朱 黎，胡 濤，羅 鋒，毛 雷，紀(jì)忠原

(湖北民族學(xué)院信息工程學(xué)院，湖北 恩施 445000)

基于自適應(yīng)LBP人臉識(shí)別的身份驗(yàn)證*

朱 黎，胡 濤，羅 鋒，毛 雷，紀(jì)忠原

(湖北民族學(xué)院信息工程學(xué)院，湖北 恩施 445000)

提出了一種自適應(yīng)LBP人臉識(shí)別算法用于進(jìn)行身份認(rèn)證。在身份特征錄入階段，首先采用Harr人臉級(jí)聯(lián)分類器對(duì)人臉樣本庫進(jìn)行人臉區(qū)域檢測，并使用PCA方法對(duì)人臉區(qū)域進(jìn)行降維處理；然后通過LBP二值模式的人臉識(shí)別算法提取人臉樣本的特征值；最后通過LBP人臉訓(xùn)練生成人臉數(shù)據(jù)特征庫。通過多場景人臉圖像庫和閾值隊(duì)列，通過多閾值全組人臉匹配，建立人臉閾值特征庫。在身份驗(yàn)證階段，將登錄用戶人臉與人臉閾值特征庫做粗粒度人臉LBP直方圖匹配，確定當(dāng)前最優(yōu)的LBP閾值；然后將登錄用戶人臉與人臉數(shù)據(jù)特征庫做LBP直方圖匹配，通過匹配結(jié)果確定登錄用戶的系統(tǒng)權(quán)限。實(shí)驗(yàn)結(jié)果表明，在圖像和視頻模式下，基于自適應(yīng)LBP人臉識(shí)別算法的身份驗(yàn)證具有很高的魯棒性。

自適應(yīng)LBP；人臉識(shí)別；Harr人臉級(jí)聯(lián)分類器；PCA；身份認(rèn)證

1 引言

身份驗(yàn)證作為保證信息安全的重要技術(shù)之一，保證系統(tǒng)用戶具備所對(duì)應(yīng)的使用權(quán)限。但是，隨著信息技術(shù)的發(fā)展，傳統(tǒng)的身份驗(yàn)證技術(shù)受到的威脅越來越大。在此背景下，生物驗(yàn)證技術(shù)得到了飛速發(fā)展，其中最具代表性的有指紋身份驗(yàn)證、人臉身份驗(yàn)證和虹膜身份驗(yàn)證技術(shù)[1]。

其中人臉身份驗(yàn)證相比其他方式的識(shí)別具有的潛在優(yōu)勢在于它的自然性和隱秘識(shí)別的特性。人臉身份驗(yàn)證的核心技術(shù)是人臉識(shí)別技術(shù)。人臉識(shí)別技術(shù)可分為基于全局特征和基于局部特征兩大類[2]。目前主流的全局人臉識(shí)別技術(shù)包括主成分分析法PCA(Principal Component Analysis)[3]、線性鑒別分析法LDA(Linear Discriminant Analysis)[4]。由于人臉局部特征提取對(duì)光照、表情、姿態(tài)等變化較為敏感，該方法的穩(wěn)定性不高、識(shí)別率低，因此越來越多的研究者將目光轉(zhuǎn)為全局與局部相結(jié)合的方法，如彈性圖匹配方法EBGM(Elastic Banch Graph Matching)[5]、多尺度局部二值模式LBP(Local Binary Pattern)法[6]等。LBP算法的適用面非常廣泛，并且得到了更深層次的發(fā)展，如用于3D人臉識(shí)別[11]、基于自適應(yīng)塊的LBP、灰度共生矩陣和形態(tài)特征的人臉識(shí)別[12]。

Figure 1 Framework of authentication based on adaptive LBP face recognition圖1 基于LBP人臉識(shí)別的身份認(rèn)證框架

基于以上研究成果，本文結(jié)合了人臉全局特征和局部特征，設(shè)計(jì)了一種基于自適應(yīng)LBP人臉識(shí)別的身份驗(yàn)證模型。首先通過構(gòu)建注冊(cè)用戶平均臉的LBP特征信息庫，然后通過自適應(yīng)LBP人臉匹配閾值控制和LBP人臉匹配方法提高登錄用戶身份驗(yàn)證的準(zhǔn)確率。

