基于Gabor小波和LBPH的實(shí)時(shí)人臉識(shí)別系統(tǒng)

張 偉，程 剛，何 剛，閻 石

(1.蘭州大學(xué) 信息科學(xué)與工程學(xué)院，甘肅 蘭州 730000；2.蘭州大學(xué) 網(wǎng)絡(luò)安全與信息化辦公室，甘肅 蘭州 730000)

0 引 言

人臉識(shí)別是指采用機(jī)器對(duì)人臉圖像進(jìn)行分析處理，提取有效的人臉信息，達(dá)到身份識(shí)別的目的[1]。該技術(shù)在視頻監(jiān)控、信息安全、身份認(rèn)證等方面已有廣泛的應(yīng)用[2]。

近年來(lái)，基于全局特征提取的子空間方法和局部二值方法取得了巨大的成功。Turk和Pentland提出的PCA(principal component analysis)[3-4]算法，為人臉識(shí)別奠定了基礎(chǔ)。LBP(local binary patterns)算法的適用面非常廣泛，而且得到了更深層次的發(fā)展，比如在掌紋識(shí)別和雙耳區(qū)域識(shí)別等方面[5-6]。然而，這些方法在光照、表情、姿態(tài)等干擾情況下尚未得到良好的解決方案。

傳統(tǒng)人臉識(shí)別算法在嵌入式平臺(tái)人臉識(shí)別率偏低且添加陌生人臉效率欠佳，不能滿足實(shí)際應(yīng)用的基本需求。

因此，文中提出基于Gabor小波和LBPH方法構(gòu)建實(shí)時(shí)動(dòng)態(tài)人臉識(shí)別系統(tǒng)。首先利用Gabor小波提取多方向、多尺度的局部圖像特征，然后將這些特征串聯(lián)到人臉空間，并應(yīng)用LBP算子對(duì)人臉空間編碼，最后進(jìn)行LBP直方圖統(tǒng)計(jì)，以獲取最終人臉識(shí)別特征。為了實(shí)現(xiàn)人臉數(shù)據(jù)的動(dòng)態(tài)管理，將人臉庫(kù)和MySQL數(shù)據(jù)庫(kù)結(jié)合起來(lái)完成系統(tǒng)開(kāi)發(fā)，并通過(guò)實(shí)驗(yàn)驗(yàn)證。

1 Gabor小波簡(jiǎn)介

二維Gabor小波能夠在時(shí)域和頻域同時(shí)達(dá)到對(duì)信號(hào)分析分辨率的要求，具有提取圖像局部信息的能力。此外，由于Gabor小波對(duì)光照和圖像的變形有較好的魯棒性，所以在圖像處理中應(yīng)用廣泛。二維Gabor小波的表達(dá)式為[7]：

(1)

2 人臉圖像的Gabor特征提取

研究發(fā)現(xiàn)，Gabor小波在頻率和方向上對(duì)圖像的表示特性與人類(lèi)視覺(jué)系統(tǒng)的有關(guān)性很相似。因此，Gabor小波適宜于圖像紋理的表示和判斷，能更好地提取人臉特性[9]。將人臉灰度圖像記為I，與二維的Gabor核函數(shù)做卷積運(yùn)算，得到人臉圖像的Gabor特征表示為：

wk(z)=I(z)*φ(k,z)

(2)

其中，*表示卷積；wk(z)為Gabor小波人臉，可以表示為wk(z)=Akeiφk，Ak和φk分別是wk(z)的幅值和相位。文中提取wk(z)幅值特征Ak(5個(gè)尺度，8個(gè)方向)，并將調(diào)整為32×32，得到40 960個(gè)浮點(diǎn)特征向量。

3 LBPH特征提取及人臉識(shí)別

目前傳統(tǒng)的識(shí)別方法與Gabor結(jié)合，將每個(gè)Gabor特征圖像看作一個(gè)獨(dú)立圖像，這樣做的后果是識(shí)別太耗時(shí)且識(shí)別率不理想[10]。文中Gabor小波提取的幅值特征圖像共有40個(gè)，將這40幅圖像串聯(lián)到人臉特征空間形成一幅圖像。然后，在人臉特征空間，以每個(gè)像素點(diǎn)gc為中心，使用半徑R=1,數(shù)量P=8的圓形LBP采樣,判斷采樣點(diǎn)gp與中心像素點(diǎn)gc的差值，再編碼人臉特征空間。p由二值線性差值獲得，其與gc的差值由式3獲得。因此，式3十進(jìn)制轉(zhuǎn)換得到LBP編碼值，即式4[11]：

