基于LBP的圖像集人臉識別算法

蓋 健，劉小華，李銳杰，寧尚軍

(吉林大學計算機科學與技術學院，吉林 長春 130012)

基于LBP的圖像集人臉識別算法

蓋 健，劉小華，李銳杰，寧尚軍

(吉林大學計算機科學與技術學院，吉林 長春 130012)

針對基于仿射包的圖像集人臉識別方法(AHISD)對于離散數(shù)據(jù)的敏感性，提出了一種加入LBP的方法.通過LBP的方法對圖像進行特征提取，然后再將圖像集用仿射包進行建模，在此基礎上，通過計算2個模型之間的距離，以達到對人臉進行鑒別和分類的效果.用LBP方法視頻數(shù)據(jù)庫(Honda/UCSD)給出了檢測結(jié)果，有效地提高了識別率.

人臉識別；圖像集；仿射包；LBP

本文提出先對處理過的圖像用LBP的方法進行特征提取，由于其分類能力較強，LBP算子[1-6]對單調(diào)的灰度變化具有不變性，因此光照對其影響減小.然后對圖像集進行仿射包建模，達到分類的結(jié)果.

1 仿射包的識別方法

1.1 基于仿射包的識別

首先將圖像集近似地建模成一個仿射包，即用每個集中所有樣本構成的最小仿射包來描述整個圖像集.那么每個圖像集樣本的仿射包定義為

(1)

其中：m=1，…，m表示樣本中圖像集的數(shù)量；xmk表示每個圖像集中第k個人臉圖像，每個圖像集中共nm幅圖像；αmk表示的是每幅圖像在仿射包中的權值.仿射包模型描述的是一個人臉圖像集樣本中人臉圖像的任意組合.(1)式給出了對數(shù)據(jù)比較松散的近似，所以在仿射空間中對于樣本的位置不太敏感.

(2)

1.2 仿射包模型之間的距離

(3)

公式(3)變換另一種形式，定義為

(4)

(5)

將求解出來的V帶入公式(4)可得最終距離

(6)

其中Q=U(UTU)-1UT是包含在2個空間內(nèi)的聯(lián)合方向的正交投影，I-Q是2個仿射空間的正交補空間的相應投影.求解時，如果UTU是不可逆的，Q可以通過U′U′T計算得到，U′是通過對U進行奇異值分解得到的正交基.

2 本文提出的方法

針對仿射包在建模以及識別的過程中有離散數(shù)據(jù)的問題，本文提出了將LBP的方法加入到仿射包的識別算法中.LBP是一種對單調(diào)的灰度變化具有不變性的紋理算子，其分類能力也比較強，所以在建立仿射包模型之前，要對圖像集中的每幅圖像通過LBP進行特征提取，使得圖像的有效信息更加突出，使識別率有所提高.

2.1 局部二值模式

LBP算法主要描述的是圖像的局部紋理特征，其算法的基本思想是：把圖像中每個中心像素點灰度值[3-5]設為閾值，然后將其值與鄰近的像素點的值進行比較，得到的值轉(zhuǎn)化為二進制數(shù)，以此來表示一幅圖像的局部紋理特征值[1-5].LBP算子的公式可定義為：

(7)

其中gr表示中心像素點的灰度值，gi是與中心像素點gr鄰近的像素點的灰度值.計算過程：當鄰近的像素點的灰度值大于中心像素點的灰度值時，將其值記為1；臨近像素點的灰度值小于中心像素點的灰度值時，記為0.這樣計算生成了一組二進制數(shù)，再將其轉(zhuǎn)化為十進制數(shù)，即為這個像素點的LBP值.計算出每個像素點的LBP值，就會得到一幅用LBP數(shù)值表示的圖像，我們稱這樣的圖像為具有LBP特征的圖像.因為LBP特征的提取與周圍的點相關，所以LBP特征包含了圖像的點、邊緣和局部特征的信息.可以將圖像分為多個子區(qū)域，LBP特征值用統(tǒng)計直方圖表示出來.

2.2 灰度不變性和旋轉(zhuǎn)不變性LBP算子

由于圖像在收集的時候會受到光照等因素的影響，光照不同的時候得到的圖像的紋理的灰度值也不同，即使是同一個人的圖像，也會識別錯誤，為了在光照不同的時候得到的灰度值一樣，可以將局部的紋理W定義為

W=w(gr，g0-gr，…，gn-1-gr).

(8)

假設w(gr)和w(gn-gr)是相互獨立的，公式(8)變形為

W≈w(gr)w(g0-gr，…，gn-1-gr).

(9)

因為w(gr)與周圍的關聯(lián)性很小，它僅僅提供圖片的亮度，所以可以忽略不計，最終的公式為

W≈w(g0-gr，…，gn-1-gr).

(10)

在對公式(10)進行二值化處理：

W≈w(f(g0-gr)，…，f(gn-1-gr))；

(11)

給每一個f(gn-gr)一個二項式系數(shù)2n加權、求和，即可得唯一的一個紋理特征LBP值

(12)

這樣定義之后的LBP不僅和鄰近的像素點有更強的關聯(lián)，而且具有平移不變性和灰度變化不變性，使得圖像不受光照的影響.

