基于局部二值模式及馬爾科夫穩(wěn)態(tài)特征的人臉識別

吳學(xué)謙，李菲菲，顏 艷，陳 虬

(上海理工大學(xué) 光電信息與計算機工程學(xué)院，上海 200093)

近二十年來，人臉識別技術(shù)越來越受到社會關(guān)注[1-2]，由此越來越多的人臉識別算法[3-6]被提出。因為局部二值模式(LBP)計算簡單、并且特征分類能力強的特點，而被眾多研究者廣泛應(yīng)用到人臉識別中[7-9]。但是正如文獻(xiàn)[10]中所闡述的，傳統(tǒng)LBP直方圖分析方法無法提取出圖像空間結(jié)構(gòu)位置信息特征。因此為了添加此信息，提高識別率，本文采用文獻(xiàn)[10]提出的馬爾科夫穩(wěn)定特征的方法，將馬爾科夫鏈模型與LBP直方圖結(jié)合起來。并且同時為了得到人臉圖像中更多的有效特征，本文采用將人臉分塊(Block Division)的方法[11]，將得到的LBP-MSF特征進(jìn)行分塊統(tǒng)計，并最后將分塊的直方圖連接起來作為這張人臉圖像的鑒別特征，稱為BLBP-MSF特征。

1 人臉BLBP-MSF特征提取

1.1 LBP算法

局部二值模式是一種用來描述圖像局部紋理特征的算子[12]?；驹頌椋憾xO的坐標(biāo)點為(xi,yi)，以它為中心定義一個(P，R)的領(lǐng)域，其中P表示領(lǐng)域內(nèi)所包含的采樣像素點的個數(shù)，R表示領(lǐng)域半徑的大小。它的領(lǐng)域點為：IP(P=0,1,2,…,i,…,P-1)，領(lǐng)域點的坐標(biāo)由線性內(nèi)插得到

(1)

則得到I點唯一的LBP模式為

(2)

其中，LBPP.R為LBP算子，LBPP.R(xi,yi) 表示I為中心點，以(P，R)為領(lǐng)域的LBP模式，s(x)定義為

(3)

經(jīng)過LBP(8,1)(P=8，R=1由本文定義)算子得到LBP模式如圖1所示。

圖1 二值化處理過程

則可得到中心點O的LBP模式為：LBP(8.1)=(00010011)2=19。顯然，只要各像素的位置保持不變，LBP模式也是不變的。因此，LBP算子對于任何單調(diào)的灰度變化具有較好的魯棒性。在人臉識別中通常采用統(tǒng)計LBP直方圖的方式來表達(dá)圖像局部信息，在實驗過程中，經(jīng)過閾值計算后的無符號二進(jìn)制數(shù)選取的初始位和方向不同對應(yīng)的LBPP.R會產(chǎn)生2P種模式。很明顯，隨著領(lǐng)域取樣點個數(shù)的增加，二值模式的種類也是急劇增加的，這會導(dǎo)致直方圖維度過大而且較稀疏。為了提高統(tǒng)計性，本文使用經(jīng)過改進(jìn)的“統(tǒng)一模式”(Uniform Pattern)下的LBP算子。這樣改進(jìn)后二值模式的種類大幅減少，對于8個采樣點來說，二值模式由原來的256種減少為59種。

1.2 馬爾科夫穩(wěn)定特征(MSF)

如文獻(xiàn)[10]中所述，MSF不僅能夠處理三類直方圖的區(qū)分問題，還可以解決直方圖的局限性問題。因此本文用MSF來擴展人臉圖像的空間結(jié)構(gòu)信息的LBP直方圖特征，從而可以有效提取出人臉圖像的空間結(jié)構(gòu)位置信息,提高識別率。以下詳細(xì)介紹馬爾科夫穩(wěn)定特征[10，13-14]。

在一定約束條件下，從圖像中提取的不同像素值可以得到空間共生矩陣。對于圖像I滿足一定空間關(guān)系的空間共生矩陣可表示

cij=#(p1=ci,p2=cj||p1-p2|=d/2)

(4)

