基于改進(jìn)的LBP面部識(shí)別智能算法的研究

姚靜姝

（山西大同大學(xué) 山西省大同市 037009）

在我國(guó)的現(xiàn)今發(fā)展中，許多時(shí)候都避免不了人的身份驗(yàn)證，面部識(shí)別技自開發(fā)以來便受到了各個(gè)領(lǐng)域的重視，他是一個(gè)具有多個(gè)學(xué)科相互融合的計(jì)算機(jī)應(yīng)用技術(shù)其所涉及到的范圍面也十分廣泛，有巨大的應(yīng)用市場(chǎng)。通過改進(jìn)的LBP 面部識(shí)別智能算法來進(jìn)一步增加面部識(shí)別系統(tǒng)的穩(wěn)定性，擴(kuò)大其應(yīng)用市場(chǎng)，也進(jìn)一步滿足現(xiàn)今社會(huì)發(fā)展的需求，以此來推動(dòng)計(jì)算機(jī)領(lǐng)域的深度發(fā)展。本文首先簡(jiǎn)要的介紹了人臉識(shí)別系統(tǒng)框架并解釋了人臉識(shí)別系統(tǒng)現(xiàn)今所面臨的挑戰(zhàn)，只好詳細(xì)的介紹了改進(jìn)的LBP 面部識(shí)別智能算法，主要是通過辨別能力與噪聲干擾能力，來進(jìn)一步提高圖像檢索的精準(zhǔn)性。

1 人臉識(shí)別系統(tǒng)的框架及其現(xiàn)今所面臨的挑戰(zhàn)

人臉識(shí)別系統(tǒng)包括了對(duì)人臉的檢測(cè)以及人臉的識(shí)別兩個(gè)部分，其中對(duì)于人臉識(shí)別技術(shù)也應(yīng)用到了LBP 面部識(shí)別智能算法，隨著人臉識(shí)別技術(shù)的不斷成熟LBP 面部識(shí)別智能算法也進(jìn)行了相應(yīng)的改進(jìn)。首先從人臉識(shí)別系統(tǒng)的整體框架來看，人臉檢測(cè)是人臉識(shí)別的一個(gè)具體步驟，想要進(jìn)行人臉識(shí)別，首先從人臉檢測(cè)開始，從人臉圖像中將人臉區(qū)域裁剪出來，進(jìn)行歸一化的處理。其中整體系統(tǒng)主要包括人臉的檢測(cè)，圖像歸一化，表征分類識(shí)別以及還有人臉表情的分析。改進(jìn)的LBP 算法主要是通過升級(jí)的一種自適應(yīng)一直應(yīng)用在人類面部識(shí)別算法之中，并通過對(duì)各個(gè)圖像子區(qū)域的LBP 進(jìn)行相應(yīng)提取特定的紋理特征，緊接著通過信息上來對(duì)特征層已分解的直方圖進(jìn)行相應(yīng)的加權(quán)。在feret 人類數(shù)據(jù)庫(kù)中進(jìn)行相應(yīng)的實(shí)驗(yàn)證明，確保人臉識(shí)別的準(zhǔn)確有效性。

人臉識(shí)別技術(shù)在先進(jìn)的發(fā)展中有了極大的應(yīng)用價(jià)值與研究意義。但是由于人臉識(shí)別技術(shù)的應(yīng)用環(huán)境的可控性較低，有時(shí)候由于識(shí)別人物的不配合，導(dǎo)致了人臉識(shí)別技術(shù)的使用以及性能受到了很大的影響。在現(xiàn)今人臉識(shí)別技術(shù)中由于魯棒性他人練構(gòu)建模型以及精準(zhǔn)的特征匹配需要被監(jiān)測(cè)對(duì)象的各種圖像采集條件變化魯邦的核心算法識(shí)別來完成，但是由于光照變化的原因，在室外的影響尤為明顯，其實(shí)還有姿態(tài)，表情年齡以及臉上的遮擋性飾品相應(yīng)的問題，很容易導(dǎo)致面部檢測(cè)出現(xiàn)問題，尤其是這些問題同時(shí)發(fā)生時(shí)將會(huì)很大程度的為面部的檢測(cè)識(shí)別工作增添了難度。此外，由于人臉的表情較為豐富，且人臉成像的背景較為復(fù)雜再結(jié)合外部光照角度等一系列細(xì)小的問題，都為人臉識(shí)別技術(shù)帶來了巨大的阻礙。