當中心像素的周圍有n個點時，會有2n種LBP值，即當圖片旋轉(zhuǎn)[2，5]時，周邊點的位置也會變化，所以生成的LBP值就不同，使得同一幅像生成的LBP值不同，造成識別錯誤.具體解決方案是同樣的(n，r)(鄰近點數(shù)量，半徑)時，不管怎么旋轉(zhuǎn)，都取最小值作為此模式下的LBP值.定義為

(13)

ROR函數(shù)為旋轉(zhuǎn)函數(shù)，鄰近像素點都是按照順時針旋轉(zhuǎn)計算的.如圖1所示，其中n=8，r=1，二值為01 111 000，旋轉(zhuǎn)變化有8種LBP值，最終取最小值作為LBP值，即為00 001 111，十進制數(shù)為15.達到了旋轉(zhuǎn)不變的要求.其求解過程見圖2.

圖1 旋轉(zhuǎn)不變性求解圖

2.3 本文算法識別過程

(1) 對視頻中提取出來的圖像進行人臉檢測，進一步對圖像進行簡單的處理，使圖像變成灰度值圖像.

最鄰近的圖像即為同一個人的圖像.

3 實驗與分析

3.1 實驗與處理

在Honda/UCSD視頻庫，對加利福尼亞大學圣地亞哥分校臉部追蹤視頻數(shù)據(jù)庫進行實驗，視頻庫中包含了20人的59個視頻，錄像中每個人都有不同的姿勢、表情、光照等.選取20人的視頻作為訓練集，剩下的39人的視頻作為測試集.首先用經(jīng)典viola-jones方法對視頻集進行人臉檢測采集，其人臉檢測方法是利用經(jīng)典的Adaboost算法訓練分類器.采集的圖片有不同角度、姿勢、表情、關照、遮擋等.對采集到的人臉圖像進一步處理，將其調(diào)整成40像素×40像素的灰度值圖像.再用LBP算法對其進行特征提取及用仿射包的方法對圖像集進行建模，最后進行人臉匹配.

將訓練集和測試機都分為5種，每種圖像集的圖像數(shù)量分別為10，20，50，70和100.每種情況測10次，取平均值.實驗分為2種情況：一種是沒有加入噪聲實驗，將人臉檢測到的模糊、遮擋圖像人為去掉；另一種是加入噪聲實驗，人臉檢測過程中由于遮擋、照相模糊和光照黑暗等因素引起的噪聲圖片，不對其進行處理.實驗結(jié)果見圖2和3.

3.2 實驗結(jié)果分析

(1) 根據(jù)圖2可以發(fā)現(xiàn)，LBP-AHISD的方法識別率要高于其他2種方法，隨著圖像數(shù)量的增加，識別率也會越來越高.加入了LBP特征提取的算法在特征提取時，其對圖像特征描繪得更好，分類能力極強，所以，識別率比其他方法高.

(2) 對于加入噪聲的實驗，從圖3中可以發(fā)現(xiàn)，加入噪聲之后的識別率會明顯低于沒有加入噪聲的識別率，LBP-AHIDS的識別率相對其他2種方法更好.隨著圖像數(shù)量的增加，識別率會慢慢升高.

圖2 訓練集和測試集都沒加入噪聲的識別率

圖3 訓練集和測試集都加入噪聲的識別率

綜上所述，噪聲對識別率有一定的影響，但是隨著圖像數(shù)量的增加識別率會提高.這是因為圖像數(shù)量的增加，圖像集中的動態(tài)信息和有效信息相對較多，使得質(zhì)量不好的數(shù)據(jù)影響相對減少.但是，LBP-AHISD算法在加入和不加入噪聲的情況下識別率都會比另2種方法的識別率高，證明LBP提取特征的優(yōu)越性，對單調(diào)的灰度變化具有不變性的紋理算子，使人臉識別分類能力增強，具有較好的穩(wěn)定性.

4 總結(jié)

本文在仿射包的基礎上，提出了加入了LBP的方法.LBP是一種對單調(diào)的灰度變化具有不變形的紋理算子，很好地描述了圖像的局部信息，其分類能力較強，使得仿射包的方法有所改進，并在Honda/UCSD視頻庫上進行了實驗，得到了很好的識別率.

[1] AHONEN T，HADID A，PIETIKAINEN M.Face recognition with local binary patterns[J].Proc European Conf Computer，2006：469-481.

[2] 毛科.基于局部二值模式的人臉識別算法研究[D].廣州：華南理工大學，2010.

[3] OJALA T，PIETIKAINEN M，HARWOOD D.A comparative study of texture measures with classification based on feature distributions[J].Computer Vision and 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 Trans PAMI，2002，24(7)：971-987.

[6] AHONEN T，HADID A，PIETIKAINEN M.Face description with local binary patternsapplication to face recognition[J].IEEE Trans PAMI，2006，28(12)：2037-2041.

(責任編輯：石紹慶)

Face recognition algorithm of image set based on LBP

GAI Jian，LIU Xiao-hua，LI Rui-jie，NING Shang-jun

(College of Computer Science and Technology，Jilin University，Changchun 130012，China)

For affine hull face recognition based on image set (AHISD) is sensitive to outliers，this paper puts forward a new method to joint LBP with image set.Characteristics of the image are extracted by the method of LBP，and then the image set is modeled as affine model.Based on this，calculate the distance between the two models to achieve the face identification and classification.Experiments using this method in the Honda/video database show that it is effective to improve the recognition rate.

face recognition；image set；affine hull model；LBP

1000-1832(2015)04-0084-04

10.16163/j.cnki.22-1123/n.2015.04.018

2014-05-13

國家自然科學基金資助項目(61175023)；吉林省生物識別新技術重點實驗室項目(20082209).

蓋健(1988—)，女，碩士研究生；劉小華(1971—)，女，副教授，主要從事計算智能、模式識別研究.

TP 393 [學科代碼] 520·60

A