裴永杰　李濤

摘要：針對實時人臉識別易受光照變化影響的問題，提出了一種將局部二值模式（Local Binary Patterns，LBP）與嵌入式隱馬爾可夫模型（Embedded Hidden Markov Model，EHMM）相結合的人臉識別方法。該方法首先對輸入的人臉圖像進行LBP預處理，接著對其進行特征向量提取，最后把提取的特征觀察向量送入EHMM進行訓練或識別。在多個人臉數據庫上進行了實驗，結果表明該文算法對光照具有較好的魯棒性，提高了識別率。

關鍵詞： 人臉識別； LBP；特征提取；EHMM

中圖分類號：TP391 文獻標識碼：A 文章編號：1009-3044（2013）07-1613-04

人臉識別是模式識別、人工智能等研究領域的熱點。傳統(tǒng)的方法多運用基于主成份分析和線性判別分析等特征提取方法的模板匹配來實現(xiàn)人臉識別。主成份分析（PCA）[1]是利用K-L變換抽取人臉的主要成份，構成特征臉空間進行處理，線性判別分析（LDA）[2][3]是通過最大化目標函數來將原始數據投影到一個轉換空間中，并在新的空間里對原始數據進行劃分，它們是從全局的角度對人臉圖像進行描述，能較好地提取圖像的全局特征，但是容易受到光照和位置的影響。經過了多年的發(fā)展，人臉識別技術已取得了長足的進步，在理想的情況下已經擁有較高的識別率，但是在實時的識別中由于人臉識別的復雜性和客觀條件的多重影響，仍有許多問題沒有得到很好的解決，比如光照變化、表情變化、遮擋等，其中以光照變化帶來的干擾最為嚴重。

與傳統(tǒng)的方法相比，嵌入式隱馬爾可夫模型（EHMM）可以高效的表示動態(tài)時序信號，而且人臉特定的結構與EHMM中的馬爾可夫鏈的狀態(tài)序列相吻合。由于EHMM中DCT提取的特征觀察向量對光照變化相對較敏感，所以本文用LBP作為圖像的預處理來降低光照變化的影響。通過實驗結果表明，該文提出的方法在降低光照變化影響的同時提高了人臉識別率。

1 相關理論

1.1 LBP

Ojala在文獻[4]中提出，圖像局部的紋理特征是由局部像素灰度值之間的關系來表現(xiàn)的，LBP算子的基本思想是將中心像素點的灰度值作為閾值，利用圓形鄰域內的各像素灰度值與閾值比較，產生該區(qū)域的二進制模式來表述局部紋理特征。對于任意的LBP算子，其計算公式為：

一種基于LBP-EHMM的人臉識別算法 23%-2A7＼image7.pdf>算子得到的值也是相同的，圖2給出了求解過程。

1.2 隱馬爾可夫模型（HMM）

HMM是用概率統(tǒng)計的方法來描述時變信號的一個雙重隨機過程，其中之一是Markov鏈即狀態(tài)和時間都離散的Markov過程，這個是基本隨機過程。另一個隨機過程是描述狀態(tài)和觀察值之間的統(tǒng)計對應關系。一階離散隱馬爾可夫過程一般包括4 個方面：① N，隱含狀態(tài)數；②M，是不同觀測符號的總數；③A，狀態(tài)轉移概率分布或轉移矩陣；④B，觀測概率矩陣或稱為發(fā)射矩陣。使用簡寫的記法，HMM 可表示為下面的三參數形式。Samaria最早在文獻[5]中將HMM應用于人臉識別，并提出了HMM模型。它基于這樣一種事實：正面人臉圖像包含頭發(fā)、額頭、眼睛、鼻子、嘴巴和下巴6個顯著特征區(qū)域，即使頭部有一些偏轉或傾斜，但它們的次序從上到下保持不變。 于是可以把這6個特征區(qū)域抽象為6個狀態(tài)，觀察到的序列是由6個狀態(tài)產生的，這6個狀態(tài)是抽象的不具有具體的意義，只能通過觀察序列對它進行估計。它的狀態(tài)結構圖如圖3所示。

