以LBP為基礎(chǔ)的圖像集人臉識別算法分析

王成記

摘 ? 要：人臉識別技術(shù)主要有單一圖像識別與多圖像識別。基于圖像集人臉識別算法采用了多圖像識別，主要是在LBP的基礎(chǔ)上進(jìn)行有效的計(jì)算，與傳統(tǒng)算法相比具有較大的優(yōu)勢。文章首先對人臉識別數(shù)據(jù)庫進(jìn)行分類闡述，而后對人臉檢測技術(shù)進(jìn)行深入的分析，最后著重分析以LBP為基礎(chǔ)的圖像集人臉識別算法，提出幾點(diǎn)建議，僅供參考。

關(guān)鍵詞：局部二值模式;圖像集人臉識別;算法

以局部二值模式（Local Binary Patterns，LBP）為基礎(chǔ)的圖像集人臉識別算法主要是在多圖像的基礎(chǔ)上進(jìn)行模型的構(gòu)建，能夠?qū)€體實(shí)施有效表達(dá)，并且也不受光照環(huán)境的影響，這在較大程度上提升了識別率。但是以LBP為基礎(chǔ)的圖像集人臉識別算法也存在一些問題，比如模型的建立會受提取不明顯以及仿射包過大等因素的影響，為此需要采取有效的方法對以LBP為基礎(chǔ)的圖像集人臉識別算法實(shí)施研究，以此尋求有效的解決方法。

1 ? ?人臉識別數(shù)據(jù)庫

在進(jìn)行人臉識別實(shí)驗(yàn)的過程中，需要進(jìn)行數(shù)據(jù)庫的建立，并且應(yīng)在數(shù)據(jù)庫中完成實(shí)驗(yàn)的整個過程，其中，人臉識別數(shù)據(jù)庫與識別率有較大的關(guān)系，彼此之間互相影響。因不同數(shù)據(jù)庫之間差異性較大，因此在進(jìn)行數(shù)據(jù)庫人臉系別系統(tǒng)開發(fā)的過程中難度較大，一般情況下有以下幾種數(shù)據(jù)庫：（1）Yale人臉數(shù)據(jù)庫，主要是確保圖片在一定光照下，表情自然，并且無遮攔。其中，該數(shù)據(jù)庫包含了10人的5 700多幅灰度圖像，姿勢與光照條件分別有較大的種類。由此可以看出，該數(shù)據(jù)庫主要適用于對姿勢與光照要求較高的人臉識別算法。（2）光學(xué)回波損耗（Optical Return Loss，ORL）人臉數(shù)據(jù)庫，庫中有上萬張圖片與上千個志愿者，包含了不同人臉的表情與姿勢的變化，具有較高的識別率。因此，該數(shù)據(jù)庫使用價值相對較大。（3）麻省理工學(xué)院（Massachusetts Institute of Technology，MIT）人臉數(shù)據(jù)庫，主要是由國外大學(xué)創(chuàng)建，分為3種，包含尺寸旋轉(zhuǎn)以及光照，其中，光照包括了正面以及人臉轉(zhuǎn)動的不同角度[1]。

2 ? ?人臉檢測

在進(jìn)行人臉識別的過程中，需要進(jìn)行人臉檢測，在檢測期間圖像質(zhì)量會對后續(xù)的識別產(chǎn)生較大影響，其過程是畫面捕捉到的人臉位置，并在此基礎(chǔ)上對人臉圖像進(jìn)行有效截取。此外，AdaBoost算法作為一種人臉檢測算法，能夠使用在不同的檢測方法中，并且具有較高的使用頻率，同時，在檢測過程中精確度與其他軟件相比也相對較高。AdaBoost算法計(jì)算速度相對較快，能夠在多種背景與環(huán)境下對人臉進(jìn)行快速、準(zhǔn)確的檢測。

