姚騁天,夏哲雷

(中國計量學院 信息工程學院,浙江 杭州 310018)

?

一種改進的局部三值模式的人臉識別方法

姚騁天,夏哲雷

(中國計量學院 信息工程學院,浙江 杭州 310018)

【摘要】為了更好的描述人臉特征,提出了一種基于不同尺度像素塊及自適應閾值的局部三值(LTP)模式方法.該方法首先將圖像分為若干個子區(qū)域,采用自適應閾值并基于不同尺度的像素塊提取每個子區(qū)域的LTP紋理直方圖,然后將得到的每個子區(qū)域的直方圖連在一起并經(jīng)過主成分分析(PCA)降維處理得到特征向量.在人臉數(shù)據(jù)庫上進行的實驗證明,應用該方法進行人臉特征提取并結(jié)合最近鄰分類法得到了較高的識別率.

【關(guān)鍵詞】人臉特征；局部三值模式；自適應閾值；主成分分析

PCA人臉圖像識別是機器視覺、模式識別領(lǐng)域內(nèi)一個研究熱點,其中圖像特征提取是人臉識別的關(guān)鍵環(huán)節(jié)之一.圖像特征提取不但影響分類器的分類識別精度,而且關(guān)系到分類識別系統(tǒng)是否可行.目前產(chǎn)生了許多從局部來描述人臉的方法，常見的局部特征提取方法有局部二值模式(LBP)[1]和Gabor小波[2]等.其中局部二值模式最早由Ojala等[3]提出作為對圖像局部鄰近區(qū)域紋理信息的描述符.人臉圖像常常會受到光照因素影響而產(chǎn)生灰度變化.但在一個局部區(qū)域內(nèi),這種變化常常被視為單調(diào)的.由于LBP對圖像局部紋理特征的卓越描繪能力且具有較高的計算效率等特點而廣泛用于描述人臉和紋理的特征.不過LBP算子是采用像素間灰度值比較的方式確定其二值關(guān)系,且沒由考慮到對比度的信息.所以最終得到的二進制模式的特征表示會丟失局部的差異信息和容易受到噪聲的影.為提高LBP描述符對局部的差異信息描述能力與抗噪聲干擾的能力,Tan等提出的局部三值模式(LTP)[4]描述符,通過用戶自定義閾值增加一個編碼模式,用三值對像素點之間的差值進行編碼,在平坦區(qū)域比LBP具有更強的判別能力.LTP方法在人臉識別領(lǐng)域的應用已經(jīng)得到了較好的效果；然而該方法的閾值不能自動選取,對于不同情況往往要做大量實驗確定最合適的閾值,且魯棒性較差.而且傳統(tǒng)著局部三值模式著眼于局部像素,不能有效的進行人臉的大尺度紋理描述.

本文提出了一種基于多尺度像素塊的自適應閾值選取的局部三值模式方法.該方法能夠根據(jù)圖像的自身情況,自適應選取合適的閾值并能由粗到細更全面的描述人臉紋理特征.其主要思想是對不同尺度像素塊,自適應的計算LTP閾值,結(jié)合該自適應閾值,提取每個子區(qū)域的LTP紋理直方圖,然后將各子區(qū)域的紋理直方圖連接在一起得到混合直方圖特征.最后將紋理特征輸入分類器進行人臉識別.應用該方法在人臉數(shù)據(jù)庫中進行實驗,結(jié)果表明改進的方法有效地提高了人臉的識別率.

1LBP與LTP算子

1.1LBP算子

LBP是作為描述圖像紋理特征的算子,其基本思想是通過統(tǒng)計局部結(jié)構(gòu)出現(xiàn)的頻次來描述圖像的特性.該方法以中心像素的灰度值gc為閾值,分別與該像素相鄰的P個像素的灰度值g0,g1,……gP-1灰度值做二值化處理.然后根據(jù)相鄰像素的不同位置進行加權(quán)求和得到當前像素gc的LBP值.計算公式為:

(1)

(2)

LBP算子以中心像素點的灰度值作為閾值進行閾值化而忽略了像素間的對比度值,最終可能導致部分重要的紋理特征被丟棄.并且當鄰域與中心過度相似時,容易受到噪聲、光照等外界因素影響.

1.2LTP算子

LTP算子是對LBP算子的一種泛化.它定義一個長度為2t的開區(qū)間[-t,t].若鄰域像素點灰度值gi與中心像素點灰度值gc差值在該區(qū)間右邊,則輸入值編碼為1;若差值在該區(qū)間左邊,則輸入值編碼為-1;若差值在該區(qū)間之中,則輸入值編碼為0.可對光照變化和噪聲更加魯棒,增強了局部紋理特征的分類性能為三值編碼形式.計算公式如下:

(3)

(4)

將原二進制編碼中除1以外值的標記為0后得到的編碼,定義為上模式[5].將原編碼中除-1以外的值標記為0后并且用1取代原來的-1,得到的編碼定義為下模式,如圖1所示.最后得到LTP特征統(tǒng)計直方圖用于分類.

