廟傳杰， 史東承

(長春工業(yè)大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院， 吉林 長春 130012)

0 引 言

人臉識別在身份識別中有著重要的應(yīng)用，這種方法主要是根據(jù)人臉視覺特征信息實(shí)現(xiàn)識別目的。人臉識別研究中，重點(diǎn)研究內(nèi)容為設(shè)計(jì)出一些高性能的算法，從而更好滿足識別結(jié)果相關(guān)要求。當(dāng)前人臉識別領(lǐng)域中，相關(guān)的算法已經(jīng)有很多[1]。

1)通過積分描述歐式距離，且據(jù)此確定出人臉圖像的幾何特征。

2)基于模板匹配提取面部的重要特征信息。目前此領(lǐng)域的重點(diǎn)問題是在外界環(huán)境明顯改變情況下，如何高效準(zhǔn)確地進(jìn)行人臉識別。此外，引入其他領(lǐng)域的技術(shù)建立新算法或改進(jìn)原有算法也是此領(lǐng)域的主要研究方向。起初一些學(xué)者建立了Eigenface方法[2]，在處理過程中基于主成分分析方法提取人臉特征，在此基礎(chǔ)上建立特征臉，不過初步提取后還應(yīng)該降低其維數(shù)。據(jù)此建立了Fisherface方法[3]，在處理過程中先對提取的特征向量主成分分析降維，接著基于線性判別分析方法降低特征的類內(nèi)差異，據(jù)此提取的特征容易受到表情、光照相關(guān)因素的干擾，也不滿足實(shí)際應(yīng)用要求。因而一些研究者建立了基于局部特征的人臉圖像識別算法。

文中對已有的算法進(jìn)行對比分析，在LBP的基礎(chǔ)上對圖像進(jìn)行分割[4]，通過加權(quán)的MB-LBP算子，再通過加權(quán)融合得到新的特征，這種方法在提取過程中先確定出采集所得圖像的標(biāo)準(zhǔn)LBP分塊，以及加權(quán)MB-LBP特征，然后設(shè)置合適的權(quán)重融合兩種特征值，隨后通過仿真驗(yàn)證算法的有效性，實(shí)驗(yàn)表明，這種方法得到的特征能更好地滿足人臉識別要求。

1 LBP算法的基本原理

在模式識別領(lǐng)域，LBP算法有重要的應(yīng)用[5]，局部紋理特征的描述能很好地表示出圖像。初始LBP一般是在圖像局部對比度領(lǐng)域有一些應(yīng)用，其后一些學(xué)者對其進(jìn)行改進(jìn)而形成紋理描述算子，并通過其對圖像的紋理信息進(jìn)行描述，由于不容易受到外界光線變化影響，因而可很好地滿足圖像識別要求。

對初始LBP算子進(jìn)行定義時(shí)，在3×3的范圍里，取中心像素值為閾值，然后得到此范圍周圍的8個(gè)像素灰度值，分別與中心像素值作比較，如果中心像素閾值大于周圍像素灰度值，則周圍像素點(diǎn)的值被賦為0，而相反情況下設(shè)置為1?；谶@種規(guī)則對此區(qū)域的8個(gè)周圍像素進(jìn)行轉(zhuǎn)換處理，形成8個(gè)邏輯值，也就是此區(qū)域的LBP值,如圖1所示。

圖1 LBP算子

在實(shí)際應(yīng)用中，受到3×3區(qū)域的旋轉(zhuǎn)變化限制，文獻(xiàn)[6]對此進(jìn)行改進(jìn)，建立了多分辨率LBP算子，這種算子是定義在圓形區(qū)域中，在圓周上等間隔放置P個(gè)像素點(diǎn)，通過分析圓周上點(diǎn)的像素灰度值與中心像素值的位置是否落在中心，如果沒有在中心，則可基于雙線性插值法進(jìn)行處理。據(jù)此建立LBP算子表達(dá)式為:

(1)

(2)

幾種圓形LBP算子如圖2所示。

圖2 幾種圓形LBP算子

2 人臉LBP特征提取

2.1 加權(quán)MB-LBP算法介紹

在人臉識別過程中，人臉不同區(qū)域特征值的貢獻(xiàn)值存在差異性，五官所在區(qū)域的貢獻(xiàn)度更大，因而為有效滿足識別精度要求，需要合理設(shè)置人臉分塊圖上不同區(qū)域的權(quán)重。其中鼻子、嘴巴所在區(qū)域的識別貢獻(xiàn)度大，因而設(shè)置權(quán)重為3，眼睛、眉毛對應(yīng)的區(qū)域設(shè)置為2，其余區(qū)域的貢獻(xiàn)度低，設(shè)置為1，據(jù)此確定出權(quán)重結(jié)果如圖3所示。

由于標(biāo)準(zhǔn)LBP算子在處理過程中所得到的直方圖很稀疏，不滿足統(tǒng)計(jì)要求，因而需要進(jìn)行標(biāo)準(zhǔn)化處理[8]，在此基礎(chǔ)上分別收集，也就是將前者相應(yīng)的像素劃分到一個(gè)收集箱，后一種模式的像素劃分到一個(gè)公用收集箱。這樣可有效降低特征數(shù)目，同時(shí)也提高了直方圖的統(tǒng)計(jì)性能，為其后面的處理提供支持。

