 400065)

(*通信作者電子郵箱li.huimin666@163.com)

為了解決局部方向模式(LDP)在人臉特征提取過程中采用固定的平均分塊方式，不能自適應(yīng)突出不同樣本特征的這一問題，提出一種基于興趣點(diǎn)定位的改進(jìn)LDP人臉特征提取方法。興趣點(diǎn)所在位置特征信息豐富，其根據(jù)不同圖像自動(dòng)分布，可以突出不同圖像的不同特點(diǎn)。首先定位人臉圖像的加速魯棒特征(SURF)特征點(diǎn)，并通過K-means聚類算法優(yōu)化興趣點(diǎn)的數(shù)量，確定興趣點(diǎn)位置；之后以每個(gè)興趣點(diǎn)作為中心建立LDP特征提取窗口，計(jì)算其4方向LDP編碼，得出圖像的特征向量；最后，采用支持向量機(jī)(SVM)對(duì)人臉進(jìn)行識(shí)別分類。使用該改進(jìn)算法分別在FERET和Yale數(shù)據(jù)庫中進(jìn)行實(shí)驗(yàn)，并與原始LDP、4方向的LDP方法(4-LDP)、融合PCA與LDP的特征提取算法(PCA-LDP)進(jìn)行了比較，實(shí)驗(yàn)結(jié)果表明，所提出的特征提取方法在保證系統(tǒng)實(shí)時(shí)性的同時(shí)，可以有效提高人臉識(shí)別的準(zhǔn)確率與穩(wěn)定性。

局部方向模式；加速魯棒特征；K均值聚類；人臉識(shí)別；興趣點(diǎn)

0 引言

作為模式識(shí)別領(lǐng)域最重要的研究方向之一，人臉識(shí)別技術(shù)正逐步應(yīng)用于人們的日常生活中。隨著人臉考勤、人臉門禁等應(yīng)用的普及，人臉識(shí)別開始邁向新的領(lǐng)域[1]。特征提取是人臉識(shí)別系統(tǒng)中的重要步驟，好的人臉特征應(yīng)同時(shí)滿足簡(jiǎn)單性與有效性。人臉特征提取一般可以按照全局特征和局部特征來分類，常用的全局特征提取算法包括主成分分析法(Principal Component Analysis, PCA)[2-3]、獨(dú)立分量分析法(Independent Component Analysis, ICA)[4]和離散余弦變換(Discrete Cosine Transform, DTC)[5]等。相比于全局特征，局部特征由于其對(duì)光照、姿態(tài)變化等影響有較強(qiáng)魯棒性而得到了廣泛應(yīng)用，經(jīng)典的局部特征提取算法主要有局部Gabor變換[6]、局部二值模式(Location Binary Pattern, LBP)[7]、局部方向模式(Location Direction Pattern, LDP)[8]等。局部方向模式LDP是Jabid等[9]在2010年首次提出的一種人臉表情特征提取方法。2012年，Jabid等在文獻(xiàn)[10]中證實(shí)了LDP紋理提取算法在人臉識(shí)別領(lǐng)域也有著較好的表現(xiàn)。與LBP相比，LDP特征提取算法對(duì)光照變化及隨機(jī)噪聲不敏感，且可以得出較好的紋理提取結(jié)果。2014年，李杰等[11]對(duì)原始LDP算法的編碼方向進(jìn)行了歸一化處理的改進(jìn)，得到了較好的人臉識(shí)別結(jié)果。2016年，羅元[12]發(fā)現(xiàn)4方向的LDP特征足以作為人臉特征進(jìn)行識(shí)別，在識(shí)別速率上有了很大提高。同年，Luo等[13]將LDP特征與全局特征PCA結(jié)合在一起作為人臉的特征描述，全局特征與局部特征的融合使識(shí)別率得到了顯著提高。