其中，d是兩個像素之間的曼哈頓距離。通過空間共生矩陣可以計算得到轉(zhuǎn)移概率矩陣

(5)

轉(zhuǎn)移概率矩陣具有以下性質(zhì)：矩陣各元素用概率表示，具有非負(fù)性，并且各行元素之和等于1，在一定條件下可以相互轉(zhuǎn)移。并且滿足條件

π(n+1)=π(n)P,π(n)=π(0)Pn,pm+n=pmpn

(6)

其中π(n)是穩(wěn)態(tài)分布經(jīng)過n步計算得到的。由于不能保證所有人臉圖像的初始分布都相同，也不能保證所有人臉圖像的馬爾科夫鏈模型是一個嚴(yán)格穩(wěn)定的馬爾科夫過程，因此初始概率分布π(0)可以由每張人臉圖像自身轉(zhuǎn)移矩陣轉(zhuǎn)化得到

(7)

用曼哈頓距離作為量化匹配準(zhǔn)則，并結(jié)合初始概率分布π(0)和穩(wěn)態(tài)概率分布π，就可以得到這張人臉圖像的馬爾科夫穩(wěn)態(tài)分布特征

(8)

曼哈頓距離即為兩個特征向量A和B之間的距離

(9)

2 BLBP-MSF人臉識別算法

雖然LBP具有灰度不變性和極強的局部描述特性，并且其直方圖序列可以很好地描述圖像的紋理特性，但是傳統(tǒng)直方圖在描述圖像的空間結(jié)構(gòu)信息方面存在欠缺與不足。為了提取包含空間結(jié)構(gòu)信息的直方圖特征，本文采用上文介紹的馬爾科夫穩(wěn)定特征(MSF)來擴展LBP直方圖，從而得到LBP-MSF特征。同時由圖2(a)可以看出人臉圖像的LBP特征臉譜中眼睛、鼻子等輪廓較為突出，并且面部自上而下由眉毛、眼睛、鼻子和嘴巴4大器官組成了人臉特征，這些器官的位置，大小的變化形成了人們臉上不同的表情特征。每個器官的位置分布相對比較固定，而人的表情發(fā)生變化時，并不是每個區(qū)域都攜帶這有效特征。因此，為了使LBP-MSF算子能夠體現(xiàn)人臉整體結(jié)構(gòu)信息，本文在LBP-MSF基礎(chǔ)上引入分塊(Block Division)統(tǒng)計LBP-MSF特征的算法，本文將它命名為BLBP-MSF算法。具體來說該算法的實現(xiàn)主要分為3個步驟，首先將人臉圖像(146×200)按照合適的尺寸(146×60,146×40,146×35,146×35,146×30)分為額頭、眼睛、鼻子，嘴巴和下巴5個人臉圖像塊(如圖2(b)所示)，然后按照流程圖的步驟分別計算出每個人臉圖像塊的LBP-MSF特征。最后將5個人臉圖像塊的LBP-MSF特征連接在一起可以得到最終的包含人臉整體結(jié)構(gòu)信息的人臉鑒別特征(BLBP-MSF特征)。將該特征用于人臉識別，可以得到改進(jìn)的人臉識別效果。

圖2 處理的人臉圖像

具體來說，整個人臉識別的實現(xiàn)過程如圖3所示。首先，將人臉圖像進(jìn)行簡單的預(yù)處理，然后對人臉圖像進(jìn)行分塊處理。接著采用二維低通濾波器對分塊的人臉圖像進(jìn)行濾波，這樣可以降低人臉圖像的高頻噪聲，提取出最有效的低頻分量用于識別。通過式(4)可以計算得到共生矩陣，而馬爾科夫轉(zhuǎn)移概率矩陣可以由式(5)計算得到。將初始分布π(0)和穩(wěn)態(tài)分布π連接在一起可以得到最終的LBP-MSF特征。通過以上步驟，可以生成各個人臉圖像塊的LBP-MSF特征。將各個人臉圖像塊的LBP-MSF特征連接在一起可以得到最終用于人臉識別的BLBP-MSF特征。最后，在登記注冊過程中，BLBP-MSF特征被作為人臉圖像信息保存在數(shù)據(jù)庫中。而在識別過程中，通過將未知人臉圖像的BLBP-MSF特征與登記數(shù)據(jù)庫中的人臉特征進(jìn)行匹配，可以得到最終的人臉識別結(jié)果。