2.2 加權(quán)MB-LBP算法特征提取

傳統(tǒng)的LBP算子性能很有限，單純可對局部信息進(jìn)行描述，因而需要改進(jìn)。文獻(xiàn)[8]研究發(fā)現(xiàn)，即使不同的結(jié)構(gòu)，對中心像素而言，也有很大可能導(dǎo)致出現(xiàn)相同的LBP特征。為了應(yīng)對此種情況，分塊LBP應(yīng)運(yùn)而生，但是LBP分塊就會導(dǎo)致丟失一些紋理細(xì)節(jié)。文中對此進(jìn)行綜合分析，提出了特征加權(quán)融合方法，也就是綜合LBP及加權(quán)MB-LBP的優(yōu)勢，有效地提高了算子的整體識別要求，提高了其應(yīng)用性能。

文中進(jìn)行LBP特征或MB-LBP特征提取過程中都選擇了圖像分區(qū)思路，實(shí)際應(yīng)用結(jié)果表明，分區(qū)提取可有效地避免單個(gè)LBP提取過程中丟失局部差異信息的缺陷，其處理流程如下：

1)對目標(biāo)圖像進(jìn)行劃分，形成一定量塊區(qū)域；

2)對其中各塊區(qū)域提取，確定出相應(yīng)的 LBP特征；

3)聯(lián)合全部區(qū)域的直方圖特征，將所得結(jié)果作為整體圖像的這種特征。

文中建立的這種算法通過支持向量機(jī)(SVM)[9]進(jìn)行特征分類，這種工具可有效地進(jìn)行樣本分類，且分類后相應(yīng)的類間隔最大。對于支持向量機(jī)，肯定會對線性可分和線性不可分進(jìn)行解決。在可分條件下，通過一個(gè)最優(yōu)分類面就可以進(jìn)行兩種類別樣本的劃分，且可滿足經(jīng)驗(yàn)風(fēng)險(xiǎn)相關(guān)要求，此分類超平面表達(dá)式為

w·x+v=0。

在如下函數(shù)最小基礎(chǔ)上就可以使得兩類的分類間隔最大

(3)

式(3)的約束條件為yi(w·x+b)≥1,?i∈{1,2,3,…,n},引入Langrange乘子ai，從而得到

(4)

(5)

2)將提取的這兩個(gè)特征分別輸入支持向量機(jī)，確定出與此相關(guān)的投票結(jié)果矩陣，可通過如下表達(dá)式確定：

(6)

(7)

式中:N----相應(yīng)樣本類別總數(shù);

(8)

式中：θ1+θ2=1，最終取MAX(vote)作為最終的投票結(jié)果。

3 實(shí)驗(yàn)仿真與分析

3.1 人臉數(shù)據(jù)集

對這種算法的性能檢測測試，文中選擇了AR、ORL人臉庫來仿真分析。其中ORL人臉庫是劍橋研究者建立的，這個(gè)庫有40個(gè)對象，他們的年齡種族都不同，并且每個(gè)人都有10幅不同的圖像，圖像背景是黑色，下面是人臉庫的一部分。AR人臉庫中總共包含100個(gè)對象的人臉圖像，其中男性圖像50幅，女性圖像50幅，并且每人不同姿態(tài)的人臉圖像各26幅。ORL人臉數(shù)據(jù)庫部分人臉圖像如圖5所示。

1.jpg 2.jpg 3.jpg 4.jpg 5.jpg

文中主要分析光線對人臉識別的影響情況，因而篩選處理后得到各對象的14幅圖像來仿真分析，其中一些人臉圖像情況如圖6所示。

1.jpg 2.jpg 3.jpg 4.jpg 5.jpg

3.2 實(shí)驗(yàn)結(jié)果與分析

根據(jù)以上圖像分析可知，ORL人臉庫中，各對象的10幅圖像沒有出現(xiàn)明顯光照變化，而在另一個(gè)人臉庫中，這種差異很顯著，根據(jù)文中的研究目標(biāo)和要求，選擇傳統(tǒng)LBP、MB-LBP以及加權(quán)的MB-LBP用于實(shí)驗(yàn)，具體實(shí)驗(yàn)訓(xùn)練樣本數(shù)和識別率分別見表1和表2。

表1 ORL人臉庫不同算法的人臉識別率 %

表2 AR人臉庫不同算法的人臉識別率 %

在AR人臉庫中，基于文中算法進(jìn)行仿真分析，檢測了各權(quán)重條件下人臉識別率，且進(jìn)行對比分析，其中訓(xùn)練集設(shè)置了8幅圖像，據(jù)此進(jìn)行識別,AR人臉庫不同權(quán)重的人臉識別率見表3。

表3 AR人臉庫不同權(quán)重的人臉識別率 %

從表2可以看出，在復(fù)雜光照的影響下較表1識別率有所下降，加權(quán)MB-LBP仍能取得較好的識別率。表3可以看出，用加權(quán)融合方法能夠提高識別率，在權(quán)重比(0.4∶0.6)均衡的時(shí)候識別率最高。在光照復(fù)雜的情況下，LBP和加權(quán)MB-LBP經(jīng)過加權(quán)融合特征能夠提高人臉識別率。

4 結(jié) 語

進(jìn)行了光線干擾情況下的人臉識別研究，在對比已有算法基礎(chǔ)上建立了一種基于LBP特征和加權(quán)融合的特征提取算法。這種方法在特征提取過程中，先提取標(biāo)準(zhǔn)LBP和加權(quán)分塊特征，再設(shè)置合適的權(quán)重系數(shù)來融合提取的兩種特征，融合處理后的特征可更好地描述局部紋理信息，同時(shí)還可以對全局信息進(jìn)行高效的描述，有效降低了光線的干擾。通過ORL和AR人臉庫測試分析發(fā)現(xiàn)，和傳統(tǒng)的LBP特征相比，改進(jìn)算法的人臉識別率提高了很多。