目前為止，大多數(shù)基于LDP的人臉特征算法都采用固定的分塊灰度直方圖來描述其紋理信息，不能根據(jù)特定的人臉而自適應(yīng)地提取特征。針對(duì)這一問題，本文提出了一種基于興趣點(diǎn)定位的改進(jìn)LDP算法，以興趣點(diǎn)為中心建立LDP紋理提取窗口。興趣點(diǎn)也可理解為特征點(diǎn)，其所在位置包含了人們最感興趣的信息。興趣點(diǎn)的一個(gè)重要特點(diǎn)是“可重復(fù)性”，即在不同圖像中的相同場(chǎng)景具有相似的興趣點(diǎn)分布結(jié)果。以人臉興趣點(diǎn)提取為例，同一個(gè)人臉在不同的圖像中可能會(huì)有位移、旋轉(zhuǎn)、姿態(tài)偏轉(zhuǎn)等狀態(tài)變化，但興趣點(diǎn)在該人臉上的分布應(yīng)是相似的。利用興趣點(diǎn)的這一特點(diǎn)，本文提出的改進(jìn)LDP算法通過興趣點(diǎn)自動(dòng)地定位LDP特征提取窗口，彌補(bǔ)了固定窗口提取特征不能很好地適應(yīng)圖像中人臉的位置改變、姿態(tài)偏轉(zhuǎn)等情況而導(dǎo)致提取效率較低的缺點(diǎn)。本文算法在Yale人臉庫及FERET數(shù)據(jù)庫上進(jìn)行實(shí)驗(yàn)，結(jié)果表明，本文算法在識(shí)別率與穩(wěn)定性上明顯優(yōu)于LDP算法。

1 局部方向模式(LDP)

局部方向模式(LDP)是一種基于LBP算法的改進(jìn)方法，該方法彌補(bǔ)了LBP方法對(duì)光照變化及隨機(jī)噪聲不穩(wěn)定的缺點(diǎn)。LDP算法的關(guān)鍵是采用Kirsch掩膜[14]計(jì)算圖像8個(gè)方向的邊緣響應(yīng)。以下是8個(gè)方向的Kirsch模板：

在一個(gè)3×3的灰度像素塊上，將中心點(diǎn)X分別與8個(gè)方向的Kirsch算子進(jìn)行卷積運(yùn)算，從而獲得中心點(diǎn)周圍的8鄰接像素值，即8方向的邊緣響應(yīng)返回值，記作mi(i=0, 1, …,7)[15]。選取前k個(gè)較大的Kirsch值賦1，其余均賦0，得出相應(yīng)的LDP編碼。具體的編碼方式如圖1所示。

圖1 LDP算子編碼方式Fig. 1 Encoding mode of LDP

將四周8鄰域的編碼按照順時(shí)針方向讀取8個(gè)二進(jìn)制編碼，并將該二進(jìn)制數(shù)作為此矩陣的中心點(diǎn)的灰度值，記作LDPk。LDPk具體由式(1)得出。

(1)

其中：mi為8個(gè)鄰接像素中第i個(gè)邊緣響應(yīng)值，Nk為選定的8個(gè)mi中第k個(gè)比較大的值。

在LDP特征向量生成方面，一般采用將人臉平均分為若干個(gè)圖像塊，分別計(jì)算每個(gè)圖像塊的LDP編碼，最后將其結(jié)合起來作為人臉的LDP特征向量。然而，貢獻(xiàn)最大的紋理特征往往是在人臉中最具代表性的興趣點(diǎn)附近生成。受此啟發(fā)，本文提出了一種基于興趣點(diǎn)的改進(jìn)LDP人臉特征提取算法。

2 基于興趣點(diǎn)定位的改進(jìn)LDP人臉識(shí)別

2.1 興趣點(diǎn)定位

對(duì)人臉興趣點(diǎn)的定位是本文算法的核心步驟，興趣點(diǎn)所在的位置包含了豐富的用于人臉分類識(shí)別的特征信息?？紤]到興趣點(diǎn)提取的速率以及興趣點(diǎn)數(shù)目須一致的問題，本文選擇了加速魯棒特征(Speeded Up Robust Feature, SURF)點(diǎn)提取算法與K-means聚類算法共同實(shí)現(xiàn)興趣點(diǎn)的定位。