該人臉檢測算法原理主要表現(xiàn)在以下幾個方面：（1）圖像在表達(dá)的過程中主要通過積分圖來完成，能夠在較大程度上對掃描特征實(shí)施計(jì)算，在此之前，對圖像特征的表達(dá)應(yīng)采用Haar-like特殊方式來完成。（2）使用效率較高的分類器，可在較多特征中提取出具有較大代表性的特征。（3）使用有效的方法使分類器聯(lián)合，能夠保證圖像背景區(qū)域的快速去除[2]。

3 ? ?以LBP為基礎(chǔ)的圖像集人臉識別算法分析

3.1 ?紋理特征及LBP算法

LBP算法主要是通過臉部紋理進(jìn)行特征的有效提取，在所有分析方法中，該算法使用紋理概念較為頻繁，其中，紋理一般情況下是物體表面的不同信息，與其他圖像信息表征方法具有一定的差異性，能夠?qū)D像灰度空間特征進(jìn)行真實(shí)的描述，不但能夠?qū)D像像素點(diǎn)進(jìn)行有效的描述，而且還可對其與周圍環(huán)境的聯(lián)系實(shí)施全面反映。由此可以看出，紋理特征既能對提取微觀信息實(shí)施描述，還可對圖像整體信息進(jìn)行描述。

LBP算法在應(yīng)用的過程中，具有計(jì)算量小、過程簡單以及能夠克服光照等優(yōu)勢，并且在此基礎(chǔ)上具有較強(qiáng)的分類能力。其主要思路是：首先，將灰度圖像中的單點(diǎn)看作中心像素點(diǎn)，并將灰度值看作是一個閥值。其次，該值與像素點(diǎn)進(jìn)行全面的對比，以此獲得兩個值的序列。再次，對此實(shí)施有效的處理，以此將該數(shù)據(jù)作為該像素點(diǎn)數(shù)值，對該特征進(jìn)行編制。最后，將其有效的組合，從而表示全局特征。

3.2 ?圖像集的建模

經(jīng)典圖像集算法 包括以下幾種。

（1）流形算法。主要建立在微積分幾何的基礎(chǔ)之上，其中，流形主要表達(dá)了多維曲線、幾何空間以及曲面。流形實(shí)質(zhì)上是一個非線性空間，在人臉識別圖像集模型構(gòu)建的過程中，把人臉圖像當(dāng)作一個非線性曲面，在此曲面中有不同線性小塊，將其叫作最大線性塊。此外，在對流形距離進(jìn)行計(jì)算的過程中，只需要對小塊之間的距離進(jìn)行計(jì)算，其公式如下[4-5]：

d（ci， cj）=（1﹣α）dE（ci， cj）+adv（ci， cj）

其中，de與dv公式如下：

（2）離散矩陣算法。主要是把主成分分析（Principal Component Analysis，PCA）算法在圖像集中進(jìn)行有效的擴(kuò)展，其主要思路表現(xiàn)在：首先，把圖像集中的圖像轉(zhuǎn)化為矩陣，并在此基礎(chǔ)上對其實(shí)施有效分解，得出特征值所對應(yīng)的特征向量，以此作為矩陣列。其次，求出圖像矩陣后，將其組合成圖像集矩陣，以此實(shí)施人臉識別匹配。比如，假設(shè)一個圖像集是G（I1， I2， …， In），其中，n表示圖像集中有n和圖像，Ii主要是圖像集中的每個圖像，圖形對應(yīng)的矩陣為G（A1， A2， …， An）。再次，將奇異值實(shí)施有效的分解，并在此基礎(chǔ)上進(jìn)行Ai矩對應(yīng)的特征值。最后，求出m最大特征值對應(yīng)的特征向量，并將此作為一列;對不同圖像矩陣特征向量進(jìn)行計(jì)算，其恩正矩陣是W（W1， W2， …， Wn）;對不同向量之間的距離實(shí)施準(zhǔn)確計(jì)算，并在此基礎(chǔ)上將其進(jìn)行有效轉(zhuǎn)換，形成不同的矩陣，其公式如下：