2 改進(jìn)的LBP面部識(shí)別智能算法

本文中改進(jìn)的LBP 面部識(shí)別智能算法是通過自適應(yīng)閾值的LBP 算法來進(jìn)行實(shí)現(xiàn)的，在這一過程中相對(duì)于傳統(tǒng)的LBP 算法，它是通過在各個(gè)區(qū)域中適應(yīng)的圖像他LBP 值來降低以往算法的繁瑣復(fù)雜性，以此來進(jìn)一步提高圖像局部特征采取的精準(zhǔn)度。針對(duì)于傳統(tǒng)的LBP 算法來說，它具有良好的穩(wěn)定識(shí)別性，但在傳統(tǒng)的LBP 算法中只是籠統(tǒng)的對(duì)圖像的紋理特征進(jìn)行相應(yīng)的采取工作，在這一過程中也啊，導(dǎo)致了許多重要紋理圖像的缺失性。但在真實(shí)的圖像中，每一跨子區(qū)域中所含有的紋理細(xì)節(jié)是不大相同的，LBP 算法也應(yīng)該根據(jù)每一個(gè)不同的區(qū)域細(xì)節(jié)的復(fù)雜程度來進(jìn)行不同程度的權(quán)重賦予。這樣的頭像反映紋理才能確保后期特征提取可以反映用信息，也很大程度上降低了數(shù)據(jù)的占有量，并且確保關(guān)鍵特征得以保留。可以通過對(duì)人類區(qū)域進(jìn)行區(qū)域內(nèi)的定位，像是眉毛，眼角，嘴角，鼻翼等，有效的定位可以確保圖像中美一塊子區(qū)域特征的精準(zhǔn)性，完成預(yù)處理后對(duì)于之后的提取工作也奠定了相應(yīng)的基礎(chǔ)。

2.1 LBP面部識(shí)別智能算法中自選適應(yīng)閾值

在人臉識(shí)別的技術(shù)整體流程過程中面部特征的提取是一個(gè)非?；厩耶惓Ｖ匾牧鞒?。如何可以快速有效的提取出正確且具有魯棒性的特征特點(diǎn)，是改進(jìn)LBP 面部識(shí)別智能算法中非常重視的一個(gè)問題，因此不得不重視對(duì)面部區(qū)域適應(yīng)閾值的選取，通過對(duì)面部圖像進(jìn)行科學(xué)的次區(qū)域劃分之后，將各個(gè)區(qū)域的LBP 統(tǒng)計(jì)直方圖進(jìn)行有效的提取。在改進(jìn)的LBP 面部識(shí)別智能算法中，對(duì)于傳統(tǒng)LBP 算法所存在的優(yōu)勢(shì)進(jìn)行了保存，閾值根據(jù)所呈現(xiàn)圖像的具體情況進(jìn)行相應(yīng)的適應(yīng)選區(qū)，將不同紋理風(fēng)格的子區(qū)域進(jìn)行區(qū)別對(duì)待，通過分別對(duì)待其他差異性來進(jìn)一步提高識(shí)別的精準(zhǔn)度。再進(jìn)行中心點(diǎn)像素周圍區(qū)域均值的計(jì)算時(shí)，可以將閾值取值調(diào)成均值的m%。接著在在具體實(shí)驗(yàn)中來確定m 的具體取值。最終取值必須要通過后續(xù)的細(xì)節(jié)實(shí)驗(yàn)來進(jìn)行確立。確立最終其實(shí)可以通過ATLBP 特征實(shí)驗(yàn)中對(duì)不同值算法的考驗(yàn)情況，觀察m 取值時(shí)算法的變化波動(dòng)情況，接著在后續(xù)實(shí)驗(yàn)中來選取識(shí)別波動(dòng)較小平穩(wěn)的作為自適應(yīng)閾值的最優(yōu)選擇。