LTP算子在一定程度上抵抗了噪聲的影響并能增強對紋理的描述.但由于t為用戶自定義閾值,需要做大量的實驗來驗證,而且無法確定該閾值適用于所有樣本,所以需要找到一種自適應確定該閾值的方法.

圖1　LTP算子編碼Figure 1　LTP operator coding

2改進LTP的提取特征

2.1選取自適應閾值

本文提出了一種基于LTP的自適應閾值,閾值T根據(jù)圖像自身情況自適應選取.方法為計算出中心像素鄰域內(nèi)所有像素點與該中心像素差的平方的和為A,將A的乘以系數(shù)k作為閾值T,每個鄰域編碼值計算公式如下：

(5)

(6)

該LTP方法以動態(tài)閾值替代統(tǒng)一閾值,對圖像局部特征具有自適應性,更適用于解決圖像的差異變化,更好的描述圖像對比度信息,以提高識別精度.

2.2基于多尺度像素塊的特征提取

本文提出基于多分塊加權(quán)的特征提取方法.傳統(tǒng)LTP算子像素值之間的比較被像素塊之間的平均灰度的比較所代替,該方法不再基于單個像素,而是將特征計算擴展到任意大小的像素塊,即用像素塊內(nèi)像素的平均值代表該像素塊的值,在計算LTP特征.可以選取不同大小的像素塊尺度,得到不同尺度的LTP特征圖像(如圖2(b)(c)(d)).

圖2　原圖像與LTP圖像Figure 2　Original image and LTP image

然后分別統(tǒng)計每個特征圖像以得到直方圖向量,并通過公式(7)(8)將所有直方圖向量加權(quán)連接在一起作為人臉描述向量進行人臉識別.

H=(w1·H1,…,wj·Hj);

(7)

(8)

其中Hj為基于sj×tj像素塊下得到的直方圖向量,wj為其權(quán)值.最后分別將基于不同像素塊尺度得到直方圖向量連接成整個人臉圖像的直方圖向量.在任意尺度像素塊上提取LTP特征,能有效把握圖像紋理信息的粗細度,有利于人臉圖像的正確識別.

2.3改進的LTP的提取特征方法應用于人臉識別

本文方法先將圖像分為M×N個子區(qū)域,在基于不同尺度像素塊下,結(jié)合自適應確定LTP閾值的方法,分別提取每個子區(qū)域的特征,統(tǒng)計各子區(qū)域LTP特征.得到不同尺度像素塊下的子區(qū)域的直方圖向量并將其加權(quán)連接,再將所有子區(qū)域直方圖特征連接.針對特征維數(shù)過高的問題,采用主成分分析法(PCA)[6]對LTP直方圖特征進行降維,得到最終的特征向量.最后將紋理特征輸入分類器進行人臉識別.流程如圖3.

圖3　基于改進LTP方法的人臉識別流程圖Figure 3　Face recognition flow chart based on the improved LTP algorithm

3實驗分析

本文實驗采用YALE人臉庫和ORL人臉庫,結(jié)合提出的自適應LTP特征算子進行人臉識別.YALE人臉庫包括15個人共165幅圖像,每人11幅圖像,每幅圖像大小為100×100.ORL人臉庫包含400幅人臉圖像,共40人,每人10幅圖像,每幅圖像大小為112×92.由于上述人臉庫圖像在光照,以及關(guān)鍵點如眼睛嘴巴比較規(guī)范,實驗可以在該圖片集上直接進行,省去了歸一化和校準等步驟.本實驗將LBP與LTP作為對比方法,在YALE庫上每人隨機選擇2至6張圖像作為訓練樣本,再每人隨機選取5張圖像測試樣本.在ORL庫上每人隨機選擇2至6張圖像作為訓練樣本,再每人隨機選取4張圖像測試樣本.最后使用最近鄰分類法分別對兩個人臉庫進行分類.

在提取LTP特征時,結(jié)合(5)(6)式,為了能夠合適地取到閾值中的系數(shù)k,本文將k取為0～0.02(步長為0.002)中的值并得到對應的正確識別率的變化情況.由圖4可以看出：在YALE和ORL人臉庫中,在改進的LTP算子中人臉識別率隨著k值的變化,當k為0.004時,基本可以使得曲線接近或達到峰值.因而,自適應閾值T選擇為

T=0.004A.

(9)

圖4　不同自適應系數(shù)k對應的識別率Figure 4　Recognition rate of different　adaptive coefficients

在確定自適應閾值系數(shù)k為0.004后,在1×1與3×3像素塊的尺度下并應用自適應閾值方法,提取LTP特征,結(jié)合最近鄰分類法得到的人臉識別結(jié)果與傳統(tǒng)的LBP和LTP算子得到的人臉識別結(jié)果如表1、表2.

表1　ORL數(shù)據(jù)庫上不同方法的識別率

表2　YALE數(shù)據(jù)庫上不同方法的識別率

通過比較表1中各方法得到的識別率可知,本文提出的改進的LTP方法識別率高于LBP和LTP方法,可以看出本文在提取LTP特征時采用的自適應閾值并基于多像素塊的特征提取方案方法提高了人臉識別率.

