一種基于改進LBP特征的人臉識別

摘 要： 傳統的LBP算子只利用了局部的信息，而忽略了全局信息。MB_LBP算子雖然充分考慮了全局信息，但對局部信息的表示不足。在此提出一種改進后的LBP特征的人臉識別方法，改進后的LBP算子不僅能夠利用局部特征，同時也兼顧了全局信息。該方法首先將人臉圖像分塊，對于每個分塊，計算LBP特征，對于得到的LBP特征，根據其中心像素和分塊灰度均值關系重新進行計算得到改進后的LBP特征，最后采用最近鄰分類器進行識別。在ORL和YALE標準人臉數據庫上的實驗表明，改進后的識別效果優于使用傳統LBP算子和MB_LBP算子。采用改進后的LBP算子，能夠明顯提高識別率，在ORL和YALE的實驗顯示能提高3%～8%左右的識別率。

關鍵詞： LBP； 人臉識別； 特征提取； 人臉數據庫

中圖分類號： TN919?34； TP391.4 文獻標識碼： A 文章編號： 1004?373X（2015）04?0098?04

0 引 言

從Ahonen等人將局部二值模式（Local Binary Pattern，LBP）應用到人臉識別領域以來[1?2]，該方法在人臉識別領域取得了很大的成功。用局部二值模式來表示人臉圖像的特征，采用X2統計作為相似度量來進行人臉識別。由于其訓練樣本要求小，計算簡單等特點使其在人臉識別以及紋理識別等領域取得很好的識別率。

LBP在紋理分析方面有著廣泛的應用，在人臉識別領域的成功使得其在近幾年有了很大的發展。從LBP到MB_LBP再到后來的完整LBP（Completed Local Binary Pattern）[3]，每一次都在人臉識別領域取得了較大的成功?？紤]到LBP算子僅考慮了周圍像素并沒有考慮全局的灰度分布，MB_LBP充分考慮了全局結構信息而忽略了一部分局部信息。考慮到完整LBP使用多個字節來表示一個像素，其對存儲空間要求過大，并且有著復雜的計算過程。本文提出了一種改進的LBP算子進行人臉識別。為了考慮LBP在全局上的分布，將分塊后的圖像灰度均值作為閾值將LBP特征重新分散到指定范圍。由于LBP只是考慮了周圍像素與中心像素的差值，所以不同灰度的中心像素可能會得到相同的LBP特征，為了區分不同灰度的LBP特征，將LBP特征根據分塊的全局灰度重新離散到特征范圍。改進后的LBP算子保持了原始LBP的存儲空間小的特點，同時又能兼顧局部信息和全局信息。

1 LBP簡介和人臉識別

1.1 LBP

LBP 算子是一種描述紋理特征的強有力的方法。原始的 LBP算子為圖像的每個像素定義了一個以該像素為中心的 3×3 的窗口，然后根據中心像素和周圍像素的差值進行二值化，然后根據像素的位置以及二值化的結果進行加權求和得到該像素的LBP值。圖1為基本LBP算子的計算過程。

式中[iP]為周圍像素灰度值；[iC]為中心像素灰度值。

S（x）定義為：

[s（x）=1，0， x≥0x<0] （2）

后來LBP被擴充為半徑為R的圓周長取P個鄰域的LBP算子。

[LBPP，R（xc，yc）=p=0P-1s（iP-iC）2p] （3）

式中[xp]，[yp]分別定義為：

[xp=xc+Rcos（2πpP）yp=yc-Rsin（2πpP）]

根據LBP算子的定義可以看出，LBP算子共有[2P]種模式。常用的LBP算子有[LBP18]，[LBP216]，[LBP324][LBP28]等如圖2所示。

將LBP特征用于人臉識別，典型的方法是將人臉圖像進行分塊，對于每個小塊進行提取LBP特征直方圖，最后形成表示人臉的LBP特征直方圖。

1.2 改進LBP算子

由于LBP算子只考慮周圍像素的影響，在提取特征時丟失了一部分信息，兩個不同結構的中心像素可能會得到相同的LBP特征。如圖3所示。雖然兩個不同區域的像素能得到相同的LBP特征值，但是對于全局結構信息而言應該區分這種情況。

MB_LBP（Multi_Block LBP）改進了傳統LBP算子[6]，考慮LBP特征提取過程中丟失了全局信息，先將人臉圖像進行分塊，MB_LBP使用分塊的灰度均值作為分塊灰度值進行二值化。雖然MB_LBP增加了分塊結構信息[6]，但是一些明顯的局部特征會被忽略。有時候明顯的特征對識別更有幫助。

本文考慮分塊信息，同時考慮局部特征，提出一種根據中心像素和分塊灰度均值將LBP特征值重新離散化的改進LBP算子?？紤]所有的中心像素和LBP模式的組合共有[256×2P] 模式，如此多的模式對識別而言并不會帶來好處[4?5]，所以考慮根據中心像素和分塊灰度均值進行離散化。為了能夠表示這種特征，提出一種三段線性離散的方法。

