基于單演主方向中心對(duì)稱局部二值模式的單樣本人臉識(shí)別

楊毅+楊恢先+唐金鑫+張書豪

摘要：本文針對(duì)單樣本情況下傳統(tǒng)人臉識(shí)別方法在姿態(tài)、表情和光照等變化下識(shí)別效果不佳的問題，提出一種基于單演主方向中心對(duì)稱局部二值模式的單樣本人臉識(shí)別模式的單樣本人臉識(shí)別算法。首先用多尺度的單演濾波器提取人臉圖像單演局部幅值和局部方向信息，并求取主方向，生成主方向模式圖；然后用CS-LBP算子進(jìn)行編碼，得到特征；最后對(duì)不同單演尺度空間中的特征分塊統(tǒng)計(jì)特征直方圖并運(yùn)用直方圖相交進(jìn)行分類識(shí)別。在AR、Extend Yale BA臉數(shù)據(jù)庫(kù)的實(shí)驗(yàn)結(jié)果表明，該算法簡(jiǎn)單有效，對(duì)光照、表情、部分遮擋變化具有較好的魯棒性。

關(guān)鍵詞：人臉識(shí)別；單樣本；單演信號(hào)；主方向模式；中心對(duì)稱局部二值模式（CS-LBP）

DOI： 10.3969/j.issn.1005-5517.2017.8.016

引言

近年來，人臉識(shí)別由于具有友好、非侵犯性等優(yōu)點(diǎn)成為機(jī)器視覺和圖像處理領(lǐng)域的研究熱點(diǎn)，并在經(jīng)濟(jì)、司法、安保領(lǐng)域得到了廣泛的應(yīng)用川。在多數(shù)實(shí)際的應(yīng)用場(chǎng)合下，數(shù)據(jù)庫(kù)只能采集到單幅人臉圖像作為訓(xùn)練樣本，如身份證、護(hù)照、駕駛證等數(shù)據(jù)庫(kù)[2]。在這種單樣本的情況下，一些具有代表性的傳統(tǒng)人臉識(shí)別算法就很難取得理想的效果。目前，單樣本人臉識(shí)別的研究主要集中在提取不變特征、樣本擴(kuò)張、特征子空間擴(kuò)展、圖像增強(qiáng)和三維識(shí)別等方面[3]。

中心對(duì)稱局部二值模式（Center symmetric localbinary pattern，CS-LBP）是一種對(duì)LBP改進(jìn)的有效局部紋理描述算子，CS-LBP的特征維數(shù)少于LBP，節(jié)省特征提取與匹配時(shí)間。文獻(xiàn)[4]中，Ngoc-Son Vu等人提出了基于圖像梯度的主方向模式（Patterns of DominantOrientations， PDO）特征提取算法，也取得了不錯(cuò)的識(shí)別效果。文獻(xiàn)[5]提出一種基于Gabor的二元模式方法（Local gabor binary patterns，LGBP），雖然LGBP的識(shí)別率與魯棒性比LBP大為增強(qiáng)，但得到40幅不同的Gabor特征，其時(shí)間和空間的復(fù)雜度是驚人的I6）。單演信號(hào)作為一維信號(hào)在二維空間的拓展，能夠有效地將圖像正交分解為幅值，相位和方向信息[7]。單演濾波所需要的時(shí)間和空間復(fù)雜度遠(yuǎn)遠(yuǎn)小于Gabor濾波[8]。文獻(xiàn)[9]將單演和局部二值模式（Monogenicbinary patterns，MBP）用于人臉識(shí)別，取得了很好的實(shí)驗(yàn)效果。但只是在像素層次對(duì)單演幅值進(jìn)行編碼，缺乏對(duì)區(qū)域變化信息的把握能力，且沒利用到單演方向信息。為了能充分利用單演幅值和單演方向信息，且在文獻(xiàn)[9]的啟發(fā)下，提出了一種基于單演主方向中心對(duì)稱局部二值模式 （Monogenic dominant orientations cente r-symmetriclocalbinary pattern，MDOCSBP）的單樣本人臉識(shí)別方法。首先利用人臉圖像的單演局部幅值和局部方向來獲取主方向模式圖，然后采用CS- LBP對(duì)主方向圖進(jìn)行編碼得到MDOCSBP特征，最后分塊統(tǒng)計(jì)MDOCSBP特征直方圖并運(yùn)用直方圖相交進(jìn)行分類識(shí)別。

1 單演信號(hào)

單演信號(hào)是一維解析信號(hào)的二維擴(kuò)展，以一種旋轉(zhuǎn)不變的方式來描述圖像的局部幅度、局部方向和局部相位信息。單演信號(hào)是建立在Riesz變換的基礎(chǔ)上的，Riesz變換是Hilbert變換的二維擴(kuò)展。

