馮婧 顧梅花

摘要：基于OpenCV的人臉識別算法，具體為局部二值模式直方圖（LBPH），特征臉（Eigenface）以及Fisherface算法。介紹了各個(gè)算法的核心思想、具體實(shí)現(xiàn)步驟、應(yīng)用場景以及優(yōu)缺點(diǎn)，并在OpenCV平臺上采用Python語言對三種算法進(jìn)行仿真調(diào)試。實(shí)驗(yàn)結(jié)果顯示，LBPH、Eigenface、Fisherface三種算法的正確率分別可達(dá)98.56%、81.16%和89.13%。

關(guān)鍵詞：人臉識別;OpenCV;LBPH;Eigenface;Fisherface

中圖分類號：TP391 文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2020）14-0003-03

1引言

人臉識別作為一種主流的生物識別方法，被廣泛應(yīng)用于眾多身份鑒別場景，是當(dāng)下計(jì)算機(jī)視覺與模式識別領(lǐng)域的研究熱點(diǎn)。但是，當(dāng)面臨不同的采集環(huán)境，人臉的多姿態(tài)問題，即光照問題，表情變化問題，遮擋干擾問題等都給人臉識別帶來了挑戰(zhàn)，因此人臉識別算法的研究仍有重大意義。本文介紹了基于OpenCV的三種經(jīng)典人臉識別算法，即局部二值模式直方圖（LBPH）算法，特征臉（Eigenface）算法以及Fisherface算法，并給出了相關(guān)實(shí)驗(yàn)結(jié)果與分析。

2基于openCV的三種經(jīng)典人臉識別算法

2.1局部二值模式直方圖（LBPH）算法

2.1.1原理

局部二值模式（Local Binary Patterns，LBP）在1996年由Timo Ojala等人提出。算法的核心原理是先將人臉灰度圖像分成若干小的區(qū)域，通過對這些小的區(qū)域采用相應(yīng)的LBP算子進(jìn)行處理，獲得相應(yīng)的LBP值后，再繪制體現(xiàn)人臉特征信息的LBP統(tǒng)計(jì)直方圖，并將測試統(tǒng)計(jì)直方圖與訓(xùn)練統(tǒng)計(jì)直方圖進(jìn)行相似度比較，與測試樣本最為相似的訓(xùn)練樣本即為識別結(jié)果。

2.1.2方法步驟

第一步：將人臉灰度圖像劃分為若干相同大小的圓形子區(qū)域。

第二步：利用公式（1）進(jìn)行LBP圓形算子處理。LBP圓形算子的主要思想是在子區(qū)域內(nèi)，用圓周上的某個(gè)像素點(diǎn)灰度值與中心像素點(diǎn)的灰度值相比較，大于或等于的情況下，該位置像素用l替換，反之，該位置像素用0替換。

第三步：利用公式（2）獲得LBP值。即將第二步的結(jié)果按一定順序排列成二進(jìn)制碼序列，再將其轉(zhuǎn)換為十進(jìn)制數(shù)，即得LBP值。在公式（2）中，P代表圓形子區(qū)域的圓周上采樣像素點(diǎn)個(gè)數(shù)，R代表圓形子區(qū)域的區(qū)域半徑。

第四步：分別繪制訓(xùn)練集和測試集的LBP統(tǒng)計(jì)直方圖。

第五步：將測試樣本的每個(gè)圓形子區(qū)域的直方圖與訓(xùn)練集中的所有圓形子區(qū)域的直方圖作比較，與測試樣本相似度最高的訓(xùn)練樣本即為識別結(jié)果。