2 系統(tǒng)框架

本文提出了一種基于人臉信息的身份驗(yàn)證模式，用于鑒別登錄用戶是否具有對(duì)應(yīng)的權(quán)限，即通過登錄用戶人臉圖像信息與注冊(cè)用戶人臉圖像信息進(jìn)行匹配，以確定登錄用戶的系統(tǒng)權(quán)限。

基于現(xiàn)有的人臉匹配算法，本文提出了一種基于LBP人臉識(shí)別的身份驗(yàn)證算法，該算法結(jié)合Harr人臉級(jí)聯(lián)分類器[7]、PCA降維[8]、LBP人臉匹配[9,10]等關(guān)鍵技術(shù)，構(gòu)建了一種快速的人臉身份驗(yàn)證模型。該模型通過自適應(yīng)LBP閾值控制模塊提高基于人臉識(shí)別的身份驗(yàn)證準(zhǔn)確率?；谧赃m應(yīng)LBP人臉識(shí)別算法的身份驗(yàn)證模型的系統(tǒng)框架圖如圖1所示。該人臉身份驗(yàn)證模式包含以下三大部分：

(1)人臉特征注冊(cè)模塊：在用戶身份信息錄入階段，采集多種注冊(cè)用戶人臉圖像，通過Harr人臉級(jí)聯(lián)分類器和LBP二值模式提取注冊(cè)用戶人臉特征，并使用PCA方法對(duì)人臉數(shù)據(jù)進(jìn)行降維處理；然后將處理后的多張人臉特性圖像融合成注冊(cè)用戶的平均臉；最后將平均臉的LBP特征值存入到人臉數(shù)據(jù)特征庫中。

(2)人臉身份驗(yàn)證模塊：在用戶登錄系統(tǒng)階段，對(duì)實(shí)時(shí)采集的登錄用戶人臉圖像，完成其特征的提取，使用自適應(yīng)的LBP人臉識(shí)別算法與人臉數(shù)據(jù)特征性進(jìn)行匹配，確定登錄用戶的系統(tǒng)使用權(quán)限。

(3)自適應(yīng)LBP閾值控制模塊：通過建立多場景人臉圖像庫和初始化LBP閾值序列，將多場景人臉圖像庫中的任一組人臉數(shù)據(jù)與其他組人臉數(shù)據(jù)按照LBP閾值序列中的LBP閾值做LBP人臉匹配，比較LBP匹配的正確度，選擇該組人臉數(shù)據(jù)的最優(yōu)LBP閾值；按照以上方法與所有組的人臉數(shù)據(jù)進(jìn)行LBP匹配，最終建立人臉閾值庫。

3 關(guān)鍵技術(shù)

3.1 Harr人臉級(jí)聯(lián)分類器

Harr人臉級(jí)聯(lián)分類器用于人臉檢測環(huán)節(jié)，Haar分類器通過Boosting算法中的AdaBoost算法，將AdaBoost算法訓(xùn)練出的強(qiáng)分類器進(jìn)行級(jí)聯(lián)，并且在底層的特征提取中采用了高效率的矩形特征和積分圖方法。

Harr-like 特征作為一種實(shí)時(shí)的人臉檢測算子，使用檢測窗口中制定位置的相鄰矩形，計(jì)算每一個(gè)矩陣的像素和并取其差值；然后使用這些差值對(duì)圖像的子區(qū)域進(jìn)行分類。

Harr-like特征分為三類：邊緣特征、線性特征和中心特征，共14種基本特征原型。

設(shè)檢測窗口尺寸為W×H，矩形使用四元組表示：r=(x,y,w,h,α)，其中(x,y)為矩形頂點(diǎn)坐標(biāo)，(w,h)為矩形尺寸，α為矩形旋轉(zhuǎn)角度。使用recSum(r)表示矩形窗口內(nèi)所有像素值之和。矩形特征定義如下：

(1)

其中，{1,…,N}表示該特征由N個(gè)矩形組成，ωi表示矩形i的權(quán)值，recSum(ri)表示矩形i內(nèi)所有像素值的和。

由于計(jì)算特征值時(shí)需要統(tǒng)計(jì)矩形內(nèi)所有像素值之和，導(dǎo)致訓(xùn)練和檢測的速度大為降低。通過引入“積分圖”的方法，降低特征值計(jì)算開銷。積分圖分為兩種：傾角分別為0°和45°的積分圖。下面以傾角為0°的積分圖為例，簡述recSum(r)的優(yōu)化過程。對(duì)于傾角為0°的特征矩形，積分圖SAT(x,y)的定義如下：

