基于分塊加權(quán)LBP技術(shù)的人臉識(shí)別算法

管靈霞，楊會(huì)成，魯 春，童 英

（安徽工程大學(xué)電氣工程學(xué)院，安徽 蕪湖 241000）

引言

生物識(shí)別技術(shù)是指通過(guò)人類生物特征信息進(jìn)行身份認(rèn)證的一種高科技技術(shù)。通常利用計(jì)算機(jī)技術(shù)，結(jié)合光學(xué)、聲學(xué)、生物傳感器等技術(shù)原理工作。根據(jù)其進(jìn)行身份認(rèn)證的特征，一般分為兩種類型：生理特征識(shí)別和行為特征識(shí)別。利用指紋特征、人臉特征、虹膜特征、掌紋特征等人體固有的生理特征進(jìn)行身份認(rèn)證的生物識(shí)別技術(shù)屬于生理特征識(shí)別；利用聲音特征、筆跡特征、步態(tài)特征等人體行為特征進(jìn)行身份認(rèn)證的識(shí)別技術(shù)屬于行為特征識(shí)別。其中，人臉識(shí)別相對(duì)于其他生物識(shí)別技術(shù)的最大優(yōu)勢(shì)在于具有唯一不可復(fù)制性及識(shí)別過(guò)程隱秘性等特點(diǎn)，在近幾年得到了飛速的發(fā)展。

當(dāng)前，人臉識(shí)別技術(shù)已經(jīng)成為國(guó)內(nèi)外科研人員密切關(guān)注的熱門課題，我國(guó)的人臉識(shí)別技術(shù)也逐漸成熟。近年來(lái)，人臉識(shí)別技術(shù)作為人工智能學(xué)科中發(fā)展最為快速的一個(gè)分支，已經(jīng)出現(xiàn)在我們的生活中，比如：春節(jié)期間各大車站的刷臉驗(yàn)票系統(tǒng)、Face＋＋技術(shù)為支付寶提供的刷臉登錄系統(tǒng)、還有百度家的小度機(jī)器人等。

人臉識(shí)別技術(shù)最為關(guān)鍵的技術(shù)內(nèi)容就是人臉特征信息的提取。根據(jù)人臉特征信息提取的范圍，可分為基于全局人臉特征、基于局部人臉特征兩種。人臉的全局特征信息，主要有膚色、輪廓、五官的分布情況等整體信息。而局部特征用來(lái)描述人臉細(xì)節(jié)，比如大嘴巴、高鼻梁、瞇瞇眼等和一些面部特殊標(biāo)志，如痣、傷疤等。全局用于粗略匹配，局部用于精細(xì)匹配?；谌秩四樚卣鞯姆椒ㄖ饕幸韵聨追N：主元分析PCA（Principal Component Analysis）［1］、線性判決分析 LDA（Linear Discrimi-nant Analysis）［2］、非負(fù)矩陣因子 NMF（Nonnegative Matrix Factorization）［3］。基于全局人臉特征識(shí)別技術(shù)雖然能從整體對(duì)人臉進(jìn)行提取，可以很好地留下圖像的紋理特征信息，但是這種方法對(duì)于光線條件和人臉姿態(tài)比較敏感?；诰植咳四樚卣鞯姆椒ㄖ饕幸韵聨追N方法：局部二值模式 LBP（Local Binary Pattern）［4］、局部特征分析LFA（Local Features Analysis）［5］、Gabor小波［6］等?；诰植咳四樚卣鲗?duì)光線條件、人臉形態(tài)和面部遮擋等變化具有更好的魯棒性，所以局部特征提取方法近年來(lái)得到了較大發(fā)展，更多地運(yùn)用在人臉識(shí)別方向上。

LBP是一種灰度范圍內(nèi)的紋理描述方式，有旋轉(zhuǎn)不變性及灰度不變性等許多優(yōu)點(diǎn)。芬蘭奧盧大學(xué)的Ahonen等人1996年第一次在人臉識(shí)別領(lǐng)域運(yùn)用LBP算子［7］，把人臉圖片劃分為多個(gè)區(qū)域，一定程度上實(shí)現(xiàn)了混合人臉特征的技術(shù)，取得了較好的實(shí)驗(yàn)效果。之后，LBP在人臉識(shí)別領(lǐng)域的應(yīng)用得到了研究人員廣泛的關(guān)注［8-9］，但還存在相當(dāng)多的問(wèn)題需要解決。