2.2 特征層信息熵加權(quán)融合

在1948年的時(shí)候信息熵每一位美國(guó)學(xué)者提出并在信息熵加權(quán)中展開了應(yīng)用，通過信息熵可以獲取圖像中所能出現(xiàn)的各類信息，并分析各個(gè)圖像中不同的特征層來滿足各種不同信息熵的表述，在這之中圖片中所呈現(xiàn)的紋理細(xì)節(jié)的豐富程度和信息熵之間有明顯的正比例關(guān)系，因此我們可以通過信息熵將化分的每一個(gè)小區(qū)中所反映的圖片特征紋理值進(jìn)行量化，以此這樣便形成了特征層信息熵權(quán)重。在進(jìn)行多層特征的融合過程中，需要通過各個(gè)子區(qū)域圖像的特征貢獻(xiàn)度來進(jìn)行信息熵的計(jì)算，從而可以更加準(zhǔn)確有效的確定每一個(gè)子區(qū)域的權(quán)值，通過進(jìn)行相應(yīng)的計(jì)算，假設(shè)出第級(jí)像素點(diǎn)所出現(xiàn)的頻率，根據(jù)以往的有效數(shù)據(jù)可以看出，在子區(qū)域中如果信息熵大同時(shí)也將會(huì)賦予他更大的權(quán)值。

2.3 提取直方圖向量

建立在在2.2 特征層信息熵加權(quán)融合的基礎(chǔ)上，在6 可面部圖像子區(qū)域通過計(jì)算與處理環(huán)節(jié)，進(jìn)行局部的權(quán)值，再通過預(yù)處理之后便可以進(jìn)行LBP 的交換，通過這樣的方法便可以得到6 種不同的特征，通過對(duì)這6 種特征的分析，來進(jìn)一步建立特征的融合直方圖，常采用的方法便是將這6 種特征并聯(lián)在一起組成一個(gè)三維的直方圖，在直方圖中也分別將整個(gè)圖像的紋理圖以及子區(qū)域的紋理圖在現(xiàn)有的級(jí)聯(lián)直方圖中進(jìn)行相應(yīng)的加權(quán)，并在這一過程中適當(dāng)?shù)倪M(jìn)行分類識(shí)別的融合，這樣的融合方式可以有效的減少了直方圖間由于相互作用所產(chǎn)生的不良影響，大大減少了檢測(cè)時(shí)間的消耗。

2.4 進(jìn)行分類識(shí)別

為了確保人臉識(shí)別技術(shù)的準(zhǔn)確性，在這之中必須對(duì)所獲取到的人臉特征向量跟數(shù)據(jù)庫(kù)中所現(xiàn)存在的特征向量今相比較工作，并在這之中尋找最為相近的向量，之后再進(jìn)行下一步的審核?？梢酝ㄟ^對(duì)特征值設(shè)定他一直范圍以及相應(yīng)的計(jì)算結(jié)果，進(jìn)行詳細(xì)的審核。如果所有信息都相符合他們便認(rèn)定這一向量便是所要查找的人。在部分實(shí)驗(yàn)中有的通過通道最近鄰分類器來將6 個(gè)區(qū)域中所獲取到的信息通過最近鄰分類器進(jìn)行相應(yīng)的分類工作。

3 改進(jìn)的LBP面部識(shí)別智能算法的實(shí)現(xiàn)

3.1 對(duì)人臉結(jié)構(gòu)的劃分和檢測(cè)