2.1.1 SURF點(diǎn)位置信息提取

SURF是由Bayet等[16]于2006年提出的一種魯棒的局部特征描述子。SURF點(diǎn)的檢測(cè)定位首先要構(gòu)建圖像的高斯金子塔尺度空間。輸入圖像I經(jīng)過高斯濾波后的每個(gè)像素都采用Hessian矩陣行列式進(jìn)行近似。式(3)為像素點(diǎn)X=(x,y)在尺度σ下Hessian矩陣計(jì)算。

(2)

DSURF=det(Happrox)=DxxDyy-(ωDxy)2

(3)

其中，高斯加權(quán)系數(shù)ω取0.9。通過計(jì)算DSURF求出三個(gè)尺度(本層及上下層)下所有極值點(diǎn)，并進(jìn)行非極大值抑制(Non-Maximum Suppression, NMS)，即將某像素點(diǎn)與其鄰域26個(gè)點(diǎn)進(jìn)行比較，若非局部最值，則剔除，其余保留。最后，采用三維二次函數(shù)插值擬合進(jìn)行極值點(diǎn)精確定位，即可得出SURF點(diǎn)的位置信息。

2.1.2 K-means聚類算法定位興趣點(diǎn)

K-means聚類算法采用距離作為相似性的評(píng)價(jià)指標(biāo)，根據(jù)給定的聚類數(shù)目K，計(jì)算出目標(biāo)矩陣中K聚類元素中心點(diǎn)[17]。在得出人臉圖像的SURF點(diǎn)具體坐標(biāo)后，隨機(jī)選擇其中K個(gè)特征點(diǎn)作為聚類中心cj=(cj1,cj2)，其他特征點(diǎn)作為聚類對(duì)象si=(si1,si2)，計(jì)算聚類對(duì)象與聚類中心的歐氏距離D(si,cj)。其計(jì)算公式如下：

(4)

若聚類對(duì)象si滿足D(si,cj)=min{D(si,cj),j=1,2,3,…,K}，則將其歸入cj所在的類ωj。根據(jù)聚類結(jié)果，重新計(jì)算聚類中心。聚類中心即ωj中所有點(diǎn)的算數(shù)平方。具體計(jì)算如下：

(5)

聚類中心更新完畢后，需對(duì)其更新狀態(tài)進(jìn)行判斷。若此次聚類中心狀態(tài)與上次狀態(tài)一致，則認(rèn)為聚類完畢。最終得到的聚類中心即興趣點(diǎn)的位置。聚類前后的對(duì)比圖如圖2所示。

圖2 SURF點(diǎn)與聚類后的興趣點(diǎn)分布Fig. 2 Distribution of SURF points and clustered interest points

興趣點(diǎn)根據(jù)不同圖像的特征進(jìn)行自動(dòng)分布的特點(diǎn)決定了其對(duì)人臉姿態(tài)變化的魯棒性。圖3為人臉圖像在不同姿態(tài)下的興趣點(diǎn)分布圖對(duì)比。由圖3可知，對(duì)于不同人臉及姿態(tài)變化，興趣點(diǎn)會(huì)自動(dòng)地分布定位以適應(yīng)不同人臉的特點(diǎn)，仍主要集中于信息豐富的五官等部位，在人臉識(shí)別分類過程中有助于達(dá)到同類樣本之間相似度最大而不同樣本之間相似度最小的目的。

圖3 不同姿態(tài)下興趣點(diǎn)分布Fig. 3 Interest points distribution in different poses

2.2 基于SURF-LDP的人臉識(shí)別系統(tǒng)

與LBP算法相比，LDP特征提取算法具有對(duì)光照、隨機(jī)噪聲魯棒性強(qiáng)等優(yōu)點(diǎn)。文獻(xiàn)[12]的研究表明，4個(gè)方向的LDP算法足以很好地描述出人臉紋理特征。圖4分別表示人臉圖像經(jīng)8方向的原始LDP算子處理的紋理特征提取圖與經(jīng)4方向LDP算子處理的紋理特征提取圖。