若定義圖像坐標(biāo)z=G，y），Riesz核可表示為：

2 主方向的求取

2011年Ngoc-Son Vu等人提出了基于圖像梯度的PDO特征提取算法。文獻(xiàn)[9]中，主方向的計(jì)算是在圖像的梯度圖上完成的，是指細(xì)胞單元（cell）內(nèi)像素的梯度方向累積變化最多的方向，即該cell的主方向。受其啟發(fā)，本文對(duì)單演特征中的局部幅度和局部方向信息進(jìn)行與之相似的處理。針對(duì)Cell內(nèi)每個(gè)像素，以該像素處的單演幅值為權(quán)值，為該像素單演方向所在的直方

3 中心對(duì)稱局部二值模式

4 人臉的MDOCSBP特征

5 人臉特征匹配

6 實(shí)驗(yàn)結(jié)果與分析

為驗(yàn)證MDOCSBP算法的有效性，實(shí)驗(yàn)在均已被剪裁好的AR人臉庫(kù)、Extend Yale B人臉庫(kù)上進(jìn)行測(cè)試。

AR人臉庫(kù)實(shí)驗(yàn)統(tǒng)一選取人臉庫(kù)中每個(gè)人的第一幅圖像作為訓(xùn)練樣本，測(cè)試集由4個(gè)子集組成，分別為表情變化集、光照變化集、遮擋集A和遮擋集B。ExtendYale B人臉庫(kù)實(shí)驗(yàn)分別從不同光照隋況下各子集隨機(jī)選取3幅人臉作為測(cè)試集，識(shí)別率為測(cè)試20次的平均值。AR、Extend Yale B人臉庫(kù)部分圖像如圖4、圖5所示。

6.1 不同參數(shù)對(duì)識(shí)別率的影響

6.1.1通道數(shù)dr對(duì)識(shí)別率的影響

為了找到MDOCSBP算法最佳通道數(shù)，在AR人臉庫(kù)上，固定分塊數(shù)為11 ×11； Extend Yale B上固定分塊數(shù)為15×15；

由圖6和圖7可知，AR人臉庫(kù)光照子集在dr取6時(shí)有最佳識(shí)別：表情子集在dr取7時(shí)有最佳識(shí)別率；遮擋集A和遮擋集B均在r取5時(shí)有最佳識(shí)別率；Extend Yale B各子集人臉庫(kù)在通道數(shù)dr在9左右都取得了不錯(cuò)的識(shí)別效率。通道數(shù)dr在4、5、6B寸，由于通道數(shù)過少，尋找的單演主方向過于粗糙，導(dǎo)致不同人臉庫(kù)的識(shí)別率都變化較大。

6.1.2 不同分塊數(shù)對(duì)識(shí)別率的影響

為了找到MDOCSBP算法最佳分塊數(shù)，在AR人臉庫(kù)上，固定通道數(shù)為6；Extend Yale B上固定通道數(shù)為9；

由圖7和圖8可知，AR人臉庫(kù)的最佳分塊數(shù)在13 ×13左右，Extend YaleB人臉庫(kù)的最佳分塊數(shù)為isxis：合理的分塊方式能有效的提取圖像的局部紋理特征，過少的分塊數(shù)不能很好的體現(xiàn)人臉的局部紋理細(xì)節(jié)，而過多的分塊數(shù)又會(huì)產(chǎn)生特征冗余而降低識(shí)效果，同時(shí)也會(huì)使特征維數(shù)增加，計(jì)算花費(fèi)時(shí)間也越長(zhǎng)。endprint

6.2 不同算法識(shí)別性能比較

為了驗(yàn)證MDOCSBP算法的有效性，分別與文獻(xiàn)提出的CS- LBP算法、MBP算法、PDO算法、LGBP算法進(jìn)行對(duì)比實(shí)驗(yàn)。MDOCSBP算法在AR人臉庫(kù)上分塊數(shù)取13 ×13，通道數(shù)dr分別取各子集的最優(yōu)值；在Extend Yale B人臉庫(kù)上分塊數(shù)取15×15，各子集的通道數(shù)dr取9。不同算法在AR人臉庫(kù)、Extend Yale B人臉庫(kù)上的識(shí)別率如表1、表2所示。