(2)

其中I(x′,y′)為點(diǎn)(x′,y′)的像素值。將SAT(x,y)按公式(3)展開，那么SAT(x,y)只需要按行或列遍歷一次即可得到。

SAT(x,y)=SAT(x,y-1)+SAT(x-1,y)+

(3)

對(duì)于特征矩陣r=(x,y,w,h,0)，矩陣內(nèi)所有像素值之和的計(jì)算過程為：

recSum(r)=SAT(x-1,y-1)+

SAT(x+w-1,y+h-1)-SAT(x-1,

(4)

從公式(4)可以看出，矩陣r的recSum(r)只需四次積分圖查找便可得到，運(yùn)算速度較快，而且與矩陣r的尺寸無關(guān)。

Harr人臉級(jí)聯(lián)分類器通過決策樹的方式在分類器的每個(gè)階段檢測人臉，從而提高命中率和降低誤測率。在每個(gè)階段都是用離散的Adaboost算法進(jìn)行樣本訓(xùn)練，從而通過一組弱分類器構(gòu)建強(qiáng)分類器。

設(shè)人臉的弱分類器為h(x,f,p,θ)，由子窗口圖像x、特征f、指示不等式方向p和閾值θ組成。初始的弱分類器可能只是一個(gè)最基本的Haar-like特征，然后將弱分類器訓(xùn)練成最優(yōu)的弱分類器。訓(xùn)練最優(yōu)弱分類器的過程即為尋找合適的分類器閾值，使得該分類器對(duì)所有樣本的判斷誤差最低。通過對(duì)所有的最優(yōu)弱分類器進(jìn)行組合，得到強(qiáng)分類器。

Harr人臉級(jí)聯(lián)分類器通過組合多種強(qiáng)分類器不斷地在每一級(jí)強(qiáng)分類器中篩選輸入的人臉圖像的子窗口圖像，通過的子窗口圖像進(jìn)入下一級(jí)強(qiáng)分類器中繼續(xù)進(jìn)行篩選，最后得到具有高準(zhǔn)確率的人臉子窗口圖像。設(shè)每一級(jí)強(qiáng)分類器中99%的人臉可以通過篩選，50%的非人臉也可以通過篩選，那么由20個(gè)強(qiáng)分類器組成的Harr人臉級(jí)聯(lián)分類器的總識(shí)別率約為98%，錯(cuò)誤接受率約為0.000 1%。

3.2PCA降維處理

通過Harr人臉級(jí)聯(lián)分類器獲取人臉圖像的人臉區(qū)域信息，由于人臉區(qū)域包含了大量的Harr-like特征，為了提高后續(xù)人臉匹配的速度，對(duì)人臉區(qū)域的特征向量進(jìn)行PCA降維處理，得到低維的特征向量和降維系數(shù)；然后對(duì)降維后的人臉區(qū)域特征向量進(jìn)行歸一化處理，得到該人的平均臉。人臉區(qū)域信息的PCA降維計(jì)算過程如下：

PcaFeature=KLT(FeatureI)

(5)

其中KLT為Karhunen-Loeve變換，常用于數(shù)據(jù)壓縮和PCA降維，其具體步驟如下：

首先構(gòu)建人臉區(qū)域的特征協(xié)方差矩陣，接著計(jì)算該矩陣的特征向量和特征值；然后按照特征值由大到小進(jìn)行排列，通過忽略那些重要性很小的成分，最終得到降維后的人臉區(qū)域特征信息。

PCA算法的本質(zhì)就是一種降維工具。為了降低數(shù)據(jù)處理的復(fù)雜度，需要對(duì)高維數(shù)據(jù)進(jìn)行降維，而PCA算法就是將高維的數(shù)據(jù)通過一定的線性變換投影到低維空間。同時(shí)，這個(gè)線性變換必須最能代表原始數(shù)據(jù)，以保證降維后不丟失太多數(shù)據(jù)。在降維過程中需要用到協(xié)方差矩陣。協(xié)方差矩陣的主對(duì)角線上的元素是各個(gè)維度上的方差，其他元素是兩兩維度間的協(xié)方差，可以通過這個(gè)特性來進(jìn)行降維處理。