局部二值模式直方圖（LBPH）算法的流程圖如圖1。

2.2特征臉（Eigenface）算法

2.2.1原理

特征臉（Eigenface）算法最早在1987年由Sirovich.L和Kirby.M提出，在1991年由Turk.M和Pentland.A進(jìn)一步完。應(yīng)用特征臉?biāo)惴ǖ那疤崾谴R別圖像人臉尺寸與特征臉尺寸一致，且為正面。算法的基本原理是使用主成分分析（PrincipalComponent Analysis，PCA）方法對人臉灰度圖像進(jìn)行降維處理，去除不必要的信息，保留最能體現(xiàn)人臉特征的向量。再先后求得訓(xùn)練集和測試集相應(yīng)的特征向量。遍歷所有訓(xùn)練集的特征向量后，與測試樣本最為接近的訓(xùn)練樣本即為識別結(jié)果，其中，接近程度可采用歐式距離來衡量。

2.2.2方法步驟

2.3 Fisherface算法

2.3.1原理

線性判別分析（Linear Discriminant Analysis，LDA）在1996年由Belhumeur等人首次應(yīng)用到人工智能和模式識別領(lǐng)域。算法的核心思想是先對原始數(shù)據(jù)集進(jìn)行PCA降維，目的是去除冗余信息，找到最能代表人臉特征的向量表達(dá)，緊接著再使用LDA線性判別分析，用Fisher特征向量來體現(xiàn)樣本的分類特征，再通過求取歐式距離等方法進(jìn)行人臉相似性判斷，以實(shí)現(xiàn)人臉識別。

2.3.2方法步驟

第一步：對原始數(shù)據(jù)集進(jìn)行PCA降維。

第二步：利用LDA方法對第一步提取到的特征進(jìn)行分類。目的是要讓不同人的圖像之間的距離變大，與此同時(shí)，同一個(gè)體的不同圖像間的距離變小。不同人多圖像之間的距離Sh用類間離散度矩陣來衡量，如公式（9）。

第四步：用Fisher特征向量重新描述訓(xùn)練樣本和測試樣本。

第五步：比較兩者的Fisher特征向量相似度，給出識別結(jié)果。

Fisherface算法流程圖如圖3。

3實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)選取The CNBC Face Database人臉數(shù)據(jù)集Caucasian部分中的70人，共計(jì)采用560幅人臉圖像進(jìn)行實(shí)驗(yàn)。所選取實(shí)驗(yàn)數(shù)據(jù)集特點(diǎn)為光照影響較為明顯，拍攝角度略有偏轉(zhuǎn)，表情變化明顯。

人臉檢測采用OpenCV中的AdaBoost算法進(jìn)行人臉框定，檢測效果如圖4。

然后，采用LBPH，Eigenface和Fisherface三種算法模型對經(jīng)過歸一化的訓(xùn)練集進(jìn)行訓(xùn)練，再用剩余的部分作為測試集進(jìn)行測試，得到相應(yīng)的識別正確率。

由表1可知，在光照影響較明顯，有一定拍攝角度偏差的條件下，可認(rèn)為Eigenface和Fisherface算法的識別正確率偏低，選擇LBPH算法為最佳。另外，分析表1數(shù)據(jù)可知，當(dāng)訓(xùn)練樣本規(guī)模增加時(shí)，三種算法的正確率均有所提升，且Fisherface的提升效果最為明顯，可見，增加訓(xùn)練樣本集規(guī)模是一種提升算法識別正確率的途徑。

相應(yīng)地，對每種算法模型各執(zhí)行10次，取其識別時(shí)間的平均值，可得Eigenface算法所花時(shí)間為1.32毫秒，F(xiàn)isherface算法用時(shí)2.43毫秒，而LBPH需花費(fèi)2.69毫秒。不難看出，在上述條件下，雖然Eigenface識別正確率偏低，但其識別速度更快。

4小結(jié)

在進(jìn)行人臉識別時(shí)，LBPH算法適合于應(yīng)用在光照影響較明顯的場景;Eigenface算法對人臉的正面圖像識別效果較好，但是，當(dāng)人臉的拍攝角度有一定偏轉(zhuǎn)時(shí)，識別率仍有待提高;Fisherface算法在降維的基礎(chǔ)上利用LDA來選擇出人臉樣本的最優(yōu)分類特征，分類效果較好。