基于分塊LBP融合特征和SVM的人臉識別算法*

張敦鳳， 高寧化， 王 姮， 馮興華， 霍建文， 張 靜

(西南科技大學 信息工程學院，四川 綿陽 621000)

0 引 言

人臉識別是一項基于人臉特征的生物特征識別技術，已廣泛應用于機器視覺和模式識別領域。傳統的局部二值模式(local binary pattern,LBP)特征提取方法難以適應光線和人臉表情變化帶來的擾動，不能完整地表現出整張人臉的特征信息[1,2]。為解決上述問題[3～5]，王燕等人[6]采用離散余弦變換(discrete cosine transform,DCT)的方法提取人臉圖像的頻域特征，對眼部和嘴部區域進行伸長的局部二值模式(elongated LBP,ELBP)特征提取，準確率達94.43 %和98.79 %。鄧燕妮[7]等人提出一種高維局部二值模式(high dimensional LBP,HLBP)的方法提取人臉圖像的局部特征和全局特征，并通過均勻K均值算法解決高維局部二值模式帶來的維數過多問題，識別率達到98.67 %和96.5 %。Huang K K等人[8]提出一種融合多尺度LBP和Gabor變換的方法提取人臉特征，并在兩種特征之間添加權重，在光照及表情變化的情況下，仍然有較高的識別率。上述改進方法大都集中在不同變換方法與LBP特征的融合，算法復雜度較高，計算量大，且存在特征維數過多而導致識別率下降的問題。

本文提出一種基于分塊LBP和分塊像素均值的人臉圖像特征融合方法，在保證特征維數增加不大的情況下，明顯提高了基于LBP方法的識別能力。

1 基于分塊LBP和像素均值的特征提取

1.1 分塊LBP特征提取

LBP是一種基于統計特征分析的、高效的紋理描述方法[9,10]。在此，采用改進的LBP方法，將LBP算子定義在一個半徑為R的圓形區域內，有K個像素點均勻分布在圓周上，此時的LBP算子表示圓心像素點與圓周上像素點之間的關系，具有更優的旋轉不變性，LBP值計算

(1)

由于人臉的不同部位，如眼睛、鼻子、嘴巴等特點不同，一張人臉圖像只求取一次LBP值，必然會造成信息的丟失，魯棒性較差，當人的表情和光照發生變化時，識別率會顯著降低[11]。采用分塊的辦法，以人臉面部特征為依據，將人臉圖像分為不同的子塊，對每一塊分別計算LBP值，得到統計直方圖，然后將各個子塊的統計直方圖按順序連接，用得到的整體LBP統計直方圖表示人臉特征，如圖1所示。

圖1 分塊LBP特征提取

分塊的優點在于能充分發揮LBP提取局部特征的優勢，顯著提升人臉識別的準確率，理論上，分塊越細，越能描述子塊的細節信息，但隨著分塊數量的增加，LBP統計直方圖的維數呈指數增長，大大增加了計算的時間復雜度，導致識別速度降低。另一方面，過細的分塊會使得人臉圖像過于稀疏而丟失統計特性，引發過擬合現象，降低識別率。針對上述問題，探究了人臉識別問題下的人臉圖像最優分塊方法，以平衡識別時間與識別準確率之間的矛盾，具體算法在實驗分析中詳細介紹。

1.2 特征融合

為進一步豐富人臉特征，避免復雜的數學變換增加計算量，考慮到像素點的值作為構成圖像的基本元素，是站在全局的角度對圖像本身進行描述，能與LBP算子提取局部特征進行互補。因此，本文將人臉圖像分為8×8，16×16，25×25的子塊，提取每一塊區域的像素均值特征，依次連接，形成統計直方圖，記為行向量Feature A；然后將分塊LBP特征直方圖記為行向量Feature B，將兩者以行向量張成的方式進行融合，融合得到新的特征行向量Feature C，以此來表征人臉圖像，融合過程如圖2所示。

圖2 特征融合示意圖

在整個特征融合過程中，由于LBP特征和均值特征在數值大小上存在較大的差異，為了能夠更好地統一兩種特征，對兩種特征進行歸一化處理，將所提取的特征向量映射到[0,1]之間

(2)

式中xi為當前特征值，xmax,xmin為當前特征向量x的最大值和最小值，xv為歸一化后的特征值。

2 算法流程

1)人臉圖像預處理：對人臉圖像進行直方圖均衡化處理，在保障原本像素點大小關系不變的前提下減小像素值之間的差異，增強人臉圖像局部特征。

2)LBP特征提?。簩⑷四槇D像分為不同的子塊，利用LBP算子對每一個子塊進行計算，得到LBP統計直方圖，并將所有子塊的統計直方圖連接成一個特征向量，同時按式(2)進行歸一化處理。

