管靈霞，楊會成，魯 春，童 英

（安徽工程大學電氣工程學院，安徽 蕪湖 241000）

引言

生物識別技術是指通過人類生物特征信息進行身份認證的一種高科技技術。通常利用計算機技術，結(jié)合光學、聲學、生物傳感器等技術原理工作。根據(jù)其進行身份認證的特征，一般分為兩種類型：生理特征識別和行為特征識別。利用指紋特征、人臉特征、虹膜特征、掌紋特征等人體固有的生理特征進行身份認證的生物識別技術屬于生理特征識別；利用聲音特征、筆跡特征、步態(tài)特征等人體行為特征進行身份認證的識別技術屬于行為特征識別。其中，人臉識別相對于其他生物識別技術的最大優(yōu)勢在于具有唯一不可復制性及識別過程隱秘性等特點，在近幾年得到了飛速的發(fā)展。

當前，人臉識別技術已經(jīng)成為國內(nèi)外科研人員密切關注的熱門課題，我國的人臉識別技術也逐漸成熟。近年來，人臉識別技術作為人工智能學科中發(fā)展最為快速的一個分支，已經(jīng)出現(xiàn)在我們的生活中，比如：春節(jié)期間各大車站的刷臉驗票系統(tǒng)、Face＋＋技術為支付寶提供的刷臉登錄系統(tǒng)、還有百度家的小度機器人等。

人臉識別技術最為關鍵的技術內(nèi)容就是人臉特征信息的提取。根據(jù)人臉特征信息提取的范圍，可分為基于全局人臉特征、基于局部人臉特征兩種。人臉的全局特征信息，主要有膚色、輪廓、五官的分布情況等整體信息。而局部特征用來描述人臉細節(jié)，比如大嘴巴、高鼻梁、瞇瞇眼等和一些面部特殊標志，如痣、傷疤等。全局用于粗略匹配，局部用于精細匹配?；谌秩四樚卣鞯姆椒ㄖ饕幸韵聨追N：主元分析PCA（Principal Component Analysis）［1］、線性判決分析 LDA（Linear Discrimi-nant Analysis）［2］、非負矩陣因子 NMF（Nonnegative Matrix Factorization）［3］?；谌秩四樚卣髯R別技術雖然能從整體對人臉進行提取，可以很好地留下圖像的紋理特征信息，但是這種方法對于光線條件和人臉姿態(tài)比較敏感?；诰植咳四樚卣鞯姆椒ㄖ饕幸韵聨追N方法：局部二值模式 LBP（Local Binary Pattern）［4］、局部特征分析LFA（Local Features Analysis）［5］、Gabor小波［6］等?；诰植咳四樚卣鲗饩€條件、人臉形態(tài)和面部遮擋等變化具有更好的魯棒性，所以局部特征提取方法近年來得到了較大發(fā)展，更多地運用在人臉識別方向上。

LBP是一種灰度范圍內(nèi)的紋理描述方式，有旋轉(zhuǎn)不變性及灰度不變性等許多優(yōu)點。芬蘭奧盧大學的Ahonen等人1996年第一次在人臉識別領域運用LBP算子［7］，把人臉圖片劃分為多個區(qū)域，一定程度上實現(xiàn)了混合人臉特征的技術，取得了較好的實驗效果。之后，LBP在人臉識別領域的應用得到了研究人員廣泛的關注［8-9］，但還存在相當多的問題需要解決。

本文在基本LBP算法的基礎上提出基于分塊加權LBP技術的人臉識別算法［10-12］，將人臉分為5×3子分塊，根據(jù)人臉五官在人臉識別中的不同貢獻度賦予不同的權重，并通過ORL和YALE兩種人臉數(shù)據(jù)庫實驗這種算法的準確性。

1 LBP算法的基本原理

1.1 LBP算子

在模式識別領域和數(shù)字圖像處理領域，LBP指的是局部二值模式［4］，是一種用來描述圖像特征信息的算子，且描述的是圖像的局部紋理特征。LBP算子最開始是為了輔助圖像局部對比度，并不是一個完整的特征描述算子，后來提升為一種有效的紋理描述算子，度量和提取圖像局部的紋理信息，對光照具有不變性，是一種局部信息提取方法。