離散到3個區間的LBP算子，如下所述：

[C_LBPP，R=l1·k256，l1+l2·k256，l1+l2+l3·k256， kc+m] （4）

式中：k為LBP特征值；[l1，l2，l3]為離散區間，[l1+l2+l3=256；]c為閾值（取分塊灰度均值）；m為變量控制離散區間。

本文提出的改進LBP算子，主要是基于在圖像分塊的過程中，對于灰度值變化較小的區域有較多的像素點灰度值接近于分塊灰度均值，對于特征提取而言此時應該盡量區別這些像素點，所以將與分塊灰度均值相似的像素點的灰度值重新離散到一個區間，此時能夠更好地區別圖像的局部信息。對于圖像識別而言，像素灰度值差別較大的像素點所包含的信息可能更重要。此時可以設置較大的m，用來凸顯灰度值相差多大的像素點。因此設置m參數用來控制特征的離散規則。

改進的LBP算子根據分塊灰度均值將局部信息和分塊信息結合起來[7?10]。不同區域特征的LBP算子被重新計算。這樣不僅能夠保存局部信息同時能區分不同區域內像素的特征。分析改進的LBP算子，傳統LBP算子共有256種模式，LBP等價模式[3?4]表明使用23%左右的特征模式可以表示80%～90%的紋理特征，所以考慮離散減少局部模式是可行的。如果分段過多局部特征就會減少，改進就失去意義。實驗表明簡單的分為三段能夠很好地增加識別率。關于離散區間的選擇，隨著m增大兩端的特征就會被凸顯出來 ，m減小凸顯均值附近的特征。

改進LBP的提取過程：

（1） 將人臉圖像分塊，計算分塊灰度均值；

（2） 對于每個像素計算傳統LBP特征；

（3） 根據分塊灰度均值重新計算LBP特征如圖6所示。

當m取20時，80<92，將LBP特征離散到第一區間，將3個區間定義為0～85，86～170，171～255，根據式（4），重新計算LBP特征得到新的特征77。

2 基于改進LBP算子的人臉識別算法

基于LBP的人臉識別算法[11?12]，一般是將人臉圖片提取LBP特征，然后將其統計為灰度直方圖，最后通過比較灰度直方圖進行識別[13?14]，如圖7所示。直接根據LBP特征直方圖，進行識別能夠保存局部信息，但是由于直方圖統計丟失了全局信息，考慮全局信息將人臉分塊為[N×N]，對每個小塊進行直方圖提取，將他們分塊的特征直方圖向量統計為LBP人臉特征直方圖。這種提取方法不僅保留了局部特征同時考慮了全局特征的影響。兩個人臉直方圖相似度量使用[χ2]距離來度量，即：

[χ2（H1，H2）=i（H1i-H2i）2H1i+H2i]

距離的值表示了兩幅人臉的相似度量[15]。

為了充分表示人臉信息，本文對不同分塊的區域采用不同的m作為閾值進行離散。對于像素間灰度差值較小的分塊，采用較小的m作為閾值，從而突出像素間的差別。對于像素間相差較大的分塊，采用較大的m值作為閾值從而突出灰度差別較大的像素。本文采用的方法首先將人臉圖像分塊，計算每個分塊的灰度方差，方差較小的分塊，使用較小的m值作為閾值，方差較大的分塊采用較大的m值作為閾值進行離散。

本文實驗具體步驟如下：

（1） 對人臉圖像進行預處理，使用高斯濾波和直方圖均衡化；

（2） 將人臉圖像分塊，計算LBP特征；

（3） 計算分塊的灰度方差，根據方差大小選擇合適的m值作為閾值；

（4） 通過分塊灰度均值重新計算LBP特征直方圖；

（5） 將測試圖片和訓練圖片的LBP直方圖進行相似度比較；

（6） 使用最近鄰分類器進行分類識別。

本文提出一種基于改進的LBP算子的算法記為C_MBLBP。該方法不僅考慮了傳統LBP特征，同時將人臉圖像分塊考慮了全局特征。為了不增加灰度直方圖的區間，將LBP特征和全局特征結合為改進LBP特征。

3 實驗結果與分析

為了測試改進后的LBP算子對人臉識別的性能，分別在ORL人臉庫和YALE人臉庫上進行人臉識別實驗。實驗m的選取為（5，40）和（10，20）。當方差小時選擇較小m，方差大時選擇較大m。識別率取兩次的平均值。

ORL人臉庫由劍橋大學ATT實驗室創建，包含40個人，每個人10幅人臉圖像，共400幅圖像，圖像大小為92×112的灰度圖像，部分圖像包括了姿態，表情和發型等特征。