本文在基本LBP算法的基礎(chǔ)上提出基于分塊加權(quán)LBP技術(shù)的人臉識(shí)別算法［10-12］，將人臉?lè)譃?×3子分塊，根據(jù)人臉五官在人臉識(shí)別中的不同貢獻(xiàn)度賦予不同的權(quán)重，并通過(guò)ORL和YALE兩種人臉數(shù)據(jù)庫(kù)實(shí)驗(yàn)這種算法的準(zhǔn)確性。

1 LBP算法的基本原理

1.1 LBP算子

在模式識(shí)別領(lǐng)域和數(shù)字圖像處理領(lǐng)域，LBP指的是局部二值模式［4］，是一種用來(lái)描述圖像特征信息的算子，且描述的是圖像的局部紋理特征。LBP算子最開始是為了輔助圖像局部對(duì)比度，并不是一個(gè)完整的特征描述算子，后來(lái)提升為一種有效的紋理描述算子，度量和提取圖像局部的紋理信息，對(duì)光照具有不變性，是一種局部信息提取方法。

初始LBP算子定義在一個(gè)在3×3的矩形區(qū)域內(nèi)，如圖1所示，閾值是該區(qū)域中心像素的灰度值，依次把該中心像素周圍8個(gè)像素的灰度值與其進(jìn)行比較，若中心像素值小于等于周圍像素值，則該周圍像素點(diǎn)的位置被標(biāo)記為1，若中心像素值大于周圍像素值，則該周圍像素點(diǎn)的位置被標(biāo)記為0。按照這樣的方式，這個(gè)3×3領(lǐng)域內(nèi)的8個(gè)周圍像素按照一定的順序可以轉(zhuǎn)換為一個(gè)8位的二進(jìn)制無(wú)符號(hào)數(shù)，這個(gè)無(wú)符號(hào)數(shù)就是該區(qū)域的LBP值。

圖1 原始LBP算子計(jì)算示意圖

由于矩形區(qū)域不具有旋轉(zhuǎn)不變性且3×3的區(qū)域有一定的局限性，Ojala［14］等人提出多分辨率LBP算子方法，將LBP算子定義在一個(gè)半徑為R（R＞0）的圓形區(qū)域內(nèi)，有P（P＞0）個(gè)鄰域像素均勻分布在圓周上，如果周圍像素的灰度值沒(méi)有落在中心像素位置上，可以通過(guò)雙線性插值法計(jì)算得出。則定義在圓形區(qū)域的LBP算子的計(jì)算公式如下：

其中，gc是該區(qū)域中心像素的灰度值，gi是該中心像素周圍的第i個(gè)像素灰度值，P為采樣點(diǎn)數(shù)，R為該圓形區(qū)域半徑。圖2為幾種不同的LBP算子。

圖2 幾種LBP算子

1.2 旋轉(zhuǎn)不變性LBP算子

當(dāng)圖片在發(fā)生旋轉(zhuǎn)的時(shí)候，中心像素四周的周圍像素位置也會(huì)發(fā)生變化，則LBP算子的值也會(huì)發(fā)生變化（除非全為1或全為0）。同時(shí)，由上文可知，當(dāng)P的值越來(lái)越大的時(shí)候，LBP值的數(shù)目越來(lái)越多。比如，當(dāng)P＝5時(shí)，LBP值有25＝32個(gè)；當(dāng)P＝10時(shí)，LBP值有210＝1024個(gè)。Ojala等人在原始LBP算子的基礎(chǔ)上提出了具有旋轉(zhuǎn)不變性的LBP算子，通過(guò)不斷旋轉(zhuǎn)圓形鄰域得到一系列初始定義的值，取其最小值作為該鄰域的值［14-16］。計(jì)算公式定義為：

式中，ROR（x，i）是指二進(jìn)制數(shù)值x繞著圓形區(qū)域依次右移i位，其中二進(jìn)制數(shù)值x有P位。

1.3 旋轉(zhuǎn)不變的均衡LBP算子

由上可知，當(dāng)LBP值的數(shù)目變得龐大，采用包含LBP算子的統(tǒng)計(jì)直方圖來(lái)描述人臉圖像的時(shí)候，統(tǒng)計(jì)直方圖的圖像信息會(huì)過(guò)于分散，不能高效地描述圖像。因此考慮降低LBP值的種類，只通過(guò)保留較少種類的LBP值信息有效描述圖像。

