基于OpenCV的人臉識別算法研究與實現

馮婧 顧梅花

摘要：基于OpenCV的人臉識別算法，具體為局部二值模式直方圖（LBPH），特征臉（Eigenface）以及Fisherface算法。介紹了各個算法的核心思想、具體實現步驟、應用場景以及優(yōu)缺點，并在OpenCV平臺上采用Python語言對三種算法進行仿真調試。實驗結果顯示，LBPH、Eigenface、Fisherface三種算法的正確率分別可達98.56%、81.16%和89.13%。

關鍵詞：人臉識別;OpenCV;LBPH;Eigenface;Fisherface

中圖分類號：TP391 文獻標識碼：A

文章編號：1009-3044（2020）14-0003-03

1引言

人臉識別作為一種主流的生物識別方法，被廣泛應用于眾多身份鑒別場景，是當下計算機視覺與模式識別領域的研究熱點。但是，當面臨不同的采集環(huán)境，人臉的多姿態(tài)問題，即光照問題，表情變化問題，遮擋干擾問題等都給人臉識別帶來了挑戰(zhàn)，因此人臉識別算法的研究仍有重大意義。本文介紹了基于OpenCV的三種經典人臉識別算法，即局部二值模式直方圖（LBPH）算法，特征臉（Eigenface）算法以及Fisherface算法，并給出了相關實驗結果與分析。

2基于openCV的三種經典人臉識別算法

2.1局部二值模式直方圖（LBPH）算法

2.1.1原理

局部二值模式（Local Binary Patterns，LBP）在1996年由Timo Ojala等人提出。算法的核心原理是先將人臉灰度圖像分成若干小的區(qū)域，通過對這些小的區(qū)域采用相應的LBP算子進行處理，獲得相應的LBP值后，再繪制體現人臉特征信息的LBP統(tǒng)計直方圖，并將測試統(tǒng)計直方圖與訓練統(tǒng)計直方圖進行相似度比較，與測試樣本最為相似的訓練樣本即為識別結果。

2.1.2方法步驟

第一步：將人臉灰度圖像劃分為若干相同大小的圓形子區(qū)域。

第二步：利用公式（1）進行LBP圓形算子處理。LBP圓形算子的主要思想是在子區(qū)域內，用圓周上的某個像素點灰度值與中心像素點的灰度值相比較，大于或等于的情況下，該位置像素用l替換，反之，該位置像素用0替換。

第三步：利用公式（2）獲得LBP值。即將第二步的結果按一定順序排列成二進制碼序列，再將其轉換為十進制數，即得LBP值。在公式（2）中，P代表圓形子區(qū)域的圓周上采樣像素點個數，R代表圓形子區(qū)域的區(qū)域半徑。

第四步：分別繪制訓練集和測試集的LBP統(tǒng)計直方圖。

第五步：將測試樣本的每個圓形子區(qū)域的直方圖與訓練集中的所有圓形子區(qū)域的直方圖作比較，與測試樣本相似度最高的訓練樣本即為識別結果。

局部二值模式直方圖（LBPH）算法的流程圖如圖1。

2.2特征臉（Eigenface）算法

2.2.1原理

特征臉（Eigenface）算法最早在1987年由Sirovich.L和Kirby.M提出，在1991年由Turk.M和Pentland.A進一步完。應用特征臉算法的前提是待識別圖像人臉尺寸與特征臉尺寸一致，且為正面。算法的基本原理是使用主成分分析（PrincipalComponent Analysis，PCA）方法對人臉灰度圖像進行降維處理，去除不必要的信息，保留最能體現人臉特征的向量。再先后求得訓練集和測試集相應的特征向量。遍歷所有訓練集的特征向量后，與測試樣本最為接近的訓練樣本即為識別結果，其中，接近程度可采用歐式距離來衡量。

2.2.2方法步驟

2.3 Fisherface算法

2.3.1原理

線性判別分析（Linear Discriminant Analysis，LDA）在1996年由Belhumeur等人首次應用到人工智能和模式識別領域。算法的核心思想是先對原始數據集進行PCA降維，目的是去除冗余信息，找到最能代表人臉特征的向量表達，緊接著再使用LDA線性判別分析，用Fisher特征向量來體現樣本的分類特征，再通過求取歐式距離等方法進行人臉相似性判斷，以實現人臉識別。

2.3.2方法步驟

第一步：對原始數據集進行PCA降維。

第二步：利用LDA方法對第一步提取到的特征進行分類。目的是要讓不同人的圖像之間的距離變大，與此同時，同一個體的不同圖像間的距離變小。不同人多圖像之間的距離Sh用類間離散度矩陣來衡量，如公式（9）。

第四步：用Fisher特征向量重新描述訓練樣本和測試樣本。

第五步：比較兩者的Fisher特征向量相似度，給出識別結果。

Fisherface算法流程圖如圖3。

3實驗結果與分析

實驗選取The CNBC Face Database人臉數據集Caucasian部分中的70人，共計采用560幅人臉圖像進行實驗。所選取實驗數據集特點為光照影響較為明顯，拍攝角度略有偏轉，表情變化明顯。

人臉檢測采用OpenCV中的AdaBoost算法進行人臉框定，檢測效果如圖4。

然后，采用LBPH，Eigenface和Fisherface三種算法模型對經過歸一化的訓練集進行訓練，再用剩余的部分作為測試集進行測試，得到相應的識別正確率。

由表1可知，在光照影響較明顯，有一定拍攝角度偏差的條件下，可認為Eigenface和Fisherface算法的識別正確率偏低，選擇LBPH算法為最佳。另外，分析表1數據可知，當訓練樣本規(guī)模增加時，三種算法的正確率均有所提升，且Fisherface的提升效果最為明顯，可見，增加訓練樣本集規(guī)模是一種提升算法識別正確率的途徑。

相應地，對每種算法模型各執(zhí)行10次，取其識別時間的平均值，可得Eigenface算法所花時間為1.32毫秒，Fisherface算法用時2.43毫秒，而LBPH需花費2.69毫秒。不難看出，在上述條件下，雖然Eigenface識別正確率偏低，但其識別速度更快。

4小結

在進行人臉識別時，LBPH算法適合于應用在光照影響較明顯的場景;Eigenface算法對人臉的正面圖像識別效果較好，但是，當人臉的拍攝角度有一定偏轉時，識別率仍有待提高;Fisherface算法在降維的基礎上利用LDA來選擇出人臉樣本的最優(yōu)分類特征，分類效果較好。