3.3LBP算子

LBP算子是一種有效的紋理描述算子。它通過對(duì)圖像中任意像素點(diǎn)與其鄰域點(diǎn)的灰度值大小關(guān)系所形成的二進(jìn)制編碼來描述圖像局部紋理的空間結(jié)構(gòu)，具有旋轉(zhuǎn)不變性和灰度不變性的特點(diǎn)。最初的LBP算子定義為:以某個(gè)點(diǎn)為中心,以3×3的大小作為窗口,將該中心點(diǎn)的灰度置為閾值,與相鄰的八個(gè)點(diǎn)的灰度值進(jìn)行比較,如果周圍點(diǎn)的像素值比中心點(diǎn)的小,那么此像素位置就定位為0,否則為1；然后,將3×3鄰域內(nèi)的八個(gè)點(diǎn)產(chǎn)生的二進(jìn)制數(shù)按照一定的順序?qū)懗梢恍芯幋a形式,即可得到這個(gè)點(diǎn)的LBP值,這個(gè)數(shù)能夠反映該區(qū)域的紋理信息。LBP算子的運(yùn)算過程如圖2所示。

Figure 2 Example of LBP operator圖2 LBP算子運(yùn)算過程示例

Ojala等人進(jìn)一步提出了統(tǒng)一模式的LBP紋理描述方法，改進(jìn)LBP的運(yùn)算性能，同時(shí)采用LBP直方圖使得LBP算法在擁有良好的局部紋理信息的同時(shí)也保留了一部分整體信息。LBP特征在紋理分類和分割、圖像檢索和曲面檢測等方面應(yīng)用廣泛。

AhonenT在文獻(xiàn)[9]中提出合并空間信息，用于人臉識(shí)別模型方法，將LBP圖像分成b個(gè)塊，對(duì)每個(gè)塊提取直方圖。通過連接局部直方圖(而不是合并)就能得到空間增強(qiáng)的特征向量。這些直方圖被稱為局部二值模式直方圖。

在本文中，對(duì)人臉特征信息進(jìn)行PCA降維后，其LBP操作定義如下：

LbpFeature(xc,yc)=

(6)

其中,(xc,yc)是圖像的像素點(diǎn)，PcaFeaturec為其降維Harr特征，PcaFeaturep是該點(diǎn)鄰域點(diǎn)的降維Harr特征，S(·)表示當(dāng)前像素點(diǎn)與其鄰域點(diǎn)的降維Harr特征差，其計(jì)算過程如下：

(7)

對(duì)人臉特征信息LbpFeature(x,y)進(jìn)行直方圖統(tǒng)計(jì)，得到人臉LBP直方圖E(LbpFeature)。對(duì)于人臉注冊(cè)模塊，則將LBP直方圖E(LbpFeature)存入對(duì)應(yīng)的人臉特征庫；對(duì)于人臉登錄模塊，則將LBP直方圖E(LbpFeature)與人臉特征庫的特征性進(jìn)行匹配，以確定當(dāng)前登錄用戶的系統(tǒng)權(quán)限。人臉匹配的核心思想是利用登錄用戶的人臉LBP特征與人臉特征庫的所有平均臉的LBP特征的相似度方差，確定登錄用戶是否存在于人臉特征庫中。相似度方差計(jì)算公式如下：

(8)

其中,LFc表示登錄用戶人臉信息，LFc(i)表示登錄用戶人臉的LBP直方圖第i塊特征bin的特征，ALFn和ALFn(i)對(duì)應(yīng)平均臉信息和LBP直方圖特征，b為登錄用戶人臉的LBP直方圖的bin。相似度方差d越小，表示登錄用戶的人臉信息與對(duì)應(yīng)的平均臉信息越相似，最終可以將登錄用戶的權(quán)限歸為方差最小的平均臉?biāo)鶕碛械南到y(tǒng)權(quán)限。

在進(jìn)行人臉的LBP直方圖匹配的過程中，一般性地使用了一個(gè)經(jīng)驗(yàn)性的閾值進(jìn)行匹配判斷，即通過判斷相似度方差d與閾值t的關(guān)系，確定當(dāng)前登錄人臉的特征是否為正確的標(biāo)簽。具體判斷過程如下：

(9)

最終基于LBP特征的人臉匹配的目標(biāo)方程可以規(guī)約為：

faceLable=Lable{

min[du(predictu==1)]},u≤N

(10)