從表1，表2可以看出，MBP算法、PDO算法、LGBP算法、MDOCSBP算法在AR人臉庫(kù)上都取得不錯(cuò)的識(shí)別效果，但在遮擋子集上，算法MDOCSBP和MBP算法表現(xiàn)的更為突出。在復(fù)雜光照條件下的ExtendYale B人臉庫(kù)結(jié)果顯示，各算法在光照條件良好的子集1、子集2、子集3都表現(xiàn)出較高的識(shí)別效果，但在光照變化較大的子集4和子集5，算法CS LBP、MBP、LGBP都受到劇烈影響，PDO算法識(shí)別率也有一定幅度的下降，而MDOCSBP算法表現(xiàn)優(yōu)異。CS- LBP算法直接對(duì)圖像像素進(jìn)行編碼，提取特征比較單一：MBP對(duì)圖像進(jìn)行單演濾波來獲得不同尺度下的多種局部模式圖在AR人臉庫(kù)取得了較好的識(shí)別效果，但對(duì)光照變化較大的圖像便顯得乏力。PDO算法是對(duì)圖像的梯度信息求取主方向進(jìn)行特征提取，對(duì)光照變化有一定的魯棒性。LGBP算法提取的是Gabor變換后5個(gè)尺度8個(gè)方向的特征，在AR人臉庫(kù)上取得了較好的識(shí)別效果，但特征維數(shù)及計(jì)算時(shí)間較大。算法MDOCSBP利用單演局部幅值和局部方向提取的主方向，能充分挖掘方向信息，識(shí)別效果好，對(duì)光照魯棒性強(qiáng)。

6.3 特征維數(shù)與時(shí)間分析

為對(duì)比各算法的復(fù)雜度，以AR人臉庫(kù)每人第一幅圖像作訓(xùn)練樣本，光照集作測(cè)試集，所有方法的分塊數(shù)均為8x8，測(cè)試各算法完成對(duì)一張人臉圖像進(jìn)行識(shí)別需要特征提取與匹配時(shí)間。

由表3可以看出，在相同分塊數(shù)的情況下，MDOCSBP算法無論特征維數(shù)還是各階段的所需時(shí)間都小于MBP和LGBP算法，尤其是LGBP算法由于提取的特征過于冗長(zhǎng)，導(dǎo)致特征提取及匹配時(shí)間不如人意；與PDO算法相比，MDOCSBP算法由于特征長(zhǎng)度較小，在匹配階段也有一定優(yōu)勢(shì)。由以上分析可知，MDOCSBP算法相比對(duì)比算法具有較小時(shí)間和空間復(fù)雜度。

7 結(jié)論

在單演濾波的基礎(chǔ)上提出了基于單演主方向中心對(duì)稱局部二值模式的單樣本人臉識(shí)別的方法， MDOCSBP算法充分利用人臉圖像單演局部幅值與局部方向信息，采用CS- LBP算子進(jìn)行編碼，最終通過分塊直方圖進(jìn)行識(shí)別。在AR、Extend Yale B人臉庫(kù)各子集都有較高識(shí)別，且對(duì)光照有不錯(cuò)的魯棒性，證明了MDOCSBP算法的有效性。

參考文獻(xiàn)：

[1]李康順，李凱，張文生一種基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的PCA人臉識(shí)別算法[J]計(jì)算機(jī)應(yīng)用與軟件，2014.（01）：158-161

[2]楊恢先，翟云龍，蔡勇勇，等基于中心對(duì)稱梯度幅值相位模式的單樣本人臉識(shí)別[J]光電子 激光，2015（05）：969-977

[3]高濤，馬祥，白磷采用自適應(yīng)加權(quán)擴(kuò)展LBP的單樣本人臉識(shí)別[J]光電子 激光，2012（04）：782 -790

[4lVu N s，Caplier A Mining patterns of orientations and magnitudes for face recognition[C]. InProc. Int. Joint Conf. Biometrics （IJCB）， 201P1-8

[5]Wenchao Zhang.Shiguang Shan.Xdin Chen.Wen Gao. Local Gabor Binary Patterns Basedon Mutual Information for Face Recognition.[J].lnt. J Image Graphics.2007.7

[6]于明，胡全勝，閻剛，等基于」GBP特征和稀疏表示的人臉表情識(shí)別[J]計(jì)算機(jī)工程與設(shè)計(jì)，201305（05）：1787-1791

[7] M. Felsberg，G. Sommer， "The monogenic signal，" in IEEE Transactions on Signal Processing，2001 （10）：3136-3144，

[8]閆海停，王玲，李昆明，等.融合MBP和EPMOD的人臉識(shí)別[J].中國(guó)圖象圖形學(xué)報(bào)，2014，01：85-91.

[9]M.Yang， L.Zhang， S. C. K. Shiu，etc. Monogenic Binary Coding： An Efficient Local Feature Extraction Approach to Face Recognition[J]，IEEE Transactions on Information Forensics and Security， 2012（10）：1738-1751.endprint