一般來說，在人臉識(shí)別中，LDP紋理特征通常采用將人臉平均分為若干個(gè)子窗口的方式進(jìn)行提取，子窗口位置的選擇是固定的，不能突出反映不同人臉的不同特點(diǎn)，比如LDP算法提出者Jabid在其文獻(xiàn)[9]中采用7×6的分塊方式；同時(shí)，該算法遍歷整幅圖像，運(yùn)行速度較為緩慢。為了解決這兩個(gè)問題，本文提出了一種基于興趣點(diǎn)的人臉LDP特征提取方法，命名為SURF-LDP。

圖4 原始LDP與4方向LDP處理結(jié)果對(duì)比Fig. 4 Comparison of experimental result with initial LDP and 4-direction LDP

本文提出的SURF-LDP是基于興趣點(diǎn)定位的改進(jìn)LDP算法，由興趣點(diǎn)提供為人臉識(shí)別貢獻(xiàn)最大的區(qū)域分布，自動(dòng)地確認(rèn)LDP特征提取窗口。興趣點(diǎn)的提取是根據(jù)不同圖像的不同特點(diǎn)提取的，因此本文算法實(shí)現(xiàn)了LDP特征提取窗口的自動(dòng)選取，對(duì)同一人的不同姿態(tài)變化具有較好的魯棒性。在興趣點(diǎn)處進(jìn)行的紋理提取階段，本文選擇了4方向的LDP算法，此算法在之前的工作中已驗(yàn)證在保證一定的識(shí)別效果同時(shí)有著更高的速率[12]。

基于SURF-LDP的人臉識(shí)別算法流程為：

步驟1 對(duì)人臉圖像進(jìn)行SURF點(diǎn)提取。

步驟2 采用K-means聚類算法對(duì)SURF點(diǎn)的分布與數(shù)目進(jìn)行優(yōu)化。

(6)

圖5 SURF-LDP特征提取原理圖Fig. 5 Schematic diagram of SURF-LDP feature extraction

步驟4 將圖像塊Pn的直方圖特征由左到右、由上到下的順序聯(lián)合起來，作為人臉的SURF-LDP特征。人臉特征描述向量如式(7)所示。

(7)

其中，σ為HLDPn的標(biāo)準(zhǔn)差。

步驟5 以SURF-LDP特征向量作為樣本模板，采用SVM分類器對(duì)人臉進(jìn)行分類識(shí)別。

3 實(shí)驗(yàn)結(jié)果與分析

本文實(shí)驗(yàn)分別在FERET數(shù)據(jù)庫及Yale數(shù)據(jù)庫上進(jìn)行驗(yàn)證。Yale數(shù)據(jù)庫包含了165張人臉照片，每人11張；FERET數(shù)據(jù)庫共包含1 400張人臉照片，每人7張。圖6為Yale數(shù)據(jù)庫與FERET數(shù)據(jù)庫中部分人臉樣本。

圖6 Yale人臉庫與FERET人臉庫中部分人臉圖像Fig. 6 Partial face images in Yale and FERET databases

為了便于實(shí)驗(yàn)結(jié)果的統(tǒng)一對(duì)比，本文將兩個(gè)數(shù)據(jù)庫中人臉圖像的尺寸作了初始化處理，大小均設(shè)置為100×100。為了得出本文算法中最適合的興趣點(diǎn)聚類數(shù)目，分別在不同的聚類數(shù)目下進(jìn)行人臉識(shí)別實(shí)驗(yàn)。其中，兩個(gè)人臉庫中的各類人臉均選擇4張圖像作為訓(xùn)練樣本，剩下人臉圖像作為測(cè)試樣本。圖7為本文提出的人臉識(shí)別算法在不同數(shù)目的興趣點(diǎn)下的最佳識(shí)別率，分別取了8、16、24、32、40、48六種聚類數(shù)目進(jìn)行比較。

圖7 不同聚類數(shù)目下的人臉識(shí)別率Fig. 7 Face recognition accuracy under different number of clustered points

