基于Gabor和CS-LBP的人臉識別研究

基于Gabor和CS-LBP的人臉識別研究

人臉識別是通過提取人臉的視覺特征來進行身份認證，是機器視覺、模式識別領域的研究熱點之一。與虹膜、指紋等生物特征一樣，人臉具有唯一性和相對穩定性，此外人臉圖像的獲取具有非接觸性、易提取、不易仿冒、成本低等優點。因此，人臉識別在信息安全等領域有非常廣泛的應用，如身份識別、自動門禁系統、監控系統等，對增加識別的高效性和有效性有重要的意義。

近年來，人臉識別發展十分迅速，人們不斷嘗試更有效的特征提取方法使人臉識別得到更廣泛的應用。因此本文從特征提取的角度出發，研究了一種基于Gabor和CSLBP改進的人臉識別方法。

Gabor小波

近年來，Gabor小波在計算機視覺和圖像領域有重要應用。Gabor小波有良好的方向和頻率選擇特性，可以捕捉多尺度、多方向的局部結構且對表情、光照等因素不敏感，可以得到魯棒的人臉表示。

其表示如下：

中心對稱局部二值模式

中心對稱局部二值模式（Center symmetric Local Binary Pattern，CS-LBP）是一種紋理描述子，在原始LBP基礎上引入中心對稱思想，僅比較3×3鄰域內以中心像素值為中心對稱的像素值對。若大于中心像素值，將鄰域像素值置為1，否則置為0，同樣轉為十進制得到中心像素的編碼。

其基本原理如圖1所示。

卡方距離分類器

由于傳統的距離計算方法（如歐式距離等）只考慮絕對距離，未考慮特征量間的相對距離，本次研究選用了卡方距離。因為卡方距離能反應特征間相對距離的變化，進而得到更好的分類性能。

卡方距離（Chi-square measure）利用聯表分析的方法得到一個卡方統計量來測量訓練集和測試集的相似度，公式如下：

其中，xk是x 的第k 個變量的取值，E（xk）是x 在第k類上的期望，yk是y 的第k 個變量的取值，E（yk）是y 在第k 類上的期望。

圖1　LBP與CS-LBP原理比較

圖2　12個Gabor特征

圖3　Yale人臉庫中的圖像示例

基于Gabor和CS-LBP的識別

考慮到使用Gabor小波描述的人臉易忽略人臉的局部特征，且存在一定的冗余度，本文研究了一種改進的基于Gabor的人臉識別方法，其主要思路如下：

第一，將人臉圖像矩陣和Gabor核函數進行卷積，得到不同方向和尺度的信息。第二，將圖像特征按3個尺度累加，即每個方向的4個尺度分別累加。第三，隨后進行CSLBP處理，3個尺度分別按列特征提取后得到3列特征，合為一列進行PCA降維。第四，采用卡方距離來計算測試集與訓練集的相似度，排序后可得識別率。

不同尺度和方向的Gabor特征如圖2所示。

實驗分析

本文在實驗中采用的是Yale人臉庫，該庫是由耶魯大學計算視覺與控制中心創建，其中包含15個人的165張人臉圖像，每人11張正視圖，每張圖像包含不同的變化，如有無眼睛，表情變化（嚴肅或微笑）等。每張原始人臉圖像的大小為320*243，人臉庫中的圖像示例如圖3所示。

為了充分驗證所研究算法的有效性，本文設置了4種不同比例的訓練集和測試集，并對單獨采用Gabor濾波和Gabor濾波與CS-LBP相結合兩種算法，分類器均采用卡方距離分類器進行識別效果的比較。采用不同識別思路、訓練集與測試集比例不同時所得的識別結果如圖4所示。

從圖4可以看出不同特征提取方法的識別效果對比。無論測試集和訓練集的比例為多少，本文所研究的Gabor濾波結合中心對稱局部二值模式（CS-LBP）方法所得的識別率總是高于單獨使用Gabor濾波方法所得，進一步說明了本文算法的有效性。

實驗結論

由于在實際實驗中使用單一算法不易獲得理想的識別效果，無法滿足現實生活中的人臉識別需求，本文研究了一種Gabor濾波結合CS-LBP的人臉識別方法。經過實驗可得出，相較于單獨的Gabor濾波識別方法，Gabor濾波結合CS-LBP的識別方法不僅保證了魯棒性和頻率選擇性，還降低了特征維數，減小了計算復雜度，同時有效的提高了識別率。

圖4　訓練集與測試集比例不同時選取不同識別算法所得的識別率

10.3969/j.issn.1001- 8972.2016.18.015