LBP 面部識(shí)別首先就是要勾畫出人臉的五官，才能更加準(zhǔn)確識(shí)別面部。人臉的劃分和檢測(cè)就需要訓(xùn)練采用不同的樣本庫(kù)等精準(zhǔn)地算出人的眼睛，鼻子，嘴等。然后在檢測(cè)的時(shí)候需要輸入人臉圖像，然后在檢測(cè)對(duì)應(yīng)的地方，最后就可以在這個(gè)相應(yīng)的區(qū)域進(jìn)行LBP特征提取。所以要做好劃分和檢測(cè)的工作，這樣才能更加精確人臉的每一個(gè)結(jié)構(gòu)，在檢測(cè)時(shí)要注意人臉圖像的輸入是否正確。去更好地實(shí)現(xiàn)這個(gè)智能識(shí)別。

3.2 把LBP特征提取進(jìn)行歸類

為什么要把LBP 特征提取歸類呢？因?yàn)長(zhǎng)BP 特征提取需要根據(jù)不同的結(jié)果去進(jìn)行更加精確的模擬。所以我們可以先根據(jù)上述中檢測(cè)的人臉重要區(qū)域和非重要區(qū)域采取LBP 的特征，然后LBP 特征提取本身就是一種算法模擬的東西，它需要加強(qiáng)那種空間模擬結(jié)構(gòu)，讓智能識(shí)別更加具有生動(dòng)性。智能識(shí)別它需要一個(gè)精準(zhǔn)度，也需要更加深入化。在LBP 提取特征中要掌握?qǐng)D像局部的紋理特征，這樣才能更好地進(jìn)行計(jì)算。所以我們要先計(jì)算圖像在圖像局部領(lǐng)域的一個(gè)二值關(guān)系，然后根據(jù)這種關(guān)系加強(qiáng)局部的二值模式，然后，就是根據(jù)這些局部領(lǐng)域的序列去觀察圖像的特征。每個(gè)智能識(shí)別的程序和其中的過程都有它的計(jì)算方法，比如這個(gè)圖像局部的紋理特征，它是用二進(jìn)制乘以相應(yīng)的加權(quán)值2p，然后再用累加法得到一個(gè)中心，這樣就可以得到一個(gè)圓，然后以R 為半徑對(duì)圖像局部的紋理特征進(jìn)行描述。這樣就可以得到一個(gè)詳細(xì)的紋理特征了。

然后就是根據(jù)空間的直方圖對(duì)LBP 進(jìn)行編碼。人的臉部的每個(gè)地方有不同的紋理，所以在描述LBP 直方圖時(shí)要利用整體的紋理信息，然后就是用直方圖去描述不同局部領(lǐng)域的直方圖信息。然后利用人臉器官不同的位置，去把這些直方圖信息連在一起，最后就可以去描繪出整個(gè)的人臉部信息。然后根據(jù)一些計(jì)算機(jī)算法，對(duì)整個(gè)圖像進(jìn)行一個(gè)過濾刪除，這個(gè)過程它需要uniform 模式去增強(qiáng)整個(gè)局部特征。然后把除了鼻子，眼睛，眉毛等明顯的器官都進(jìn)行一個(gè)過濾，讓整體的圖像看起來更加逼真。

3.3 對(duì)PCA特征進(jìn)行修改

因?yàn)長(zhǎng)BP 直方圖信息有一定模式，它體現(xiàn)的區(qū)域是為矩形的，因?yàn)橐扇CA 算法，所以要對(duì)這個(gè)矩形進(jìn)行一個(gè)降維。這樣這個(gè)矩形的面積就看起來比較小，就讓整體模擬更加準(zhǔn)確。這個(gè)算法也是和數(shù)學(xué)知識(shí)有聯(lián)系，把這樣這個(gè)樣本根據(jù)向量去把它的維度進(jìn)行降低，需要經(jīng)過LBP 提取特征的D 維向量降低為d 維向量，這就需要一個(gè)PCA 的降維理論，就是把這個(gè)計(jì)算這個(gè)矩陣按一個(gè)本征值去計(jì)算出其向量的本征值，然后再根據(jù)從大到小對(duì)本征值進(jìn)行一個(gè)排序，找出在d 維向量對(duì)應(yīng)的最大本征值，將這個(gè)值作為一個(gè)投影向量，然后根據(jù)計(jì)算方法就可以降低PCA 的維度了。這樣就可以改變這個(gè)直方圖信息，讓LBP 特征提取更加具體。從而可以體現(xiàn)它的效果。