(3)

(4)

最后，將人臉特征空間分為64個(gè)子空間，每個(gè)子空間的浮點(diǎn)特征向量值為20。設(shè)人臉特征子空間為fz(x,y),z∈{0,1,…,63}，直方圖為Hμ,v，μ∈{0,1,…,7},ν∈{0,1,…,7}。每個(gè)特征向量的LPBH直方圖值為：

hi=∑I{fz(x,y)=i},i=0,1,…,255

(5)

3.1 人臉特征匹配

人臉的分類(lèi)識(shí)別是通過(guò)匹配LBPH直方圖序列的相似度來(lái)完成的。文中選用最近分類(lèi)器對(duì)LBPH提取的人臉特征進(jìn)行分類(lèi)，用LBPH特征相似度方差描述兩個(gè)樣本之間的相似程度，方差越小，說(shuō)明兩個(gè)樣本越相似。給定訓(xùn)練樣本集Ti中的樣本x與測(cè)試樣本集Te中的樣本y，其中LBPH特征分類(lèi)分別為Hi和Hy且二者的相似度定義如下：

(6)

其中，a為特征向量的長(zhǎng)度；d2為相似度方差。d取值越小，則兩個(gè)人臉樣本越相似。

按照式6計(jì)算測(cè)試樣本LBPH特征和訓(xùn)練樣本LBPH特征之間的相似度方差之后，測(cè)試樣本應(yīng)歸為對(duì)應(yīng)方差值最小的那一類(lèi)當(dāng)中。

3.2 基于Gabor和LBPH算法及人臉識(shí)別過(guò)程

該系統(tǒng)使用的人臉?lè)诸?lèi)器是由Viola和Jones提出的基于機(jī)器學(xué)習(xí)的人臉檢測(cè)算法，其可以分為三部分:使用Harr-like特征表示人臉，利用Adaboost算法構(gòu)造人臉檢測(cè)強(qiáng)分類(lèi)器，將訓(xùn)練得到的若干強(qiáng)分類(lèi)器串聯(lián)組成一個(gè)級(jí)聯(lián)結(jié)構(gòu)的層疊分類(lèi)器檢測(cè)人臉[13]。系統(tǒng)先加載訓(xùn)練好的人臉庫(kù)，再讀取攝像頭并截取人臉圖像。將人臉圖像做直方圖均衡化的預(yù)處理，然后使用所提算法進(jìn)行識(shí)別。若識(shí)別成功則等待下次識(shí)別，若不成功將人臉加載到人臉庫(kù)中訓(xùn)練。整個(gè)算法及識(shí)別過(guò)程如圖1所示。

4 仿真結(jié)果

在ORL數(shù)據(jù)庫(kù)里，隨機(jī)選取每個(gè)人一幅、三幅、五幅、七幅圖像作為訓(xùn)練集，再選取另外40幅圖像作為測(cè)試集，經(jīng)過(guò)多次測(cè)試，得出最佳人臉識(shí)別率。仿真結(jié)果如表1所示。

圖1 基于Gabor和LBPH算法及人臉識(shí)別過(guò)程

%

在FERET人臉庫(kù)，所使用的人臉圖像包含200個(gè)人，每個(gè)人7幅圖像共1 400幅正面人臉圖像。在FERET人臉庫(kù)中選取一幅、二幅、三幅、五幅圖像作為訓(xùn)練樣本，其余作為測(cè)試樣本。表2為仿真測(cè)試數(shù)據(jù)。

表2 各方法在FERET人臉庫(kù)的最佳識(shí)別率 %

在YALE人臉庫(kù)，所使用的人臉圖像包含15個(gè)人，每個(gè)人11幅圖像共165幅正面人臉圖。選取YALE人臉庫(kù)中的一幅、三幅、五幅、七幅圖像作為訓(xùn)練樣本，其余作為測(cè)試樣本。表3為仿真測(cè)試數(shù)據(jù)。