圖3 BLBP-MSF算法流程圖

3 實驗結(jié)果及分析

3.1 數(shù)據(jù)庫使用介紹

為了驗證本文算法的性能，本文使用FERET人臉庫[15]對該算法進(jìn)行了測試和比較，F(xiàn)ERET人臉圖像庫是美國國防部發(fā)起的FERET工程建立的標(biāo)準(zhǔn)人臉庫，共包括來自1 199人的14 051幅分辨率為512 pixel×768 pixel的彩色人臉圖像，每個人的圖像包含表情、姿態(tài)、光照和拍攝時間等方面的差異。本文選擇FERET人臉庫中的FB測試集，將所有人臉圖像根據(jù)眼睛坐標(biāo)進(jìn)行剪切縮放到大小為146 pixel×200 pixel，并且處理為灰度圖像進(jìn)行試驗。圖4為經(jīng)過處理后的人臉圖像示例。

圖4 FERET圖像庫人臉圖像示例

3.2 實驗結(jié)果及分析

本文在國際通用的人臉識別圖像庫FERET人臉庫上，先后采用LBP算法，BLBP算法，LBP-MSF算法，BLBP-MSF算法進(jìn)行人臉識別實驗。對以上4種算法的識別率進(jìn)行比較，其中實驗中采用均值濾波器，尺寸大小分別為1×1,3×3,…,25×25，結(jié)果如圖5所示。在相同實驗環(huán)境下，當(dāng)濾波器尺寸由1×1改變?yōu)?×3時，4種算法的識別率明顯大幅上升，而進(jìn)一步擴大濾波器尺寸時，4種算法識別率的變化并不顯著，當(dāng)濾波器尺寸擴大到7×7時基本飽和。

由圖5可以看出，在未使用人臉圖像分塊方法之前，傳統(tǒng)LBP算法識別率只能達(dá)到79%，并且LBP-MSF算法并沒有LBP算法識別效果好。通過分析，因為在提取到人臉圖像的空間結(jié)構(gòu)信息的同時也帶來了大量人臉圖像的冗余信息，所以導(dǎo)致識別率降低。而將人臉圖像優(yōu)化分成五塊分別進(jìn)行處理后，BLBP算法識別率明顯提高，可以達(dá)到93.6%。因為分塊方法能有效的將人臉重要特征區(qū)域分開，并去除了其他非特征區(qū)域等干擾信息。同時在BLBP算法基礎(chǔ)上結(jié)合馬爾科夫穩(wěn)定特征，可以進(jìn)一步提取出人臉圖像的空間位置信息。通過使用本文提出的算法(即BLBP-MSF算法)識別率能提高到96%(此時濾波器尺寸為7×7)。

顯然，本文提出的算法能夠提高LBP直方圖特征的識別率，MSF能夠增加圖像的空間位置信息，而圖像分塊方法可以增強整體結(jié)構(gòu)信息。通過實驗驗證，本文算法具有更有效的識別性能。

圖5 各種算法實驗結(jié)果比較

4 結(jié)束語

本文提出一種基于分塊的LBP-MSF特征的識別算法，稱為BLBP-MSF人臉識別算法。該算法在LBP直方圖特征基礎(chǔ)上結(jié)合了馬爾科夫穩(wěn)定特征，可以有效提取人臉圖像的空間結(jié)構(gòu)位置信息，然后采用LBP-MSF算法對分塊的人臉圖像進(jìn)行直方圖統(tǒng)計。最后將每塊區(qū)域的LBP-MSF特征直方圖連接成為整幅人臉圖像的特征進(jìn)行登記注冊，并作為人臉的特征向量通過曼哈頓距離公式進(jìn)行匹配識別。該算法在FERET人臉庫的實驗結(jié)果表明，與其他算法相比，具有更高的識別率。