1.3 EHMM

一維HMM對一維的信號處理比較擅長，因而其在語音領域取得了很大的突破。但對于圖像處理和識別來說，由于圖像是一個二維信號，雖然可以像求特征臉那樣把它展開成一維數據，但展開的一維數據已經丟失了空間信息，而且在后期的計算中運算量很大，不適合實時應用。因此，在實時的人臉圖像識別系統(tǒng)中，標準的一維HMM方法難以滿足要求，需要尋找另一種二維的模型來對圖像進行建模，以完成高效率高精度的識別。

EHMM最早由Nefian[6]將其用于人臉識別，取得了很好的效果。EHMM是在一維HMM的基礎上，將一維HMM的每個狀態(tài)中嵌套一個新的HMM而得到，一般將外層HMM的狀態(tài)稱為超狀態(tài)，內層嵌入的HMM稱為嵌入態(tài)。其可以用一個擴展的三元組 來表示。相關參數簡要介紹如下：

EHMM在人臉識別系統(tǒng)中狀態(tài)結構描述如圖4所示。垂直方向的頭發(fā)、眼睛等6個狀態(tài)為超狀態(tài)，水平方向嵌入的多組HMM稱為嵌入態(tài)。EHMM可以在模型中反映人臉的二維方向的結構特征，而且水平方向的狀態(tài)轉移只限于在超狀態(tài)內部，分析起來比一般性的二維HMM簡單，是較好的描述和識別人臉的模型。

1.3.1 EHMM的訓練

嵌入式隱馬爾可夫模型的訓練就是要為每一個人確定一組經過優(yōu)化的EHMM參數，每個模型可以用單幅或多幅圖像進行訓練，具體步驟如下：

1）初始化DCT變換參數，對人臉圖像進行采樣并計算每個采樣窗DCT變換，得到DCT系數矩陣。

2）建立一個通用的EHMM模型，確定模型狀態(tài)數和每個狀態(tài)對應的可能出現(xiàn)的觀察值數目，將DCT變換系數向量作為觀察序列輸入到EHMM中。

3）將訓練數據均勻分割，與N 個狀態(tài)對應，計算模型的初始參數。

4）用一維Viterbi算法調整第個超狀態(tài)的嵌入的HMM在這個輸入序列上的劃分，使得輸出最大，的輸出作為的觀察概率，完成所有觀察序列計算后，對再實行Viterbi算法，使得的輸出最大。

5）采用Baum-Welch 算法對參數進行重估計迭代調整模型參數直至收斂，保存EHMM并結束訓練。

當訓練結束后，人臉庫中就建立了一個EHMM模型。具體訓練過程如圖5所示。

2 LBP-EHMM人臉識別算法

基于LBP-EHMM的實時人臉識別基本可劃分為4個階段：人臉檢測、LBP預處理、DCT特征提取、EHMM訓練或識別。

首先對輸入的圖像進行實時準確的人臉檢測，分割出人臉區(qū)域，然后對其進行LBP預處理以減少光照變化帶來的影響，接著設定適合的窗口和移動步長對人臉區(qū)域進行DCT特征提取，最后將提取的一組特征觀察向量送入EHMM建模和利用EHMM識別新的人臉圖像。每組人臉圖像都可以得到一個EHMM模型，對待識別的人臉圖像以同樣的方式得到一組特征觀察向量，然后計算與各個EHMM模型的概率，取概率最大的為識別結果。圖6為系統(tǒng)框架圖。

3 試驗及結果分析

3.1人臉庫實驗

為了證明本文算法的有效性，分別在ORL、YALE和自制的人臉庫上做了實驗。ORL人臉數據庫共40人，每人10幅分別由對應不同的光照、姿態(tài)、表情、裝飾的圖像組成。取每個人前5幅共200幅進行訓練，另外200幅進行識別。YALE人臉數據庫包含15位志愿者的165幅圖像，這些圖像包含光照、表情、和姿態(tài)的變化。取每人的前5幅共75幅進行訓練，剩下的90幅進行識別。自制人臉庫共20人，每人10幅共200幅。取每個人前5幅共100幅正常光照下的圖像進行訓練，另外100幅光照處理過的圖像進行識別，圖7為部分自制人臉圖像。采樣窗大小為：，移動步長為：。實驗結果如表1所示。