在LBP算子的定義中，因?yàn)槭嵌M(jìn)制模式，所以只會(huì)包含0和1兩種值，那么只會(huì)出現(xiàn)兩種跳變，0到1或1到0。基于此，Ojala提出一種新的思想：如果一個(gè)局部二進(jìn)制模式的循環(huán)二進(jìn)制值跳變不超過(guò)2次時(shí)，稱其為L(zhǎng)BP算子的均衡模式（Uniform Pattern），如果跳變超過(guò)2次，定義為混合模式。比如，P＝6時(shí)，000000和111111有零次跳變，001100有兩次跳變，這3個(gè)值都是均勻模式；101001有四次跳變，是非均衡模式。均衡LBP算子的度量定義為U，滿足U≤2的模式叫做均衡模式，定義如下：

其中g(shù)P＝g0，表示旋轉(zhuǎn)不變的均衡LBP算子。U值越大，說(shuō)明圖像的結(jié)構(gòu)信息變化越大，越不均衡，跳變頻率越高；U越小，結(jié)構(gòu)越均衡，跳變頻率越低。

經(jīng)過(guò)上述的改進(jìn)，對(duì)于參數(shù) （P，R），原來(lái)的不同LBP二值模式的數(shù)量有2P種，現(xiàn)在減少到均衡模式有P＋1種，其余所有的非均衡模式算為1種，則共有P＋2種LBP二值模式。有效減弱了LBP值的種類，降低了LBP模式的維數(shù)，減少了噪聲的影響。

2 基于分塊加權(quán)LBP技術(shù)的人臉識(shí)別算法

2.1 分塊加權(quán)LBP算法特征提取

實(shí)驗(yàn)發(fā)現(xiàn)，人臉的五官局部差異較大，使用旋轉(zhuǎn)不變的均衡LBP算子的統(tǒng)計(jì)直方圖來(lái)表達(dá)人臉的特征信息必然會(huì)有部分信息丟失。尤其當(dāng)光照和人臉表情變化時(shí)，上述方法的識(shí)別率會(huì)顯著降低。針對(duì)這個(gè)問(wèn)題，提出分塊 LBP算法［17］。

分塊LBP算法，先把圖像劃分為不重疊的矩形區(qū)域，然后對(duì)得到的矩形分塊進(jìn)行特征分析，再將每個(gè)分塊圖像的直方圖按照規(guī)律排列構(gòu)成完整的直方圖，這個(gè)完整直方圖就是整個(gè)人臉圖像的統(tǒng)計(jì)直方圖，可以把它作為整個(gè)人臉的特征向量，如圖3所示，將人臉?lè)譃?×3的子分塊。這種改進(jìn)的方法能高效地提取人臉圖像的局部信息，提高光照和人臉表情變化時(shí)的識(shí)別效果［18-20］。

圖3 分塊LBP統(tǒng)計(jì)直方圖生成過(guò)程

由于人臉各部分的特征值在人臉識(shí)別技術(shù)中的貢獻(xiàn)值不同，尤其是五官所在區(qū)域，因此，為提高識(shí)別精度，需要對(duì)相應(yīng)部分進(jìn)行合理的權(quán)重分配。對(duì)于人臉識(shí)別貢獻(xiàn)程度最大的部分，如鼻子、嘴巴所在區(qū)域權(quán)重設(shè)為3，對(duì)于人臉識(shí)別貢獻(xiàn)程度較大的部分，如眼睛、眉毛所在區(qū)域權(quán)重設(shè)為2，對(duì)于人臉識(shí)別貢獻(xiàn)程度較小的區(qū)域權(quán)重設(shè)為1，如圖4所示。

圖4 人臉信息的子分塊權(quán)重

2.2 人臉特征匹配

常用的對(duì)比直方圖相似性的方法有以下三種：

（1）直方圖相交距離（Histogram intersection）：

（2）Chi（χ2）統(tǒng)計(jì)法（Chi square statistic）：

（3）對(duì)數(shù)似然統(tǒng)計(jì)法（Log－likelihood statistic）：

本文選用Chi（χ2）統(tǒng)計(jì)法對(duì)比不同直方圖之間的相似性，兩個(gè)樣本之間計(jì)算得到的χ2值越小，說(shuō)明兩個(gè)直方圖越相似。計(jì)算選定訓(xùn)練樣本的分塊加權(quán)LBP算法的統(tǒng)計(jì)直方圖χ2值，與計(jì)算的測(cè)試樣本的分塊加權(quán)LBP算法的統(tǒng)計(jì)直方圖χ2值進(jìn)行比較，通過(guò)最近鄰分類器進(jìn)行人臉識(shí)別。