YALE 人臉數據庫包含了15 個人的165 幅灰度圖像，每個人具有11 幅不同的圖像。這11 幅圖像具有多種姿態、多光照的特點，用于光照和姿態問題的建模與分析，是在嚴格控制的條件下采集的姿態和光照變化的圖像。為了驗證本文改進LBP算子的識別性能，將本文算法與LBP算子人臉識別和MB_LBP算子人臉識別進行比較分析。在ORL人臉數據庫上的實驗分別選取40人的1張和5張圖片作為訓練圖片，剩下圖片作為測試圖片。由于本文算法是驗證LBP特征的改進，所以統一選取半徑為1，鄰點數為8的LBP進行實驗。實驗結果為不同訓練集和測試集的識別率的平均值，如表1所示。為了更好地提高本文方法的識別率，理論上應該選取識別率較好的m。m取值越小，與分塊平均灰度值相近的像素點會被計算到一個相對較大的離散區間，因此能夠區分與分塊灰度相似的像素點，從而凸顯了與分塊灰度平均灰度值相似像素點之間的灰度差值信息。m取值越大，會凸顯與分塊灰度平均值相差較大的像素點，因為m取值較大時，大多的像素點被離散到一個區間。很少的像素被離散到了相對較大的區間。對于識別而言像素差別較大的像素點可能更有好處。本文采取根據分塊間方差自適應選擇閾值m的算法，方差小時選擇較小的閾值m，方差大時選擇較大的閾值m。根據實驗分析得出本算法是一種有效的識別算法。

表1 ORL數據比較

在YALE人臉數據庫中選取1張和5張作為訓練圖片，剩下圖片作為測試圖片。參數使用和ORL的實驗相同，結果如表2所示。在ORL和YALE人臉庫的實驗表明，本文提出的改進后的LBP算子不僅能提高識別率同時保持了LBP算子識別速度快的特點。

4 結 語

人臉識別研究一直是模式識別領域的熱點問題。本文提出一種基于改進LBP算子的人臉識別算法。通過將人臉圖像分塊，不僅考慮了LBP局部特征同時考慮分塊全局特征，將它們融合為改進的LBP特征，通過自適應選擇閾值m進行離散特征進行人臉識別。通過在ORL和YALE人臉數據庫的實驗，表明了本方法的有效性。

表2 YALE數據比較

參考文獻

[1] AHONEN T， HADID A， PIETIKINEN 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.

[2] AHONEN T， PIETIKI M. Image description using joint distribution of filter bank responses [J]. Pattern Recognition Letters， 2009， 30（4）： 368?376.

[3] GUO Zhen?hua， ZHANG L， ZHANG D. A completed modeling of local binary pattern operator for texture classification [J]. IEEE Transactions on Image Processing， 2010， 19（6）： 1657?1663.

[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] OJALA T， PIETIKAINEN M， MAENPAA T. 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.

[6] ZHANG Lun， CHU Ru?feng， XIANG Shi?ming， et al. Face detection based on multi?block LBP representation [C]// Proceedings of International Conference on Biometrics. Berlin： Springer?Verlag， 2007： 11?18.

[7] LIAO Sheng?cai， ZHU Xiang?xin， LEI Zhen， et al. Learning multi?scale block local binary patterns for face recognition [C]// Proceedings of International Conference on Biometrics. Berlin： Springer?Verlag， 2007： 828?837.

[8] Zhao G， Pietik¨ainen M. Experiments with facial expression recognition using spatiotemporal local binary patterns [C]// Proceedings of International Conference on Biometrics. Berlin： Springer?Verlag， 2007： 850?855.

[9] SUN N， ZHENG W， SUN C， et al. Gender classification based on boosting local binary pattern [C]// Proceedings of International Symposium on Neural Netw. [S.l.]： [s.n.]， 2006： 10?15.

[10] ZHANG Lin， ZHANG Lei， GUO Zhen?hua， et al. Monogenic?LBP： a new approach for rotation invariant texture classification[C]/ /Proceedings of the 10th International Conference on Image Processing. [S.l.]： [s.n.]， 2010： 111?114.

[11] HUANG Xiao?hua， ZHAO Guo?ying， ZHENG Wei?ming， et al. Spatiotemporal local monogenic binary patterns for facial expression recognition [J]. IEEE Signal Processing Letters，2012， 19 （5）： 243?246.

[12] 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.

[13] 袁寶華，王歡，任明武.融合LTP 與Fisherfaces 的分塊人臉識別[J].計算機工程，2012（10）：154?156.

[14] QIAN J J， YANG J. A novel feature extraction method for face recognition under different lighting conditions [C]// Proceedings of 6th Chin Conf Biometric Recognit. [S.l.]： [s.n.]， 2011： 22?25.

[15] SEO H J， MILANFAR P. Face verification using the LARK representation [J]. IEEE Transactions on Inf. Forensics Security， 2011， 6（12）： 1275?1286.