基于小波變換和LBP算子的人臉識別研究

李鵬

(廣州華立科技職業(yè)學院， 計算機信息工程學院， 廣東， 廣州 511325)

0 引言

人臉是一種與生俱來的人體生物特征，與其它人體生物特征如：虹膜、指紋一樣，具有唯一性，因此人臉識別是一種重要身份認證技術。相對于其它人體生物特征，人臉采集不需要接觸，不但人們?nèi)菀捉邮?，可以隱蔽操作，而且方便，快捷，在許多領域得到了廣泛的應用，如視頻監(jiān)控、安全防范、逃犯抓捕等[1-3]。

近幾十年來，人們對人臉識別問題進行了深入的研究，出現(xiàn)了許多有效的人臉識別方法，這些人臉識別方法均將人臉識別看作是一種模式識別的多分類問題，在理想環(huán)境下，人臉識別技術很成熟，人臉識別精度相當高[4]。但是在不理想的環(huán)境下，如光照變化比較強烈，人臉表情變化頻繁，狀態(tài)變化以及部分人臉出現(xiàn)部分遮擋時，這樣人臉識別效果不太理想，因此，不理想環(huán)境下人臉識別已經(jīng)成為人們關注的焦點，如文獻[5]提出一種基于語義對齊的多區(qū)域模板融合三維人臉識別算法，將所有三維人臉模型與預定義標準參考模型做稠密對齊，根據(jù)人臉表情具有區(qū)域性的特點，提出基于多區(qū)域模板的相似度預測方法，但是該方法光照變化十分敏感，抗光照變化干擾能力差。文獻[6]針對人臉識別方法在光照變化，表情變化及噪聲干擾等情況下識別率下降的問題，將主成分分析、小波包分解和稀疏表示分類等算法結合起來進行人臉識別研究分析，提出了一種融合小波包細節(jié)子圖及稀疏表示的人臉識別方法，其人臉識別效率較高，對于人臉圖像的暗點、亮點及邊緣等部分細膩模式與分散狀況及魯棒性部分紋理特征能夠進行詳細的描繪，因此不理想環(huán)境下人臉識別效果有待進一步提升。

針對復雜光照條件下人臉識別問題，為了提高人臉識別精度，本文提出了基于小波變換與LBP算子的人臉識別方法，結合小波變換的多分辨率和LBP算子細化特征的優(yōu)點，并通過具體的仿真對比實驗，驗證了小波變換與LBP算子的人臉識別的優(yōu)越性。

1 基于小波變換和LBP算子相結合的人臉識別方法

1.1 小波變換的人臉圖像預處理

(1)

(2)

式中，a、b分別表示收縮因子與平移因子。

小波變換系數(shù)定義如下：

(3)

那么小波變換的逆變換為

(4)

由于人臉圖像是一種離散信號，為了增強人臉圖像處理效果，對連續(xù)小波需要進行離散化處理，離散化小波定義如下：

(5)

離散化小波變換系數(shù)定義如下：

(6)

離散化小波變換重構形式為：

(7)

對一人臉圖像，通過分解可以得到低頻人臉圖像和高頻人臉圖像，高頻人臉圖像包括：水平、垂直和對角線方向的人臉圖像，分別采用LL、LH、HL、HH進行描述，具體如圖1(a)所示，然后對低頻人臉圖像LL進行進一步小波分解，得到結果如圖1(b)所示。

(a) 一層分解

(b) 二層分解圖1 人臉圖像的小波變換示意圖

由于光照變化部分處于高頻部分，因此用矢量量化方法除去小波變換后的高頻分量，并通過小波重構得到無光照變化的人臉圖像。

1.2 LBP算子提取人臉識別特征

在人臉圖像識別過程中，人臉特征提取十分重要，根據(jù)特征可以對人臉圖像的類別進行分類，從而實現(xiàn)人臉識別。當前人臉圖像識別特征很多，其中紋理特征可以描述人臉圖像的部分灰度變化，對光照變化魯棒性強，因此本文選擇局部二值模式(LBP)算子提取人臉識別特征。在人臉圖像中，L表示一個像素LBP特征，該特征與該像素灰度值pf和其鄰域內(nèi)像素點的灰度值直接相關，可以描述為[9]

L=e(pf,p1,p2,…,pN)

(8)

式中，N表示鄰域內(nèi)像素點數(shù)，第i個鄰域像素點的灰度值表示為pk。

當鄰域內(nèi)像素點數(shù)為4和8時，那么中心像素與鄰域內(nèi)像素之間的位置關系可以采用圖2進行描述，其中紅色點表示中心像素，黑色點表示鄰域內(nèi)像素。

(a) 鄰域內(nèi)像素數(shù)為4

由于中心像素與鄰域內(nèi)像素之間的灰度值有一定的差別，可以用灰度差更好描述人臉圖像紋理特征，那么LBP特征可以變?yōu)?/p>

L=e(pf,p1-pf,p2-pf,…,pQ-pf)

(9)

由于中心像素點和鄰近像素點之間相互獨立，這樣式(8)可以變?yōu)?/p>

L=e(pf)e(p1-pf,p2-pf,…,pQ-pf)

(10)

通常情況下，可以忽略中心像素點的紋理特征，這樣可以得到中心像素點的灰度值：

L≈e(p1-pf,p2-pf,…,pQ-pf)

(11)

由于灰度差的值可能是正的，也可能是負的，這樣可以得到：

L=e(u(p1-pf),u(p2-pf),…,u(pQ-pf))

(12)

其中：

(13)