3 實(shí)驗(yàn)與結(jié)論

3.1 實(shí)驗(yàn)仿真

本文中的PC實(shí)驗(yàn)環(huán)境為 Window7，實(shí)驗(yàn)平臺(tái)為MATLAB7.0。

為了驗(yàn)證本文中提出的改進(jìn)的LBP算法的性能，實(shí)驗(yàn)選取ORL和YALE人臉庫(kù)，并比較在傳統(tǒng)LBP算法、分塊LBP算法和加權(quán)分塊LBP算法三種不同算法下訓(xùn)練樣本數(shù)不同情況下的識(shí)別準(zhǔn)確率。

ORL人臉庫(kù)共有40人，每人10幅圖片，共包含400幅人臉圖片，圖片尺寸92×112，部分圖片包含發(fā)型、表情等信息特征。YALE人臉庫(kù)共有15個(gè)不同年齡、不同膚色的志愿者，每人11幅圖片，共包含165幅人臉圖片，圖片尺寸100×100，多數(shù)包含不同表情、不同姿態(tài)的信息特征。

實(shí)驗(yàn)步驟如下：

（1）預(yù)處理。對(duì)人臉圖像進(jìn)行高斯濾波和直方圖均衡化等一系列預(yù)處理。

（2）提取預(yù)處理后圖像的LBP直方圖特征，分別是傳統(tǒng)LBP方法、5×3分塊LBP方法、5×3分塊加權(quán)LBP方法。

（3）將直方圖融合成為識(shí)別特征。

（4）將訓(xùn)練圖像與測(cè)試圖像進(jìn)行人臉特征匹配。

（5）通過(guò)最近鄰分類器進(jìn)行人臉識(shí)別。

從ORL人臉庫(kù)和YALE人臉庫(kù)每個(gè)志愿者的人臉圖片中分別挑出1幅、3幅、5幅圖片作為訓(xùn)練樣本，剩下圖片作為測(cè)試樣本。

實(shí)驗(yàn)過(guò)程中發(fā)現(xiàn)，使用傳統(tǒng)LBP人臉識(shí)別技術(shù)存在相對(duì)較多誤識(shí)別情況，如圖5所示。但是，在使用5×3分塊加權(quán)LBP方法時(shí)，能正確進(jìn)行人臉識(shí)別，如圖6所示。但是，使用分塊加權(quán)LBP方法也存在個(gè)別誤識(shí)別情況，圖7為在ORL人臉庫(kù)中某個(gè)誤識(shí)別結(jié)果。初步判斷誤識(shí)別原因?yàn)樵摐y(cè)試圖像受光照影響較大，圖片亮度較低，為了驗(yàn)證這種猜測(cè)，對(duì)該照片進(jìn)行一系列光照補(bǔ)償處理，將光照補(bǔ)償?shù)玫降臏y(cè)試圖像再次進(jìn)行人臉識(shí)別可得到如圖8所示的實(shí)驗(yàn)結(jié)果，進(jìn)一步論證了猜測(cè)結(jié)論。

圖5 傳統(tǒng)LBP人臉識(shí)別方法誤識(shí)別結(jié)果

圖6 5×3分塊加權(quán)LBP方法的圖像人臉識(shí)別結(jié)果

圖7 ORL人臉庫(kù)中的誤識(shí)別結(jié)果

圖8 圖像進(jìn)行光照補(bǔ)償處理后的人臉識(shí)別結(jié)果

3.2 實(shí)驗(yàn)結(jié)論

在ORL數(shù)據(jù)庫(kù)中不同算法的識(shí)別率見表1，在YALE數(shù)據(jù)庫(kù)中不同算法的識(shí)別率見表2。

表1 ORL數(shù)據(jù)庫(kù)中不同算法的識(shí)別率

表2 YALE數(shù)據(jù)庫(kù)中不同算法的識(shí)別率

由表1和表2可得出以下結(jié)論：

（1）人臉識(shí)別實(shí)驗(yàn)中，訓(xùn)練的樣本數(shù)目越大，人臉識(shí)別的準(zhǔn)確率越高。

（2）圖像是否分塊能影響人臉識(shí)別準(zhǔn)確率，分塊LBP算法提取人臉信息特征的能力強(qiáng)于傳統(tǒng)LBP算法。

（3）根據(jù)人臉五官在人臉識(shí)別中的不同貢獻(xiàn)值給不同的子分塊加權(quán)明顯優(yōu)于傳統(tǒng)LBP算法和5×3分塊LBP算法。該方法在ORL人臉數(shù)據(jù)庫(kù)中識(shí)別率高達(dá)96.71%，在YALE人臉數(shù)據(jù)庫(kù)中識(shí)別率可達(dá)95.83%。

4 結(jié)束語(yǔ)

