基于區域改進LBP 和KNN 的人臉識別

劉吉安　江金滾

摘要：傳統基于LBP特征的人臉識別算法因為受到人臉位置的影響，識別效果差；基于此，該文提出了基于區域改進的LBP和KNN的人臉識別方法。首先將整張圖片劃分成若干個小區域，再對每個子區域內各個位置的像素點都提取其LBP特征，接著，在每個子區域內建立自己的LBP特征統計直方圖。然后，將所有直方圖按順序串聯起來，并對其進行歸一化，一張圖片便能通過一個歸一化直方圖來表示。最后，將最終的歸一化的直方圖作為人臉特征，并采用KNN算法完成人臉識別。實驗結果表明該劃分方法能夠有效地提升識別效果。

關鍵詞：人臉識別；人臉特征；LBP；KNN

中圖分類號：TP391 文獻標識碼：A 文章編號：1009-3044（2016）13-0184-02

人臉識別，是基于人的臉部特征信息進行身份識別的一種生物識別技術。用攝像機或攝像頭采集含有人臉的圖像或視頻流，并自動在圖像中檢測和跟蹤人臉，進而對檢測到的人臉進行臉部分析、驗證等一系列相關技術，通常也叫做人像識別、面部識別。相對于指紋等其他生物特征，人臉識別有其獨特的優勢，應用前景廣泛。適用于公園、工廠、超市、住宅區、商業街等公眾活動和聚集場所的重要部位。目前在已經有大量系統中應用到了人臉識別技術，例如：出入管理系統、門禁考勤系統、監控管理、安全防范、照片搜索、來訪登記、ATM機智能視頻報警系統、監獄智能報警系統、RFID智能通關系統及公安罪犯追逃智能報警系統等都可以引入人臉識別技術。經過四十多年的發展，人臉識別技術取得了巨大的進步。在信息檢索領域，可進行人物圖片的檢索；在安防系統中，可以達到實時監測的優良效果；在人工智能等其他領域，人臉識別的應用也有相當重要的意義。但是在進行人臉識別時，仍然有很多因素影響著識別效果。因此，人臉識別應用還有許多需要解決的關鍵問題。

本實驗針對人臉識別技術中的特征提取步驟進行了改進，提取特征前對圖像進行了區域分割，以消除人臉位置所帶來的影響。識別過程如下，首先對需要識別的圖片進行預處理，然后，提取人臉特征，與人臉數據庫中的信息進行比較，得到正確的人臉編號，識別完成。

1 基本的LBP特征

人臉特征代表如何對人臉建模，并確定使用何種檢測與識別算法。人臉特征在用于測量人臉之間的相似性中，是最為有效的。

目前，存在著多種從圖片中提取人臉特征的方法。其中局部二進制模式（LBP）特征是比較優秀的一種。這種特征是Ojala在1996年提出的。使用LBP能夠描述數字圖像的紋理和形狀。

某一位置的LBP特征是由當前區域內該位置周圍的像素以二進制的模式組成的，把所有獲取到的特征串聯起來，形成一個直方圖，并進行歸一化，則這個直方圖表示的就是當前的人臉。在人臉識別領域，LBP特征主要是計算當前位置八鄰域的二進制模式值。按照順時針的順序，從左上位置開始比較，對于大于中心像素的，設置為1，否則設置為0。這就獲得了一個八位的二進制數，通常情況下，將其轉換為十進制數字，作為該位置的特征。

圖像之間通過測量它們直方圖之間的距離，來判斷它們的相似性。在實驗中，使用的是卡方距離。其中樣本集用S表示，測試集用M表示：

2 區域改進的LBP特征

由上述基本的LBP可知，該特征與位置信息關系緊密，直接對兩張圖片提取特征，進行識別分類的話，則會因為“位置沒有對準”而產生很大的誤差。故在本次實驗中，對直接提取進行改進，這里采用分塊的思想，來消除位置的影響。首先將一張完整的圖片劃分為N*N個子區域，再對每個子區域內各個位置的像素點都提取其LBP特征，然后，在每個子區域內建立自己的LBP特征統計直方圖。這樣，就可以用一個統計直方圖來進行描述一個子區域。最后，將所有直方圖按順序串聯起來，并對其進行歸一化，于是，一張圖片便能通過一個歸一化直方圖來表示。