4 改進(jìn)的LBP面部識(shí)別智能算法有待提高的地方

人臉識(shí)別技術(shù)在我國(guó)的發(fā)展已經(jīng)有了幾十多年的歷史，并值得認(rèn)可的是成功的在我國(guó)的多個(gè)領(lǐng)域以及行業(yè)內(nèi)有了值得肯定的實(shí)際應(yīng)用與價(jià)值。雖然人臉識(shí)別技術(shù)也在不斷改善進(jìn)步，本文也通過對(duì)改進(jìn)的LBP 面部識(shí)別智能算法的研究針對(duì)于現(xiàn)今我國(guó)人臉識(shí)別技術(shù)發(fā)展的現(xiàn)狀，對(duì)于仍有待提高的地方進(jìn)行深入的突破與改進(jìn)，為我國(guó)人臉識(shí)別技術(shù)迎來更大的發(fā)展空間?？梢詮囊韵聨讉€(gè)方面進(jìn)行深入的突破與改進(jìn)，確保我國(guó)人臉識(shí)別技術(shù)可以可持續(xù)性的健康發(fā)展。第一方面是在Adaboost 人臉檢測(cè)時(shí)，在現(xiàn)今的現(xiàn)有技術(shù)中訓(xùn)練分類器的時(shí)候往往是通過現(xiàn)今所具備的MIT 以及c mu 來進(jìn)行人臉檢測(cè)訓(xùn)練樣本集來將所有信息進(jìn)行公布。但是在這一方面分類器的分類性能有待進(jìn)行深一層次的提高，可以以訓(xùn)練樣本集為方向進(jìn)行研究思考。第二方面是在特征提取時(shí)，在改進(jìn)后的LBP 面部識(shí)別智能算法中對(duì)于圖像的局部紋理信息的處理有了更進(jìn)一步的關(guān)注，此外也簡(jiǎn)單直接的引入了LBP 的直方圖，特征提取這一過程有了更高的總體特征，但這一方面也造就了一定弊端，加大了信息處理的復(fù)雜性與難度。因此在特征提取的后期可以將圖像的整體信息與特征提取的技術(shù)相結(jié)合來完成提取工作。第三方面是數(shù)據(jù)降維，在改進(jìn)后臺(tái)，APP 面部識(shí)別智能算法中采用的數(shù)據(jù)將為主要是通過PC 方法，但由于PC 方法只能單純的幫助線性數(shù)據(jù)來進(jìn)行降維工作，而不是線性的數(shù)據(jù)則無法達(dá)到降低維度的目的。但是在現(xiàn)今的圖像處理中不僅包含新型數(shù)據(jù)，自然也包含著一些非線性的數(shù)據(jù)，因此針對(duì)于這種情況我們可以結(jié)合考慮，將線性與非線性降維技術(shù)相結(jié)合，以此來確保可以獲取更為精準(zhǔn)的人臉描述特征。

5 結(jié)束語(yǔ)

改進(jìn)的LBP 面部識(shí)別智能算法對(duì)人臉識(shí)別技術(shù)創(chuàng)造了一個(gè)更高更大的平臺(tái)。在這一篇文章中通過對(duì)改進(jìn)自適應(yīng)閾值的算法來有效的改善了算法受光以及噪聲的影響性，進(jìn)一步提高了人臉識(shí)別技術(shù)的圖像檢索的精確率。此外對(duì)于改進(jìn)算法的實(shí)現(xiàn)以及有待改進(jìn)的地方都提出了相應(yīng)的要求，這也為L(zhǎng)BP 面部識(shí)別智能算法的進(jìn)一步發(fā)展提供了相應(yīng)的信息基礎(chǔ)，加速了我國(guó)人臉識(shí)別技術(shù)的發(fā)展，推動(dòng)了我國(guó)社會(huì)科學(xué)的深度研發(fā)與進(jìn)步。