由圖7可知：當(dāng)聚類數(shù)目小于32時(shí)，人臉識(shí)別準(zhǔn)確率隨著興趣點(diǎn)數(shù)目的增多而變高；當(dāng)聚類數(shù)目大于32時(shí)，人臉識(shí)別率并沒有繼續(xù)增加。這是由于當(dāng)興趣點(diǎn)數(shù)目大于32時(shí)，容易由于興趣點(diǎn)的分布過于密集而造成重復(fù)提取，對(duì)于識(shí)別準(zhǔn)確率并沒有太大貢獻(xiàn)；同時(shí)，興趣點(diǎn)數(shù)目的增多意味著特征提取范圍變大，增加了運(yùn)算耗時(shí)。綜合識(shí)別率與運(yùn)算耗時(shí)兩個(gè)因素，在與其他算法進(jìn)行比較時(shí)，本文算法的興趣點(diǎn)聚類數(shù)目選擇為32。

分別使用文獻(xiàn)[10]中Jabid提出的經(jīng)典算法LDP、文獻(xiàn)[12] 中提出的4方向的LDP方法(4-LDP)、文獻(xiàn)[13]中提出的融合PCA與LDP的特征提取算法(PCA-LDP)以及本文提出的SURF-LDP算法作為特征提取算法，分類識(shí)別方法均使用SVM方法，對(duì)比它們的平均識(shí)別率R、平均識(shí)別時(shí)間T與識(shí)別率標(biāo)準(zhǔn)差S，結(jié)果如表1所示。其中：SURF-LDP(8)表示采用本文方法進(jìn)行融合的8方向改進(jìn)算法；SURF-LDP(4)表示采用本文提出的4方向改進(jìn)算法。

表1 實(shí)驗(yàn)結(jié)果與對(duì)比Tab. 1 Contrast of experimental results

由表1可知，在Yale與FERET數(shù)據(jù)庫中：從平均運(yùn)行時(shí)間來看，4-LDP的運(yùn)算速度最快，這是由于該算法將經(jīng)典的8方向LDP改進(jìn)為4方向LDP進(jìn)行簡(jiǎn)化，同樣也犧牲了一定的識(shí)別率；4方向SURF-LDP的平均運(yùn)行時(shí)間較經(jīng)典LDP運(yùn)行時(shí)間分別減少了8 ms與3 ms，較PCA-LDP分別減少81 ms與82 ms，較8方向的SURF-LDP分別減少了35 ms與42 ms，可知SURF-LDP具有相對(duì)較好的實(shí)時(shí)性。從人臉平均識(shí)別率來看，8方向SURF-LDP的識(shí)別率最高，然而卻是以一定的運(yùn)行時(shí)間作為代價(jià)的；4方向的SURF-LDP的識(shí)別率較PCA-LDP的識(shí)別率分別高4.6%與3.6%，與經(jīng)典LDP分別高出9.2%與7.0%，和4-LDP相比分別高出5.8%與8.3%，僅比8方向的SURF-LDP分別低0.4%與0.5%，可知本文提出的4方向的SURF-LDP算法在人臉識(shí)別系統(tǒng)中有著較好的性能表現(xiàn)。

4 結(jié)語

本文提出的基于興趣點(diǎn)定位的SURF-LDP算法，首先提取人臉圖像的SURF點(diǎn)并作聚類處理，得出興趣點(diǎn)位置；然后以每個(gè)興趣點(diǎn)為中心在其周圍提取4方向的LDP紋理特征作為描述子；最后采用SVM分類器進(jìn)行分類識(shí)別。實(shí)驗(yàn)結(jié)果表明，在具有較高人臉識(shí)別率的同時(shí)，本文提出的算法SURF-LDP也具有較好的實(shí)時(shí)性與穩(wěn)定性。SURF-LDP的實(shí)時(shí)性主要依賴兩點(diǎn)：1)在進(jìn)行紋理特征提取時(shí)采用了4方向的LDP方法，相對(duì)于文獻(xiàn)[10]與文獻(xiàn)[13]中的8方向提取速度有了很大的提高；2)本文方法的提取范圍是32個(gè)11×11大小的圖像塊，較遍歷整幅圖像的范圍減小許多。雖然本文算法添加了SURF點(diǎn)定位與聚類的步驟，但由于SURF算法本身在提取速度上的優(yōu)越性，以及本文剔除了特征描述部分僅保留了特征點(diǎn)定位部分，因此該算法仍可保證較好的實(shí)時(shí)性。另外，本文方法采用對(duì)興趣點(diǎn)附近位置進(jìn)行LDP特征提取，并將其作為特征描述子，而興趣點(diǎn)位置有用信息豐富，且隨著人臉光照、姿態(tài)等變化，興趣點(diǎn)位置可相應(yīng)移動(dòng)，因此本文算法在識(shí)別效果與穩(wěn)定性方面也有著良好表現(xiàn)。