初始LBP算子定義在一個在3×3的矩形區(qū)域內(nèi)，如圖1所示，閾值是該區(qū)域中心像素的灰度值，依次把該中心像素周圍8個像素的灰度值與其進行比較，若中心像素值小于等于周圍像素值，則該周圍像素點的位置被標記為1，若中心像素值大于周圍像素值，則該周圍像素點的位置被標記為0。按照這樣的方式，這個3×3領域內(nèi)的8個周圍像素按照一定的順序可以轉(zhuǎn)換為一個8位的二進制無符號數(shù)，這個無符號數(shù)就是該區(qū)域的LBP值。

圖1 原始LBP算子計算示意圖

由于矩形區(qū)域不具有旋轉(zhuǎn)不變性且3×3的區(qū)域有一定的局限性，Ojala［14］等人提出多分辨率LBP算子方法，將LBP算子定義在一個半徑為R（R＞0）的圓形區(qū)域內(nèi)，有P（P＞0）個鄰域像素均勻分布在圓周上，如果周圍像素的灰度值沒有落在中心像素位置上，可以通過雙線性插值法計算得出。則定義在圓形區(qū)域的LBP算子的計算公式如下：

其中，gc是該區(qū)域中心像素的灰度值，gi是該中心像素周圍的第i個像素灰度值，P為采樣點數(shù)，R為該圓形區(qū)域半徑。圖2為幾種不同的LBP算子。

圖2 幾種LBP算子

1.2 旋轉(zhuǎn)不變性LBP算子

當圖片在發(fā)生旋轉(zhuǎn)的時候，中心像素四周的周圍像素位置也會發(fā)生變化，則LBP算子的值也會發(fā)生變化（除非全為1或全為0）。同時，由上文可知，當P的值越來越大的時候，LBP值的數(shù)目越來越多。比如，當P＝5時，LBP值有25＝32個；當P＝10時，LBP值有210＝1024個。Ojala等人在原始LBP算子的基礎上提出了具有旋轉(zhuǎn)不變性的LBP算子，通過不斷旋轉(zhuǎn)圓形鄰域得到一系列初始定義的值，取其最小值作為該鄰域的值［14-16］。計算公式定義為：

式中，ROR（x，i）是指二進制數(shù)值x繞著圓形區(qū)域依次右移i位，其中二進制數(shù)值x有P位。

1.3 旋轉(zhuǎn)不變的均衡LBP算子

由上可知，當LBP值的數(shù)目變得龐大，采用包含LBP算子的統(tǒng)計直方圖來描述人臉圖像的時候，統(tǒng)計直方圖的圖像信息會過于分散，不能高效地描述圖像。因此考慮降低LBP值的種類，只通過保留較少種類的LBP值信息有效描述圖像。

在LBP算子的定義中，因為是二進制模式，所以只會包含0和1兩種值，那么只會出現(xiàn)兩種跳變，0到1或1到0。基于此，Ojala提出一種新的思想：如果一個局部二進制模式的循環(huán)二進制值跳變不超過2次時，稱其為LBP算子的均衡模式（Uniform Pattern），如果跳變超過2次，定義為混合模式。比如，P＝6時，000000和111111有零次跳變，001100有兩次跳變，這3個值都是均勻模式；101001有四次跳變，是非均衡模式。均衡LBP算子的度量定義為U，滿足U≤2的模式叫做均衡模式，定義如下：

其中gP＝g0，表示旋轉(zhuǎn)不變的均衡LBP算子。U值越大，說明圖像的結(jié)構(gòu)信息變化越大，越不均衡，跳變頻率越高；U越小，結(jié)構(gòu)越均衡，跳變頻率越低。

經(jīng)過上述的改進，對于參數(shù) （P，R），原來的不同LBP二值模式的數(shù)量有2P種，現(xiàn)在減少到均衡模式有P＋1種，其余所有的非均衡模式算為1種，則共有P＋2種LBP二值模式。有效減弱了LBP值的種類，降低了LBP模式的維數(shù)，減少了噪聲的影響。

2 基于分塊加權LBP技術的人臉識別算法

2.1 分塊加權LBP算法特征提取

實驗發(fā)現(xiàn)，人臉的五官局部差異較大，使用旋轉(zhuǎn)不變的均衡LBP算子的統(tǒng)計直方圖來表達人臉的特征信息必然會有部分信息丟失。尤其當光照和人臉表情變化時，上述方法的識別率會顯著降低。針對這個問題，提出分塊 LBP算法［17］。