表3 各方法在YALE人臉庫(kù)的最佳識(shí)別率 %

從對(duì)比各算法來(lái)看，采用文中算法具有更高的識(shí)別率，魯棒性更好，更適合實(shí)際應(yīng)用。

5 嵌入式平臺(tái)實(shí)現(xiàn)

選用Exynos 4412芯片的嵌入式平臺(tái)，CPU為32 nm制程，四核1.4 GHz主頻。該平臺(tái)配備1GB DDR3，4 GB固態(tài)硬盤(pán)EMMC存儲(chǔ)，三星S5M8767電源管理芯片和USB接口，具有低功耗，高性能等特點(diǎn)。系統(tǒng)將嵌入式QT作為操作系統(tǒng)。選取Exynos 4412作為嵌入式平臺(tái)開(kāi)發(fā)人臉識(shí)別系統(tǒng)時(shí)，視頻采集部分采用Linux下V4L2接口。攝像頭每秒可以采樣2幅圖像，設(shè)備文件在根文件系統(tǒng)/dev目錄下的Video4中。視頻處理部分采用OPENCV視覺(jué)庫(kù)實(shí)現(xiàn)算法。移植MySQL數(shù)據(jù)庫(kù)處理人臉信息等數(shù)據(jù)。

系統(tǒng)選取了實(shí)驗(yàn)室12個(gè)人的人臉，每人兩幅，其中1幅作為訓(xùn)練集人臉圖像，另一幅用于測(cè)試。表4為實(shí)驗(yàn)測(cè)試數(shù)據(jù)。

表4 各方法在自建人臉庫(kù)的最佳識(shí)別率

另外，筆者測(cè)試了將Gabor小波的幅特征看作獨(dú)立樣本，再運(yùn)用LBPH提取人臉特征，識(shí)別時(shí)間為887.48 ms，實(shí)時(shí)性較差。實(shí)驗(yàn)結(jié)果表明，該系統(tǒng)不僅識(shí)別時(shí)間減少，而且人臉識(shí)別率較高。

傳統(tǒng)嵌入式平臺(tái)人為添加人臉耗時(shí)較長(zhǎng)，不利于嵌入式實(shí)時(shí)地識(shí)別人臉，給用戶帶來(lái)不便[14]。該系統(tǒng)會(huì)尋求用戶編輯人臉信息，可將陌生人臉加入到人臉庫(kù)并自動(dòng)進(jìn)行人臉信息編號(hào)。人臉庫(kù)每次增加一個(gè)人就在MySQL數(shù)據(jù)庫(kù)里增加一行記錄，每一行有唯一的編號(hào)對(duì)應(yīng)人臉庫(kù)中的人員信息。該系統(tǒng)先從攝像頭采集人臉并對(duì)其采集人臉圖像做預(yù)處理，然后進(jìn)行識(shí)別。若識(shí)別成功，則顯示人員信息和編號(hào)。若識(shí)別失敗，用戶可以輸入人臉信息，存儲(chǔ)于MySQL和人臉庫(kù)中，從而重新訓(xùn)練人臉庫(kù)。實(shí)時(shí)人臉識(shí)別過(guò)程如圖2所示。

(1)識(shí)別失敗

(2)識(shí)別成功

6 結(jié)束語(yǔ)

提出一種Gabor和LBPH結(jié)合的實(shí)時(shí)人臉識(shí)別算法，識(shí)別率高，相應(yīng)系統(tǒng)具有在線管理方式，節(jié)省了人工成本。在Exynos 4412嵌入式平臺(tái)所開(kāi)發(fā)的實(shí)時(shí)臉識(shí)別系統(tǒng)，充分利用了硬件系統(tǒng)的性能。搭建的小型化人臉識(shí)別系統(tǒng)為人工智能、物聯(lián)網(wǎng)、考勤系統(tǒng)等提供了一種解決方案，有望推廣到各類(lèi)身份識(shí)別的應(yīng)用場(chǎng)景。