3)均值特征提取：將人臉圖像分為不同的子塊，計算每個子塊的像素均值，然后將各子塊的均值相連，形成均值向量，并按照式(2)方法做歸一化處理，用歸一化后的均值向量表征人臉圖像的分塊像素均值特征。

4)特征融合：將步驟(2)和步驟(3)提取出的兩部分特征向量，利用1.2所闡述的方法進行特征融合。并在融合后的特征向量最后添加類別標簽。

5)基于SVM的分類識別：將步驟(4)得到的特征向量作為樣本，按比例分為訓練樣本和測試樣本兩部分，將訓練樣本作為輸入，用SVM方法訓練分類器[12～14]，再將測試樣本輸入訓練好的分類器中，由分類器給出預測的樣本類別標簽，再與實際類別標簽進行對比，統計出識別準確率，具體方法在實驗分析部分進行詳細的敘述。

3 實驗分析

基于MATLAB和WEKA平臺，依托YALE、ORL標準人臉數據庫以及自建人臉庫設計本文實驗，三個數據庫樣本數量如表1所示。

其中，標準人臉庫中的數據存在光照及表情變化不明顯、背景干擾小、與實際應用環境差別較大等缺陷，自建人臉數據庫針對上述幾點進行了改進，合計采集20個人的人臉圖像，每人20張圖片，分別拍攝于寢室、操場、教室等不同地方，且大部分人臉圖像的表情都不相同，下面以自建數據庫中3張典型的人臉圖像為例，其分塊LBP特征提取過程如圖3所示。

表1 YALE、ORL樣本數量

圖3 自建人臉圖像分塊LBP特征提取過程

可以看出：3張人臉圖像表情和光線亮度都存在明顯變化，反映在最終的LBP特征直方圖中也存在明顯區別，但每一塊分塊的LBP特征直方圖增量趨勢相似。圖3結果為2×2分塊LBP特征，維度為1 024維。

本文在分塊LBP特征提取上，將人臉圖像劃分為2×2，4×4，6×6三種分塊，在均值特征提取上，將人臉圖像劃分為8×8，16×16，25×25三種分塊情況，單種特征或者兩兩特征組合，共設計了7組具有代表性的實驗。同時為了確保實驗數據的可信度，每一組實驗采取了十折交叉驗證的方法，將樣本平均分為10份，每一次用其中的9份作為訓練樣本，1份作為測試樣本，循環10次，每一次的識別率如圖4所示，統計得到的平均識別率如表2所示。

圖4 標準人臉庫下的識別結果

方法特征維數YALU/%ORL /%自建人臉庫/%LBP25666.0685.0074.50LBP2×2102483.6495.5082.75LBP4×4409685.3496.5085.75LBP6×6921684.2495.2586.00LBP2×2+均值8×8108886.6798.7591.25LBP2×2+均值16×16128089.7099.7594.50LBP2×2+均值25×25164995.1599.7596.25

從上述結果可以看出:只用LBP算子提取特征的時候，分塊的方法能大幅度提高傳統方法的識別率，但隨著分塊的增多，特征維數急劇增加，圖像被分割得過于稀疏，反而丟失了一些統計特性，導致識別率有下降的趨勢。在 4×4分塊的情況下，YALU庫上的識別率提高了19.28 %，ORL庫上的識別率提高了11.5 %，且特征維度適中，當融合進25×25的均值特征后，在YALE和ORL上的識別準確率高達95.15 %和99.75 %，相比單一LBP特征，識別率提高了11.51 %和4.25 %。同時，特征維數僅僅增加了625維，證明了融合均值特征的方法在大大提高識別準確率的同時，也較好地控制了特征維數的增加。針對ORL標準人臉數據庫，在2×2的分塊模式下提取LBP特征，通過調用WEKA中的集成算法，比較了C4.5決策樹、樸素貝葉斯、K近鄰、PART決策、隨機森林、以及SVM等6種算法的識別準確率，所有算法均采用WEKA默認參數，實驗結果如表3所示。

表3 不同算法下的準確識別率 %

實驗結果可以看出:LBP融合均值后的特征在6種方法下的識別準確率較分塊LBP特征有很大提升，其中,隨機森林方法提升了40%，進一步證明了本文所提特征融合方法有效性。另一方面，在同一種特征情況下，SVM的識別準確率高于其他5種方法，SVM在解決人臉識別問題上有著獨特的優勢。

4 結 論

實驗證明:所提方法在YALE和ORL標準人臉庫及自建人臉庫上的識別準確率高達95.15 %，99.75 %和96.25 %。所提方法在提高識別準確率的同時，能較好地控制特征維數的增加。后續工作將考慮更多種方式的特征融合，并應用于復雜變化環境下的人臉識別。