分塊LBP算法，先把圖像劃分為不重疊的矩形區(qū)域，然后對得到的矩形分塊進行特征分析，再將每個分塊圖像的直方圖按照規(guī)律排列構(gòu)成完整的直方圖，這個完整直方圖就是整個人臉圖像的統(tǒng)計直方圖，可以把它作為整個人臉的特征向量，如圖3所示，將人臉分為5×3的子分塊。這種改進的方法能高效地提取人臉圖像的局部信息，提高光照和人臉表情變化時的識別效果［18-20］。

圖3 分塊LBP統(tǒng)計直方圖生成過程

由于人臉各部分的特征值在人臉識別技術中的貢獻值不同，尤其是五官所在區(qū)域，因此，為提高識別精度，需要對相應部分進行合理的權重分配。對于人臉識別貢獻程度最大的部分，如鼻子、嘴巴所在區(qū)域權重設為3，對于人臉識別貢獻程度較大的部分，如眼睛、眉毛所在區(qū)域權重設為2，對于人臉識別貢獻程度較小的區(qū)域權重設為1，如圖4所示。

圖4 人臉信息的子分塊權重

2.2 人臉特征匹配

常用的對比直方圖相似性的方法有以下三種：

（1）直方圖相交距離（Histogram intersection）：

（2）Chi（χ2）統(tǒng)計法（Chi square statistic）：

（3）對數(shù)似然統(tǒng)計法（Log－likelihood statistic）：

本文選用Chi（χ2）統(tǒng)計法對比不同直方圖之間的相似性，兩個樣本之間計算得到的χ2值越小，說明兩個直方圖越相似。計算選定訓練樣本的分塊加權LBP算法的統(tǒng)計直方圖χ2值，與計算的測試樣本的分塊加權LBP算法的統(tǒng)計直方圖χ2值進行比較，通過最近鄰分類器進行人臉識別。

3 實驗與結(jié)論

3.1 實驗仿真

本文中的PC實驗環(huán)境為 Window7，實驗平臺為MATLAB7.0。

為了驗證本文中提出的改進的LBP算法的性能，實驗選取ORL和YALE人臉庫，并比較在傳統(tǒng)LBP算法、分塊LBP算法和加權分塊LBP算法三種不同算法下訓練樣本數(shù)不同情況下的識別準確率。

ORL人臉庫共有40人，每人10幅圖片，共包含400幅人臉圖片，圖片尺寸92×112，部分圖片包含發(fā)型、表情等信息特征。YALE人臉庫共有15個不同年齡、不同膚色的志愿者，每人11幅圖片，共包含165幅人臉圖片，圖片尺寸100×100，多數(shù)包含不同表情、不同姿態(tài)的信息特征。

實驗步驟如下：

（1）預處理。對人臉圖像進行高斯濾波和直方圖均衡化等一系列預處理。

（2）提取預處理后圖像的LBP直方圖特征，分別是傳統(tǒng)LBP方法、5×3分塊LBP方法、5×3分塊加權LBP方法。

（3）將直方圖融合成為識別特征。

（4）將訓練圖像與測試圖像進行人臉特征匹配。

（5）通過最近鄰分類器進行人臉識別。

從ORL人臉庫和YALE人臉庫每個志愿者的人臉圖片中分別挑出1幅、3幅、5幅圖片作為訓練樣本，剩下圖片作為測試樣本。

實驗過程中發(fā)現(xiàn)，使用傳統(tǒng)LBP人臉識別技術存在相對較多誤識別情況，如圖5所示。但是，在使用5×3分塊加權LBP方法時，能正確進行人臉識別，如圖6所示。但是，使用分塊加權LBP方法也存在個別誤識別情況，圖7為在ORL人臉庫中某個誤識別結(jié)果。初步判斷誤識別原因為該測試圖像受光照影響較大，圖片亮度較低，為了驗證這種猜測，對該照片進行一系列光照補償處理，將光照補償?shù)玫降臏y試圖像再次進行人臉識別可得到如圖8所示的實驗結(jié)果，進一步論證了猜測結(jié)論。