References)

[1] 李武軍，王崇駿，張煒,等.人臉識(shí)別研究綜述[J].模式識(shí)別與人工智能，2006,19(1):58-65. (LI W J, WANG C J, ZHANG W, et al. A survey of face recognition [J]. Pattern Recognition and Artificial Intelligence, 2006, 19(1): 58-56.)

[2] SHIEH M-Y, CHIOU J-S, HU Y-S, et al. Applications of PCA and SVM-PSO based real-time face recognition system [J]. Mathematical Problems in Engineering, 2014, 2014: Article ID 530251.

[3] 溫浩，盧朝陽，高全學(xué).融合小波變換和張量PCA的人臉識(shí)別算法[J].西安電子科技大學(xué)學(xué)報(bào)(自然科學(xué)版)，2009,36(4):602-607. (WEN H, LU Z Y, GAO Q X. Face recognition algorithm based on wavelet preprocessing and tensor PCA [J]. Journal of Xidian University, 2009, 36(4): 602-607.)

[4] 黃璞，陳才扣.基于局部人臉圖像的ICA人臉識(shí)別方法[J].計(jì)算機(jī)工程與設(shè)計(jì),2010,31(11):2550-2553. (HUANG P, CHEN C K. ICA face recognition method based on partial face image[J]. Computer Engineering and Design, 2010, 31(11): 2550-2553.)

[5] 尹洪濤，付平，沙學(xué)軍.基于DCT和線性判別分析的人臉識(shí)別[J].電子學(xué)報(bào),2009,37(10):2211-2214. (YIN H T, FU P, SHA X J. Face Recognition Based on DCT and LDA [J]. Acta Electronica Sinica, 2009, 37(10): 2211-2214.)

[6] FANG L, LI S. Face recognition by exploiting local Gabor features with multitask adaptive sparse representation [J]. IEEE Transactions on Instrumentation and Measurement, 2015, 64(10): 2605-2615.

[7] LEI L, KIM D-H, PARK W-J. Face recognition using LBP eigenfaces [J]. IEICE Transactions on Information and Systems, 2014, E97.D(7): 1930-1932.

[8] 武偉，江艷霞，張喆.基于改進(jìn)的LDP人臉識(shí)別算法[J]. 光電工程，2014,41(12):72-77. (WU W, JIANG Y X, ZHANG Z. The face recognition algorithm based on improved local directional pattern [J]. Opto-Electronic Engineering, 2014, 41 (12): 74-77.)

[9] JABID T, KABIR M H, CHAE O. Robust facial expression recognition based on local directional pattern [J]. ETRI Journal, 2010, 32(5):784-794.

[10] JABID T, KABIR M H, CHAE O. Local Directional Pattern (LDP) for face recognition [J]. International Journal of Innovative Computing Information and Control, 2012, 8(4): 2423-2437.

[11] 李杰，徐汀榮，李海彥. 基于改進(jìn)LDP的人臉識(shí)別[J]. 計(jì)算機(jī)應(yīng)用與軟件，2014,31(5):148-150,230. (LI J, XU T R, LI H Y. Face recognition based on improved LDP [J]. Computer Applications and Software, 2014, 31(5): 148-150， 230.)

[12] 羅元，張?zhí)?，張?一種改進(jìn)的LDP面部表情特征提取方法[J].半導(dǎo)體光電，2016,37(1):122-125. (LUO Y, ZHANG T, ZHANG Y. An improved LDP for facial expression feature extraction[J], Semiconductor Optoelectronics, 2016, 37(1): 122-125.)

[13] LUO Y, ZHANG T, ZHANG Y. A novel fusion method of PCA and LDP for facial expression feature extraction [J]. Optik — International Journal for Light and Electron Optics, 2016, 127(2): 718-721.