其中,N為人臉特征庫中平均臉的數(shù)量，Lable是經(jīng)過平均臉訓(xùn)練后的標(biāo)簽。

3.4 自適應(yīng)LBP閾值控制

由于在公式(9)中使用的閾值t為確定的經(jīng)驗(yàn)值，對(duì)于不同場景下的人臉識(shí)別率有著非常重要的影響。為了將這種影響降到最低，本文設(shè)計(jì)了一種自適應(yīng)LBP閾值控制算法，用于動(dòng)態(tài)確定當(dāng)前LBP特征匹配的閾值。

考慮到系統(tǒng)應(yīng)用場景的復(fù)雜性，本文首先建立多場景人臉圖像庫FaceLib={P1,L,P2,L,…,Pq,L}，其中Pi,j表示人臉庫中編號(hào)為i共有j張不同的人臉，初始化LBP閾值序列Theshold={t1,t2,…,tk}。本文使用公式(1)～公式(5)構(gòu)建多場景人臉圖像庫中所有人的平均臉AF={af1,af2,…,afq}，選取AF中任一平均臉afi，通過公式(6)～公式(10)在不同的閾值tj下將afi與其余AF平均臉做LBP特征匹配，確定當(dāng)前平均的最優(yōu)閾值。即自適應(yīng)LBP閾值控制的閾值選取目標(biāo)方程：

bestTi=min{min[dj,u(predictj,u==1),tj]}

(11)

將AF所有的af按照公式(11)做全組人臉匹配，然后將得到的最優(yōu)bestTi作為編號(hào)為i的同一人的LBP匹配閾值。通過bestTi與人臉的一一映射{afi,bestTi}，構(gòu)建人臉閾值庫。

在用戶登錄過程中，首先將登錄用戶人臉與人臉閾值庫中左右的平均臉af做粗粒度的LBP特征匹配，根據(jù)公式(10)識(shí)別與登錄用戶人臉最相似的平均臉afv，選擇與afv對(duì)應(yīng)的bestTv。最后利用公式(9)和公式(10)，將登錄用戶人臉LBP特征在閾值為bestTv的條件下，與人臉特征庫進(jìn)行人臉匹配，最終根據(jù)人臉匹配的結(jié)果判斷登錄用戶的使用權(quán)限。

4 數(shù)據(jù)測試

人臉特征注冊(cè)模塊首先通過攝像頭捕獲10張注冊(cè)用戶人臉圖像；然后通過Harr人臉級(jí)聯(lián)分類器進(jìn)行人臉區(qū)域提取(圖3a)和PCA降維構(gòu)建注冊(cè)用戶的平均臉(圖3b)；最后提取平均臉的LBP特征(圖3c)，并將特征存入人臉特征數(shù)據(jù)庫。

Figure 3 Example of a registered user’s faces圖3 注冊(cè)用戶人臉示例

對(duì)于自適應(yīng)LBP閾值控制模塊，本文使用了ORL人臉數(shù)據(jù)庫作為多場景人臉數(shù)據(jù)庫進(jìn)行測試。ORL人臉數(shù)據(jù)庫包括400張人臉樣本(其中分為40個(gè)人，每人10張人臉樣本)。由于ORL人臉樣本在不同時(shí)間、不同光照、不同表情(睜眼閉眼、笑或者不笑)、不同人臉細(xì)節(jié)(戴眼鏡或者不戴眼鏡)下采集，所以非常適合使用于多場景的LBP閾值控制。

本文使用多組人臉數(shù)據(jù)用戶測試人臉身份驗(yàn)證模塊，并且通過多次用戶身份驗(yàn)證驗(yàn)證算法的魯棒性。并將自適應(yīng)LBP人臉識(shí)別認(rèn)證驗(yàn)證算法與經(jīng)典LBP人臉識(shí)別算法進(jìn)行比對(duì)，比對(duì)結(jié)果如圖4所示。

Figure 4 Face recognition rate comparison based on ORL圖4 基于ORL庫的人臉識(shí)別率比較

Figure 5 Face recognition time based on ORL圖5 基于ORL庫的人臉識(shí)別時(shí)間比較

從圖4我們可以得到以下結(jié)論：自適應(yīng)LBP人臉識(shí)別身份認(rèn)證算法的人臉識(shí)別率優(yōu)于經(jīng)典LBP分類器的人臉識(shí)別率；雖然自適應(yīng)LBP人臉識(shí)別身份認(rèn)證算法的耗時(shí)高于經(jīng)典LBP分類器，但是自適應(yīng)人臉識(shí)別身份認(rèn)證算法的耗時(shí)屬于毫秒級(jí)的，符合一般身份認(rèn)證系統(tǒng)對(duì)于時(shí)間的要求。在多種樣本數(shù)量條件下，本文提出的算法都具有很好的魯棒性。