圖5 傳統(tǒng)LBP人臉識別方法誤識別結(jié)果

圖6 5×3分塊加權LBP方法的圖像人臉識別結(jié)果

圖7 ORL人臉庫中的誤識別結(jié)果

圖8 圖像進行光照補償處理后的人臉識別結(jié)果

3.2 實驗結(jié)論

在ORL數(shù)據(jù)庫中不同算法的識別率見表1，在YALE數(shù)據(jù)庫中不同算法的識別率見表2。

表1 ORL數(shù)據(jù)庫中不同算法的識別率

表2 YALE數(shù)據(jù)庫中不同算法的識別率

由表1和表2可得出以下結(jié)論：

（1）人臉識別實驗中，訓練的樣本數(shù)目越大，人臉識別的準確率越高。

（2）圖像是否分塊能影響人臉識別準確率，分塊LBP算法提取人臉信息特征的能力強于傳統(tǒng)LBP算法。

（3）根據(jù)人臉五官在人臉識別中的不同貢獻值給不同的子分塊加權明顯優(yōu)于傳統(tǒng)LBP算法和5×3分塊LBP算法。該方法在ORL人臉數(shù)據(jù)庫中識別率高達96.71%，在YALE人臉數(shù)據(jù)庫中識別率可達95.83%。

4 結(jié)束語

本文提出了一種基于分塊加權LBP技術的人臉識別算法。通過將人臉分為5×3子分塊，根據(jù)人臉五官在人臉識別中的不同貢獻度賦予不同的權重提取人臉信息特征。本文使用MATLAB軟件進行仿真，通過在ORL和YALE兩種人臉數(shù)據(jù)庫中訓練不同樣本數(shù)，比較傳統(tǒng)LBP方法、5×3分塊LBP方法和5×3分塊加權LBP方法的人臉識別準確率。實驗證明分塊加權LBP技術在人臉識別中可以有效提高識別準確率。

參考文獻：

[1]LATA Y V.Impact of image resizing factor in face recognition system using PCA[J].Journal of Global Research in Computer Science,2011,2(4):161-166.

[2]ETENMAD K,CHELLAPPA R.Discriminant analysis for recognition of human face image[J].Journal of the Optical Society of America A,1997,14(8):1724-1733.

[3]LEE D D,SEUNG H S.Learning the parts of objects by non-negative matrix factorization[J].Nature,1999,401(6755):788-791.

[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]PENEV PS,ATICK JJ.Local feature analysis:a general statistical theory for object representation[J].Network Computation in Neural Systems,1996,7(3):477-500.

[6]DAUGMAN JG.Uncertainty relation for resolution in space,spatial frequency,and orientation optimized by two-dimensional visual cortical filters[J].Journal of the Optical Society of America A,1985,2(7):1160-1169.

[7]AHONEN T,HADID A,PIETIKAINEN M.Face description with local binary patterns:application to face recognition[J].IEEE Transactions on Pattern Analysis And Machine Intelligence,2006,28(12):2037-2041.

[8]張雯,王文偉.基于局部二值模式和深度學習的人臉識別[J].計算機應用,2015,35(5):1474-1478.

[9]牛連強,趙子天,張勝男.基于Gabor特征融合與LBP直方圖的人臉表情特征提取方法[J].沈陽工業(yè)大學學報,2016,38(1):63-68.

[10]楊海燕,劉國棟.基于MB-LBP算子和 Multilinear PCA算法的人臉識別[J].計算機應用研究,2012,29(12):4733-4735.

[11]周汐,曹林.分塊LBP的素描人臉識別[J].中國圖象圖形學報,2015,20(1):50-58.

[12]李春利,沈魯娟.基于改進LBP算子的紋理圖像分類方法[J].計算機工程與設計,2016,37(1):232-236.

[13]OJALA T,PIETIKAINEN M,MAENPAA T.Multiresolution gray scale and rotation invariant texture classification with local binary patterns[J].IEEE Trans on Pattern Analysis and Machine Intelligence,2002,24(7):971-987.

[14]劉麗,謝毓湘,魏迎梅,等.局部二進制模式方法綜述[J].中國圖象圖形學報,2014,19(12):1696-1720.

[15]郭婷婷,范鐵生.基于改進型局部二值模式的人臉識別方法研究[J].數(shù)字技術與應用,2013(12):71-72.

[16]郭賀飛,陸建峰,董忠汶.一種基于改進LBP特征的人臉識別[J].現(xiàn)代電子技術,2015,38(4):98-101,105.

[17]GOTTUMUKKAL R,VASARI V K.An improved face recognition technique based on modular PCA approach[J].Pattern Recognition Letters,2004,25:429-436.

[18]張茹,薛凱,李瑋暉,等.基于分塊技術的改進 LPB人臉識別算法的研究[J].電腦知識與技術,2016,12(11):173-176.

[19]袁寶華,王歡,任明武.基于完整LBP特征的人臉識別[J].計算機應用研究,2012,29(4):1557-1559.

[20]李旭.基于分塊加權局部二值模式的新生兒疼痛表情識別[D].南京:南京郵電大學,2014.