本文提出了一種基于分塊加權(quán)LBP技術(shù)的人臉識(shí)別算法。通過(guò)將人臉?lè)譃?×3子分塊，根據(jù)人臉五官在人臉識(shí)別中的不同貢獻(xiàn)度賦予不同的權(quán)重提取人臉信息特征。本文使用MATLAB軟件進(jìn)行仿真，通過(guò)在ORL和YALE兩種人臉數(shù)據(jù)庫(kù)中訓(xùn)練不同樣本數(shù)，比較傳統(tǒng)LBP方法、5×3分塊LBP方法和5×3分塊加權(quán)LBP方法的人臉識(shí)別準(zhǔn)確率。實(shí)驗(yàn)證明分塊加權(quán)LBP技術(shù)在人臉識(shí)別中可以有效提高識(shí)別準(zhǔn)確率。

參考文獻(xiàn)：

[1]LATA Y V.Impact of image resizing factor in face recognition system using PCA[J].Journal of Global Research in Computer Science,2011,2(4):161-166.

[2]ETENMAD K,CHELLAPPA R.Discriminant analysis for recognition of human face image[J].Journal of the Optical Society of America A,1997,14(8):1724-1733.

[3]LEE D D,SEUNG H S.Learning the parts of objects by non-negative matrix factorization[J].Nature,1999,401(6755):788-791.

[4]OJALA T,PIETIKAINEN M,HARWOOD D.A comparative study of texture measures with classification based on feature distributions[J].Pattern Recognition,1996,29(1):51-59.

[5]PENEV PS,ATICK JJ.Local feature analysis:a general statistical theory for object representation[J].Network Computation in Neural Systems,1996,7(3):477-500.

[6]DAUGMAN JG.Uncertainty relation for resolution in space,spatial frequency,and orientation optimized by two-dimensional visual cortical filters[J].Journal of the Optical Society of America A,1985,2(7):1160-1169.

[7]AHONEN T,HADID A,PIETIKAINEN M.Face description with local binary patterns:application to face recognition[J].IEEE Transactions on Pattern Analysis And Machine Intelligence,2006,28(12):2037-2041.

[8]張?chǎng)?王文偉.基于局部二值模式和深度學(xué)習(xí)的人臉識(shí)別[J].計(jì)算機(jī)應(yīng)用,2015,35(5):1474-1478.

[9]牛連強(qiáng),趙子天,張勝男.基于Gabor特征融合與LBP直方圖的人臉表情特征提取方法[J].沈陽(yáng)工業(yè)大學(xué)學(xué)報(bào),2016,38(1):63-68.

[10]楊海燕,劉國(guó)棟.基于MB-LBP算子和 Multilinear PCA算法的人臉識(shí)別[J].計(jì)算機(jī)應(yīng)用研究,2012,29(12):4733-4735.

[11]周汐,曹林.分塊LBP的素描人臉識(shí)別[J].中國(guó)圖象圖形學(xué)報(bào),2015,20(1):50-58.

[12]李春利,沈魯娟.基于改進(jìn)LBP算子的紋理圖像分類方法[J].計(jì)算機(jī)工程與設(shè)計(jì),2016,37(1):232-236.

[13]OJALA T,PIETIKAINEN M,MAENPAA T.Multiresolution gray scale and rotation invariant texture classification with local binary patterns[J].IEEE Trans on Pattern Analysis and Machine Intelligence,2002,24(7):971-987.

[14]劉麗,謝毓湘,魏迎梅,等.局部二進(jìn)制模式方法綜述[J].中國(guó)圖象圖形學(xué)報(bào),2014,19(12):1696-1720.

[15]郭婷婷,范鐵生.基于改進(jìn)型局部二值模式的人臉識(shí)別方法研究[J].數(shù)字技術(shù)與應(yīng)用,2013(12):71-72.

[16]郭賀飛,陸建峰,董忠汶.一種基于改進(jìn)LBP特征的人臉識(shí)別[J].現(xiàn)代電子技術(shù),2015,38(4):98-101,105.

[17]GOTTUMUKKAL R,VASARI V K.An improved face recognition technique based on modular PCA approach[J].Pattern Recognition Letters,2004,25:429-436.

[18]張茹,薛凱,李瑋暉,等.基于分塊技術(shù)的改進(jìn) LPB人臉識(shí)別算法的研究[J].電腦知識(shí)與技術(shù),2016,12(11):173-176.

[19]袁寶華,王歡,任明武.基于完整LBP特征的人臉識(shí)別[J].計(jì)算機(jī)應(yīng)用研究,2012,29(4):1557-1559.

[20]李旭.基于分塊加權(quán)局部二值模式的新生兒疼痛表情識(shí)別[D].南京:南京郵電大學(xué),2014.