例如：有一張200*200像素大小的圖片，取N為5，則該圖片就被劃分為25個子區域。在每個子區域內的每個像素點，提取其LBP特征，然后，建立統計直方圖；這樣便得到了25個子區域，即25個統計直方圖，將它們串聯起來并歸一化后，就可以用這個歸一化直方圖來表示圖片了。之后，我們利用各種相似性度量函數，判斷兩張圖片之間的相似性。

3 KNN算法

在模式識別領域中，K近鄰算法（KNN算法），是一種用于分類和回歸的算法。在分類中，KNN算法輸出的是分類的類別號。一個對象的分類是由其相鄰的多個對象“多數表決”確定的，這里我們將這多個對象稱之為“鄰居”。我們給這k個最近鄰居（k為正整數，通常較小）賦予不同權值，再把權值和最大的類別的編號，賦值給當前對象。若k = 1，則該對象的類別直接由最近的一個鄰居賦予。在本次研究中，經過對不同k值的取值，最終取k等于5。

KNN是一種基于實例的學習，或者是局部近似和將所有計算推遲到分類之后的惰性學習。K近鄰算法是所有的機器學習算法中最簡單的之一。鄰居都取自一組已經正確分類的對象。雖然沒要求明確的訓練步驟，但這也可以當成是此算法的一個訓練樣本集。

一般情況下，將歐氏距離作為距離度量，但是這是只適用于連續變量。通常情況下，如果運用一些特殊的距離來計算度量的話，K近鄰分類精度可顯著提高，在本次人臉識別研究中，使用卡方距離來度量，效果甚佳。

4 實驗及結論

本次實驗的樣本數據庫采用的是我們自己采集的大量照片，這些照片基本上是由雙飛燕的PK-910H這款攝像頭拍攝的。

樣本數據庫共有200張人臉照片，測試數據庫共有100張人臉照片，識別率的計算方法是，識別正確的照片數量除以測試數據庫的照片數量。

在本次實驗中，需要建立人臉數據庫，步驟如下：采集大量含有人臉的圖片，對這些圖片進行預處理，將圖片灰度化并分割區域，之后提取人臉特征，把相關信息存入到數據庫中。人臉識別階段的前期步驟與建立數據庫時相同，在提取特征之后，利用卡方距離以及KNN算法與數據庫中信息進行比較，最終得到其正確的分類，識別完成。

基礎的實驗之后，為了研究區域個數對實驗結果的影響，進而在劃分不同子區域個數時進行了實驗。

從實驗結果可以看出，對整張圖片劃分區域后，識別率有明顯的提升。另外，區域的劃分個數對識別率是有一定影響的，既不是越少越好，也不是越大越好。所以，實際應用中要對每個參數的不同取值都盡可能進行嘗試，以到達最優效果。本項目中的數據庫而言，劃分成25個區域取得的效果是最佳的。

參考文獻：

[1] Ojala T， Pietikainen M， Harwood D. A comparative study of texture measures with classification based on feature distributions[J].Pattern Recognition， 1996（29）.

[2] Altman N S. An introduction to kernel and nearest-neighbor nonparametric regression[J].The American Statistician ， 1992，46（3）： 175–185.

[3] 張翠平，蘇光大.人臉識別技術綜述[J].中國圖像圖形學報，2000，5（A）：886-894.

[4] 江小輝.基于改進型 LBP 特征的人臉識別研究[D].金華：浙江師范大學，2009.

[5] 鄭瑾.基于人臉識別技術的模擬考勤系統的研究與設計[J].福建電腦，2010（8）.

[6] 黃非非.基于LBP的人臉識別研究[D]. 重慶：重慶大學，2009.

[7] 陳健斌.圖像特征提取及其相似度的研究和實現[D]. 西安：西安電子科技大學，2012.