4結(jié)語

本文在LTP方法的基礎上,提出了多像素塊的自適應閾值三值模式紋理特征提取方法.該方法不僅能更全面的描述紋理特征的粗細度,又解決尋找最佳閾值的問題.在YALE和ORL人臉庫上進行實驗表明該方法的人臉識別率高于原LTP方法.然而對于不同的應用場景,本文提出的人臉特征提取方法仍然存在諸多問題有待解決.下一步研究將確定不同圖像最佳像素尺度的LTP提取方法并根據(jù)圖像重要程度不同的區(qū)域提取的特征向量,分配不同的權(quán)值.

【參考文獻】

[1]王憲,張彥,慕鑫,等.基于改進的LBP人臉識別算法[J].光電工程,2012,39(7):109-114.

WANG Xian,ZHANG Yan,MU Xin,et al.The face reco-gnition algorithm based on improved LBP[J].Opto-Electronic Engineering,2012,39(7):109-114.

[2]孔銳,韓佶軒.基于Gabor濾波器的快速人臉識別方法[J]. 計算機應用,2012,32(4):1130-1132,1136.

KONG Rui,HAN Jixuan.New fast face recognition algorithm based on Gabor filter[J].Journal of Computer Applications,2012,32(4):1130-1132,1136.

[3]OJALA T,PIETIKAINEN M.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.

[4]TAN Xiaoyang,TRIGGS B.Enhanced local texture feature sets for face recognition under difficult lighting conditions[J].IEEE Transactions on Image Processing,2010,19(6):1635-1650.

[5]郝燦,朱信忠,趙建民,等.基于改進型LBP特征運動陰影去除方法[J].計算機系統(tǒng)應用,2010,19(5):80-83.

HAO Can,ZHU Jianxin,ZHAO Jianmin,et al.Shadow removal algorithm based on improved LBP features of sports[J].Commputer Systems and Applications,2010,19(5):80-83.

[6]TURK M,PENTLAND A.Eigenfaces for recognition[J].Journal of Cognitive Neuroscience,1991,3(1):71-86.

[7]張潔玉,趙鴻萍,陳曙.自適應閾值及加權(quán)局部二值模式的人臉識別[J].電子與信息學報,2014,36(6):1327-1333.

ZHANG Jieyu,ZHAO Hongping,CHEN Shu.Face recogn-ition based on weighted local binary pattern with adaptive threshold[J].Journal of Electronics and Information Technology,2014,36(6):1327-1333.

[8]宋克臣,顏云輝,陳文輝,等.局部二值模式方研究與展望[J].自動化學報,2013,39(6):730-744.

SONG Kechen,YAN Yunhui,CHEN Wenhui,et al.Resea-rch and perspective on local binary pattern[J].Journal of Automatica Sinica,2013,39(6):730-744.

[9]梅支禮,陶海軍,王加強.Gabor濾波器的掌紋特征提取研究[J].中國計量學院學報,2015,26(3):347-352.

MEI Zhili, TAO Haijun,WANG Jiaqiang.Study of Gabor filters on palmprint feature extraction[J].Journal of China University of Metrology,2015,26(3):347-352.

[10]王小玉,張亞洲,陳德運.基于多塊局部二值模式特征和人眼定位的人臉檢測[J].儀器儀表學報,2014,35(12):2739-2745.

WANG Xiaoyu,ZHANG Yazhou,CHEN Deyun.Face detection based on MB-LBP and eye tracking[J].Journal of Computer Applications,2014,35(12):2739-2745.

Face recognition based on improved local ternary patterns

YAO Chengtian,XIA Zhelei

(College of Information Engineering, China Jiliang University, Hangzhou 310018,China)

Abstract:In order to describe the facial feature, a local ternary patterns (LTP) method based on different scale pixel blocks and adaptive thresholds was proposed. Firstly, the image was divided into several sub regions. The LTP texture histogram of each sub region was extracted by using the adaptive threshold based on pixel blocks with different scales. Then the histogram of each sub region was connected to obtain the final feature vector by the principal component analysis (PCA). Through experiments on the face database, a higher recognition rate was obtained.

Key words:face feature; local ternary patterns; adaptive threshold; PCA

【文章編號】1004-1540(2015)01-0068-05

DOI:10.3969/j.issn.1004-1540.2016.01.013

【收稿日期】2015-09-24《中國計量學院學報》網(wǎng)址：http://zgjl.cbpt.cnki.net

【基金項目】浙江省自然科學基金資助項目(No.LY12F1011).

【作者簡介】姚騁天(1991- )，男，浙江省湖州人，碩士研究生，主要研究方向為數(shù)字圖像處理等.E-mail:420595421@qq.com

【中圖分類號】TP391.4

【文獻標志碼】A

通信聯(lián)系人：夏哲雷，男，教授.E-mail:xia663618@com