3.3 ?仿射包的圖像集建模

對圖像集實(shí)施模型的有效構(gòu)建，主要是把圖像集中不同圖像之間的關(guān)系實(shí)施有效表達(dá)，能夠較好地把一人圖像集中的圖像進(jìn)行全面的聯(lián)系。將不同圖像當(dāng)作線性特征向量或者仿射特征空間，再把個人圖像集使用凸模式進(jìn)行表示，其中，凸模式主要是圖像特征向量的凸包。凸包主要是對最鄰近分類進(jìn)行有效增強(qiáng)，均是在樣本之間的一些部位使用填補(bǔ)的方式對樣本變化過程中的敏感性進(jìn)行有效降低。此外，圖像在分類過程中，需要采用有效的方法對凸模式間距進(jìn)行全面計(jì)算，一般情況下使用幾何距離進(jìn)行計(jì)算，具有較大的合理性，主要是因?yàn)殡m然不同環(huán)境中的圖像均是同一個人，但是依然會有一定的重合，在一定程度上允許不同圖像集中使用特征向量組合進(jìn)行新圖像的合成，據(jù)此圖像集間距，可得到最近間距。

首先，需要對XK進(jìn)行有效的定義：XK=[xk，1，xk，2…xk，nk]，以此對圖像集進(jìn)行表示，其中，Xk，i主要是指第K個樣品集中第i個圖像;K表示樣本數(shù)量;i表示某個樣本集第i幅圖像。其次，詞用仿射包進(jìn)行圖像集模型的構(gòu)建，并在此基礎(chǔ)上通過兩者的間距進(jìn)行有效標(biāo)記，在圖庫中若樣本與測試樣本有最近間距，表示是一人圖像。使用A與表示不同凸包，那么不同凸包間距便是兩者最近距離，公式如下[6]：

其中，D表示不同凸包間距計(jì)算的距離函數(shù);x與y分別是A與中的任何點(diǎn)。為了對上述公式進(jìn)行有效計(jì)算，應(yīng)對A與中的點(diǎn)引入?yún)?shù)形式，再通過數(shù)字規(guī)劃方式小化兩點(diǎn)間距。

4 ? ?結(jié)語

隨著我國經(jīng)濟(jì)的發(fā)展、科學(xué)技術(shù)的進(jìn)步，人臉識別技術(shù)在各個領(lǐng)域應(yīng)用越來越廣泛，不但能夠?qū)σ恍╊I(lǐng)域管理質(zhì)量有較好的提升，而且也大大提高了信息的安全性。以LBP為基礎(chǔ)的圖像集人臉識別算法，主要是由不同組圖像構(gòu)成圖像集進(jìn)行人臉識別，在此過程中包含了較多的信息，由此可以看出，以LBP為基礎(chǔ)的圖像集人臉識別算法與傳統(tǒng)相比具有較大優(yōu)勢，但是也存在一些缺點(diǎn)，最為明顯的缺點(diǎn)就是時效下降，為此應(yīng)對該算法進(jìn)行深入的研究，采取有效的方法對問題進(jìn)行有效的解決。

[參考文獻(xiàn)]

[1]楊艷，郭振鐸，徐慶偉.基于PCA和LBP的自適應(yīng)加權(quán)融合人臉識別算法[J].中原工學(xué)院學(xué)報(bào)，2018（6）：79-84.

[2]丁園園，鄭巖，崔倩倩，等.基于子圖像方法和稀疏表示的人臉識別算法[J].科技視界，2018（2）：40-41.

[3]付余偉，胡方媛，晉杰，等.基于對數(shù)能量熵與LBP特征提取的人臉識別[J].信息技術(shù)，2017（7）：1-4.

[4]張輝，劉新.基于改進(jìn)LBP的單樣本人臉識別算法[J].計(jì)算機(jī)應(yīng)用與軟件，2017（12）：220-223.

[5]彭澤昆.基于哈希算法圖象人臉匹配識別模型[J].電腦迷，2019（1）：54.

[6]胡勇，朱瑩瑩.特征臉?biāo)惴ㄈ四樧R別系統(tǒng)[J].金陵科技學(xué)院學(xué)報(bào)，2018（2）：7-10.