5 結(jié)束語

本文提出了一種基于自適應(yīng)LBP人臉識(shí)別的身份驗(yàn)證算法，采用注冊(cè)用戶的人臉特征信息作為身份驗(yàn)證的標(biāo)識(shí)，提供了一種實(shí)用的身份驗(yàn)證模式。算法首先采集多張注冊(cè)用戶人臉圖像，通過Harr人臉級(jí)聯(lián)分類器提取注冊(cè)用戶人臉區(qū)域，通過PCA方法對(duì)注冊(cè)用戶人臉區(qū)域的特征進(jìn)行降維處理，并將同一人多張降維后的人臉特征圖像合成為平均臉；然后使用LBP算子提取平均臉的特征；最后將該注冊(cè)用戶平均臉的LBP特征存入人臉特征數(shù)據(jù)庫。為了提高登錄用戶人臉識(shí)別率，本文提出了一種自適應(yīng)LBP閾值控制算法，通過在多組閾值條件下進(jìn)行多場景的LBP人臉訓(xùn)練，尋找不同條件下的最優(yōu)LBP閾值，并構(gòu)建人臉閾值庫。對(duì)于登錄認(rèn)證用戶而言，首先通過人臉閾值庫將采集到的登錄認(rèn)證用戶人臉圖像進(jìn)行粗粒度的LBP人臉匹配，確定當(dāng)前登錄認(rèn)證用戶適合的LBP閾值；然后再通過此閾值將登錄認(rèn)證用戶人臉圖像與人臉特征數(shù)據(jù)庫做LBP匹配，通過匹配的結(jié)果判定登錄認(rèn)證用戶所具有的系統(tǒng)權(quán)限。

本文提出的算法具有以下特點(diǎn)：

(1)將人臉信息作為系統(tǒng)認(rèn)證的標(biāo)識(shí)，為傳統(tǒng)的字符密碼系統(tǒng)認(rèn)證模式提供了新的方法；

(2)在系統(tǒng)認(rèn)證過程中，是將登錄認(rèn)證用戶人臉圖像與注冊(cè)用戶平均臉圖像做LBP匹配而傳統(tǒng)的人臉匹配，是與注冊(cè)用戶的單張人臉圖像進(jìn)行匹配。

通過系統(tǒng)測試和數(shù)據(jù)比對(duì)，本文提出的基于自適應(yīng)LBP人臉識(shí)別的身份驗(yàn)證算法具有較好的實(shí)用價(jià)值和魯棒性。在后續(xù)工作中，我們會(huì)朝著將人臉認(rèn)證登錄與傳統(tǒng)認(rèn)證登錄相結(jié)合的方向進(jìn)行探討，將系統(tǒng)認(rèn)證的可靠性進(jìn)一步提高。

[1]SunDM,QiuZD.Asurveyoftheemergingbiometrictechnoloy[J].ACTAElectronicaSINICA, 2001, 29(12):1744-1748.(inChinese)

[2]SuYu,ShanShi-guang,ChenXi-lin,etal.Integrationofglobalandlocalfeatureforfacerecognition[J].JournalofSoftware, 2010, 21(8):1849-1862.(inChinese)

[3]TurkM,PentlandA.Eigenfacesforrecognition[J].JournalofCognitiveNeuroscience, 1991, 3(1):71-86.

[4]EtemadK,ChellappaR.Discriminantanalysisforrecognitionofhumanfaceimages[J].JOSAA, 1997, 14(8):1724-1733.

[5]YangJ,ZhangD,FrangiAF,etal.Two-dimensionalPCA:Anewapproachtoappearance-basedfacerepresentationandrecognition[J].IEEETransactionsonPatternAnalysisandMachineIntelligence, 2004, 26(1):131-137.

[6]WangWei,HuangFei-fei,LiJian-wei,etal.Facedescriptionandrecognitionusingmulti-scaleLBPfeature[J].OpticsandPrecisionEngineering, 2008, 16(4):696-705.(inChinese)

[7]LuH,LinH.Genderrecognitionusingadaboostedfeature

[C]∥Procofthe3rdInternationalConferenceonNaturalComputation, 2007:646-650.