根據(jù)式(11)，得到一個1和0組成的序列，人臉圖像像素點的LBP特征為

(14)

綜合上述可知，人臉識別的LBP特征提取過程具體如圖3所示。

1.3 小波變換與LBP算子的人臉識別原理

針對當前人臉識別方法存在的缺陷，利用小波變換的多尺分解功能和LBP算子的優(yōu)點，以改善人臉識別效果為目標，提出了基于小波變換與LBP算子的人臉識別方法，該方法的工作原理具體為：首先采集待識別的人臉圖像，并采用小波變換對人臉圖像作多尺分解，通過對低頻子圖像進行去噪預處理，消除光照變化對人臉識別的干擾，然后采用LBP算子提取人臉圖像紋理特征，將特征連接組合在一起產(chǎn)生特征向量，最后采用k近鄰算法根據(jù)特征向量建立人臉識別的分類器，如圖4所示。

2 仿真實驗

2.1 人臉識別的數(shù)據(jù)集及仿真實驗環(huán)境

為了測試小波變換與LBP算子的人臉識別方法有效性，選擇當前標準人臉數(shù)據(jù)集Yale-B與AR人臉庫作為實驗對象。其中Yale B包含了10個人的人臉圖像，總共5760幅人臉圖像，按光照變化條件，所有圖像可以劃為5個子集，第1個子集的光照方向為(0～12°)，第2個子集的光照方向為(13～25°)，第3個子集的光照方向為(26～50°)，第4個子集的光照方向為(51～77°)，第5個子集的光照方向為78°以上，部分人臉圖像如圖5(a)所示。AR人臉庫有10個人人臉，每一個有15幅人臉圖像，部分人臉圖像如圖5(b)所示。人臉識別的實驗環(huán)境為：4核 Intel 2.70 GHz的CPU，16 GB RAM，Win 10。為了使人臉識別結果具有可比性，選擇Retinex算法的人臉識別方法[11]和支持向量機的人臉識別方法進行對照實驗[12]。

(a) Yale-B

(b) AR圖5 人臉仿真識別的實驗對象

2.2 Yale-B數(shù)據(jù)集的人臉識別精度

對于Yale-B人臉庫，以第1組人臉圖作為訓練樣本集合，其它組作為測試樣本集合，采用3種方法對訓練樣本進行學習，建立人臉分類器，然后對測試樣本進行測試，統(tǒng)計它們的人臉識別精度，具體如表1所示。對表1的人臉識別精度進行對比和分析可以發(fā)現(xiàn)，在光照變化較小的條件下，3種方法的人臉識別精度沒有太多的差別，隨著光照變化越來越大，支持向量機、Retinex算法的人臉識別精度下降幅度亦變得越來越大，而本文方法的人臉識別精度變化較小，十分穩(wěn)定，對比結果表明本文方法的光照變化魯棒性強。

表1 3種方法的Yale-B人臉庫識別精度對比 單位：%

2.3 AR數(shù)據(jù)集的人臉識別率精度

對于AR人臉庫，隨機將150幅人臉圖像劃分為5個組，選擇第1個組作為訓練樣本集合，建立人臉分類器，其它5組人臉圖像作為測試樣本集合，驗證建立人臉分類器的有效性，統(tǒng)計它們的人臉識別精度，結果如表2所示。對表2的人臉識別精度進行對比分析，相對于支持向量機、Retinex算法的人臉識別方法，本文方法的人臉識別精度同樣得到了不同程度的提升，降低了人臉識別誤差，再次驗證了本文方法的優(yōu)越性。

表2 3種方法的AR人臉庫識別精度對比 單位：%

2.4 人臉識別效率對比

由于人臉識別效率也十分關鍵，因此分別從Yale-B人臉庫和AR人臉庫中隨機選擇100幅人臉圖像作為測試對象，這樣共得到200幅人臉圖像，將它們平均劃分為5組，統(tǒng)計每組的人臉平均識別時間，結果如圖6所示，對圖6的人臉識別時間進行對比和分析可以發(fā)現(xiàn)，支持向量機、Retinex算法的人臉識別耗時長，而且十分不穩(wěn)定，而本文方法的人臉識別時間少，而且很穩(wěn)定，提高了人臉識別效率。

圖6 不同方法的人臉識別效率對比

2.5 人臉識別效果的比較

隨機抽取1幅人臉圖像，采用3種方法進行識別，結果如圖7所示。從圖7可知，本文方法的人臉識別效果要優(yōu)于支持向量機、Retinex算法。

(a) 待識別人臉圖像

(b) 支持向量機

(c) Retinex算法

(d) 本文方法圖7 不同方法的人臉識別效果比較

3 總結

人臉識別由于受到光照變化、采集設備、操作人員的水平等多種因素的影響，加以人臉圖像復雜多變，當前方法無法獲得理想的人臉識別效果，為了獲得理想的人臉識別結果，本文提出了小波變換和LBP算子相融合的人臉識別方法，并選擇標準人臉數(shù)據(jù)集Yale-B與AR，在相同測試環(huán)境下，與當前經(jīng)典人臉識別方法進行了對比實驗，結果表明，相對于經(jīng)典人臉識別方法，小波變換和LBP算子的人臉識別精度得到了大幅度得升，減少了人臉識別時間，加快了人臉識別速度。由于人臉識別結果與多種因素密切相關，本文只對照變化條件的人臉識別進行研究，對于遮擋人臉、多姿態(tài)人臉沒有進行相應研究，這將是下一步要深入研究內(nèi)容。