[樣本庫＼&EHMM正確率＼&LBP-EHMM正確率＼&ORL＼&96.5%＼&98%＼&YALE＼&95.6%＼&96.7%＼&自制＼&86%＼&94%＼&]

3.2 實驗結果對比分析

通過在ORL人臉庫和YALE人臉庫實驗對比可以看出：在ORL人臉庫和YALE人臉庫上兩種算法的識別率基本相當，由于ORL庫中的人臉圖像光照變化較小，而YALE庫中光照變化相對較大，所以YALE庫的識別率有所下降。針對光照變化易造成識別率下降的情況，自制了一個人臉庫，對其中的部分人臉圖像進行光照處理。從實驗結果可以看出，在自制的人臉庫上， LBP-EHMM識別率明顯高于EHMM，究其原因在于自制的用于識別的人臉圖像中有一部分光線很暗，而導致EHMM誤識別的基本上都是那些光線較暗的圖像。由于EHMM中DCT提取的特征觀察向量對光照變化相對較敏感，所以在特征提取之前進行LBP預處理以降低光照變化帶來的影響。綜合對比實驗結果可得：該文提出的方法在保持較高的識別率時對光照變化具有較好的魯棒性。

4 結束語

本文提出了一種基于LBP-EHMM的實時人臉識別方法。該方法首先對采集的圖像進行人臉檢測，然后對檢測到的人臉區(qū)域進行LBP預處理以削弱光照帶來的影響，接著對其進行DCT特征系數提取，最后送入EHMM訓練、識別。基于EHMM可以較好地對動態(tài)序列建模，LBP計算簡單，具有灰度不變性，可以更有效地描述局部紋理，該文的方法結合了兩者的優(yōu)點，實驗結果表明此方法識別性能優(yōu)于常用的單個EHMM，尤其是在圖像較暗時更為明顯。在實際應用中，隨著現(xiàn)代計算機技術的高速發(fā)展，處理較復雜的算法也很快，因此選擇LBP-EHMM方法更有優(yōu)勢。

參考文獻：

[1] Turk M，Pentland A.Eigenfaces for recognition[J].Journal of Cognitive Neurosicence，1991，3（1）：71-86.

[2] Howland P，Park H.Generalizing discriminant analysis using the generalized singular value decomposition[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2004，26（8）：995-1006.

[3] Martnez A.M，Kak A.C.PCA versus LDA[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2004，23（2）：228-233.

[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] Samaria F.Face recognition using Hidden Markov Models[J].Ph.D Thesis for University of Cambridge，1995（1）：28-34.

[6] Nefian AV，Hayes MH.Face recognition using an embedded HMM[C].IEEE Conference on Audio and Video-based Biometric Person Authentication，1999：19-24.

[7] Viola P，Jones M.Robust Real-time Object Detection[C].IEEE ICCV Workshop on Statistical and Computational Theories of Vision，2001.

[8] 王茜，肖國強，吳松，等.基于LBP直方圖的復雜光照下的人臉識別[J].計算機工程與應用，2012，48（15）：181-186.

[9] Ojala T，Pietikainen M，Maenpaa T.Multiresolution gray-scale and rotation invariant texture classification with local binary patterns[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2002，24（7）：971-987.

[10] 葛微.自動人臉識別的關鍵問題研究[D].長春：中國科學院長春光學精密機械與物理研究所，2010.

[11] 趙棟.基于HMM的人臉識別研究與實現(xiàn)[D].北京：北京化工大學，2009.

[12] 曹建強.基于統(tǒng)計方法的面部表情識別研究[D].南京：東南大學，2008.