[8]HuaShun-gang,ZhouYu,LiuTing.ThermalinfraredfaceimagerecognitionbasedonPCAandLDA[J].PatternRecognitionandArtificialIntelligence, 2008, 21(2):160-164.(inChinese)

[9]AhonenT,HadidA,Pietik?inenM.Facerecognitionwithlocalbinarypatterns[C]∥Computervision-eccv2004, 2004:1.

[10]WangWei,HuangFei-fei,LiJian-wei,etal.FacedescriptionandrecognitionbyLBPPyramid[J].JournalofComputerAidedDesign&ComputerGraphics, 2009,21(1):94-100.(inChinese)

[11]TangH,YinB,SunY,etal. 3Dfacerecognitionusinglocalbinarypatterns[J].SignalProcessing, 2013, 93(8):2190-2198.

[12]KarA,BhattacharjeeD,BasuDK,etal.AnadaptiveblockbasedintegratedLDP,GLCM,andmorphologicalfeaturesforfacerecognition[J].arXivPreprintarXiv:1312.1512, 2013.

附中文參考文獻(xiàn)：

[1] 孫冬梅, 裘正定. 生物特征識(shí)別技術(shù)綜述[J]. 電子學(xué)報(bào), 2001, 29(12):1744-1748.

[2] 蘇煜, 山世光, 陳熙霖, 等. 基于全局和局部特征集成的人臉識(shí)別[J]. 軟件學(xué)報(bào), 2010, 21(8):1849-1862.

[6] 王瑋,黃非非,李見為,等.使用多尺度LBP特征描述與識(shí)別人臉[J]. 光學(xué)精密工程, 2008, 16(4):696-705.

[8] 華順剛, 周羽, 劉婷. 基于PCA+LDA的熱紅外成像人臉識(shí)別[J]. 模式識(shí)別與人工智能, 2008, 21(2):160-164.

[10] 王瑋, 黃非非, 李見為, 等. 采用LBP金字塔的人臉描述與識(shí)別[J]. 計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào), 2009，21(1):94-100.

ZHULi,born in 1984,MS,lecturer,her research interest includes image processing.

胡濤(1984),男.湖北來鳳人，博士生，講師，研究方向?yàn)閳D像處理和物聯(lián)網(wǎng)。E-mail:Hutao_505@hotmail.com

HUTao,born in 1984,PhD candidate,lecturer,his research interests include image processing, and the Internet of Things.

IdentityauthenticationbasedonadaptiveLBPfacerecognition

ZHU Li,HU Tao,LUO Feng,MAO Lei,JI Zhong-yuan

(School of Information Engineering,Hubei Minzu University,Enshi 445000,China)

An identity authentication method based on adaptive LBP face recognition is proposed.In the identity feature recording phase,Harr face cascade classifier is first employed on face sample library to detect the face area,then PCA method is adopted to reduce dimensionality for face area,an adaptive LBP face recognition algorithm is adopted to extract the feature values of face samples,and at last these feature values are trained to construct the face feature library.The face threshold feature library is constructed by multi-scene face image library,threshold queue,and multi-threshold matching of faces in the whole group. In the identity authentication phase,the LBP matching method is used between the face of the certificating user and face threshold feature in the face threshold feature library so as to determine the best LBP threshold.Using this threshold,the face of the certificating user is matched with the face feature in the face feature library in order to confirm the system permission for the certificating user.The experiments show that the identity authentication method based on adaptive LBP face recognition is of higher recognition rate and robustness.

adaptive LBP;face recognition;Harr face cascade classifier;PCA;authentication

1007-130X(2014)11-2217-06

2014-06-05;

：2014-08-23

湖北省教育廳科研計(jì)劃資助項(xiàng)目(Q20131904)；國家文化科技提升計(jì)劃資助項(xiàng)目(201307)；湖北民委基金資助項(xiàng)目(HBMW2012006)

TP391.4

：A

10.3969/j.issn.1007-130X.2014.11.027

朱黎(1984),女,湖北咸豐人，碩士，講師，研究方向?yàn)閳D像處理。E-mail:Lier_zhu@163.com

通信地址：445000 湖北省恩施市湖北民族學(xué)院信息工程學(xué)院

Address:School of Information Engineering,Hubei Minzu University,Enshi 445000,Hubei,P.R.China