[14] 劉海軍，常東超，張凌宇.改進(jìn)的局部方向模式紋理表示方法[J].中國(guó)圖象圖形學(xué)報(bào)，2014,19(4):520-526. (LIU H J, CHANG D C, ZHANG L Y. Improved local directional pattern texture descriptor [J]. Journal of Image and Graphics, 2014, 19(4): 520-526.)

[15] 高現(xiàn)文，付煒. 局部定向模式在人臉識(shí)別中的應(yīng)用[J]. 計(jì)算機(jī)工程與應(yīng)用，2011,48(12):98-201. (GAO X W, FU W. Local directional pattern in face recognition application [J]. Computer Engineering and Applications, 2011, 48(12): 98-201.)

[16] BAY H, TNYTETAARS T, VAN GOOL L. SURF: Speeded Up Robust Features [C]// ECCV’06: Proceedings of the 9th European Conference on Computer Vision, LNCS 3951. Berlin: Springer-Verlag, 2006, 1: 404-417.

[17] 陳興蜀，吳小松.基于特征關(guān)聯(lián)度的K-means初始聚類中心優(yōu)化算法[J]. 四川大學(xué)學(xué)報(bào)(工程科學(xué)版)，2015,47(1):13-19. (CHEN X S, WU X S. An improved initial cluster centers selection algorithm forK-means based on features correlative degree[J]. Journal of Sichuan University (Engineering Science Edition), 2015, 47(1): 13-19.

This work is partially supported by the Chongqing Municipal Education Commission Science and Technology Research Project (KJ130512), the Chongqing Science and Technology Commission Project (CSCT2015jcyjBX0066).

LUOYuan, born in 1972, Ph. D., professor. Her research interests include image processing, pattern recognition, machine vision.

LIHuimin, born in 1991, M. S. candidate. Her research interests include pattern recognition, machine vision.

ZHANGYi, born in 1966, Ph. D., professor. His research interests include robot technology, machine vision.

Improvedlocationdirectionpatternbasedoninterestpointslocationforfacerecognition

LUO Yuan1, LI Huimin1*, ZHANG Yi2

(1.SchoolofOptoelectronicEngineering,ChongqingUniversityofPostsandTelecommunications,Chongqing400065,China；2.ResearchCenterforInformationAccessibilityandServiceRobot,ChongqingUniversityofPostsandTelecommunications,Chongqing400065,China)

In order to solve the problem that Local Directional Pattern (LDP) adopts the fixed average block method in the face feature extraction process, which cannot reflect the characteristics of different images well, an improved LDP based on interest point location was proposed. The positions of interest points contained rich feature information, and the interest points could be obtained automatically according to particular image. Firstly, the locations of interest points were decided by Speed Up Robust Feature (SURF) algorithm andK-means clustering algorithm. Secondly, 4-direction LDP (4-LDP) coding was calculated by the feature extraction windows established with each interest point as the center. Finally, the Support Vector Machine (SVM) was used to identify the face. The proposed method was evaluated in Yale and FERET databases and compared with the original LDP, 4-LDP and PCA-LDP (feature extraction method combined Principal Component Analysis and LDP). The experimental results show that the proposed method can obviously improve the recognition rate and stability while ensuring the real-time performance of the system.

Location Direction Pattern (LDP); Speed Up Robust Feature (SURF);K-means clustering; face recognition; interest point

TP391.41

A

2017- 02- 10;

2017- 04- 05。

重慶市教委科學(xué)技術(shù)研究項(xiàng)目(KJ130512)；重慶市科學(xué)技術(shù)委員會(huì)項(xiàng)目(CSCT2015jcyjBX0066)。

羅元(1972—)，女，湖北省宜昌人，教授，博士，主要研究方向：圖像處理、模式識(shí)別、機(jī)器視覺； 李慧敏(1991—)，女，河南安陽人，碩士研究生，主要研究方向：模式識(shí)別、機(jī)器視覺； 張毅(1966—)，男，重慶人，教授，博士，主要研究方向：機(jī)器人、機(jī)器視覺。

1001- 9081(2017)08- 2248- 05

10.11772/j.issn.1001- 9081.2017.08.2248