基于LBP的圖像集人臉識(shí)別算法

蓋 健，劉小華，李銳杰，寧尚軍

(吉林大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，吉林 長春 130012)

基于LBP的圖像集人臉識(shí)別算法

蓋 健，劉小華，李銳杰，寧尚軍

(吉林大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，吉林 長春 130012)

針對基于仿射包的圖像集人臉識(shí)別方法(AHISD)對于離散數(shù)據(jù)的敏感性，提出了一種加入LBP的方法.通過LBP的方法對圖像進(jìn)行特征提取，然后再將圖像集用仿射包進(jìn)行建模，在此基礎(chǔ)上，通過計(jì)算2個(gè)模型之間的距離，以達(dá)到對人臉進(jìn)行鑒別和分類的效果.用LBP方法視頻數(shù)據(jù)庫(Honda/UCSD)給出了檢測結(jié)果，有效地提高了識(shí)別率.

人臉識(shí)別；圖像集；仿射包；LBP

本文提出先對處理過的圖像用LBP的方法進(jìn)行特征提取，由于其分類能力較強(qiáng)，LBP算子[1-6]對單調(diào)的灰度變化具有不變性，因此光照對其影響減小.然后對圖像集進(jìn)行仿射包建模，達(dá)到分類的結(jié)果.

1 仿射包的識(shí)別方法

1.1 基于仿射包的識(shí)別

首先將圖像集近似地建模成一個(gè)仿射包，即用每個(gè)集中所有樣本構(gòu)成的最小仿射包來描述整個(gè)圖像集.那么每個(gè)圖像集樣本的仿射包定義為

(1)

其中：m=1，…，m表示樣本中圖像集的數(shù)量；xmk表示每個(gè)圖像集中第k個(gè)人臉圖像，每個(gè)圖像集中共nm幅圖像；αmk表示的是每幅圖像在仿射包中的權(quán)值.仿射包模型描述的是一個(gè)人臉圖像集樣本中人臉圖像的任意組合.(1)式給出了對數(shù)據(jù)比較松散的近似，所以在仿射空間中對于樣本的位置不太敏感.

(2)

1.2 仿射包模型之間的距離

(3)

公式(3)變換另一種形式，定義為

(4)

(5)

將求解出來的V帶入公式(4)可得最終距離

(6)

其中Q=U(UTU)-1UT是包含在2個(gè)空間內(nèi)的聯(lián)合方向的正交投影，I-Q是2個(gè)仿射空間的正交補(bǔ)空間的相應(yīng)投影.求解時(shí)，如果UTU是不可逆的，Q可以通過U′U′T計(jì)算得到，U′是通過對U進(jìn)行奇異值分解得到的正交基.

2 本文提出的方法

針對仿射包在建模以及識(shí)別的過程中有離散數(shù)據(jù)的問題，本文提出了將LBP的方法加入到仿射包的識(shí)別算法中.LBP是一種對單調(diào)的灰度變化具有不變性的紋理算子，其分類能力也比較強(qiáng)，所以在建立仿射包模型之前，要對圖像集中的每幅圖像通過LBP進(jìn)行特征提取，使得圖像的有效信息更加突出，使識(shí)別率有所提高.

2.1 局部二值模式

LBP算法主要描述的是圖像的局部紋理特征，其算法的基本思想是：把圖像中每個(gè)中心像素點(diǎn)灰度值[3-5]設(shè)為閾值，然后將其值與鄰近的像素點(diǎn)的值進(jìn)行比較，得到的值轉(zhuǎn)化為二進(jìn)制數(shù)，以此來表示一幅圖像的局部紋理特征值[1-5].LBP算子的公式可定義為：

(7)

其中g(shù)r表示中心像素點(diǎn)的灰度值，gi是與中心像素點(diǎn)gr鄰近的像素點(diǎn)的灰度值.計(jì)算過程：當(dāng)鄰近的像素點(diǎn)的灰度值大于中心像素點(diǎn)的灰度值時(shí)，將其值記為1；臨近像素點(diǎn)的灰度值小于中心像素點(diǎn)的灰度值時(shí)，記為0.這樣計(jì)算生成了一組二進(jìn)制數(shù)，再將其轉(zhuǎn)化為十進(jìn)制數(shù)，即為這個(gè)像素點(diǎn)的LBP值.計(jì)算出每個(gè)像素點(diǎn)的LBP值，就會(huì)得到一幅用LBP數(shù)值表示的圖像，我們稱這樣的圖像為具有LBP特征的圖像.因?yàn)長BP特征的提取與周圍的點(diǎn)相關(guān)，所以LBP特征包含了圖像的點(diǎn)、邊緣和局部特征的信息.可以將圖像分為多個(gè)子區(qū)域，LBP特征值用統(tǒng)計(jì)直方圖表示出來.

2.2 灰度不變性和旋轉(zhuǎn)不變性LBP算子

由于圖像在收集的時(shí)候會(huì)受到光照等因素的影響，光照不同的時(shí)候得到的圖像的紋理的灰度值也不同，即使是同一個(gè)人的圖像，也會(huì)識(shí)別錯(cuò)誤，為了在光照不同的時(shí)候得到的灰度值一樣，可以將局部的紋理W定義為

W=w(gr，g0-gr，…，gn-1-gr).

(8)

假設(shè)w(gr)和w(gn-gr)是相互獨(dú)立的，公式(8)變形為

W≈w(gr)w(g0-gr，…，gn-1-gr).

(9)

因?yàn)閣(gr)與周圍的關(guān)聯(lián)性很小，它僅僅提供圖片的亮度，所以可以忽略不計(jì)，最終的公式為

W≈w(g0-gr，…，gn-1-gr).

(10)

在對公式(10)進(jìn)行二值化處理：

W≈w(f(g0-gr)，…，f(gn-1-gr))；

(11)

給每一個(gè)f(gn-gr)一個(gè)二項(xiàng)式系數(shù)2n加權(quán)、求和，即可得唯一的一個(gè)紋理特征LBP值

(12)

這樣定義之后的LBP不僅和鄰近的像素點(diǎn)有更強(qiáng)的關(guān)聯(lián)，而且具有平移不變性和灰度變化不變性，使得圖像不受光照的影響.

當(dāng)中心像素的周圍有n個(gè)點(diǎn)時(shí)，會(huì)有2n種LBP值，即當(dāng)圖片旋轉(zhuǎn)[2，5]時(shí)，周邊點(diǎn)的位置也會(huì)變化，所以生成的LBP值就不同，使得同一幅像生成的LBP值不同，造成識(shí)別錯(cuò)誤.具體解決方案是同樣的(n，r)(鄰近點(diǎn)數(shù)量，半徑)時(shí)，不管怎么旋轉(zhuǎn)，都取最小值作為此模式下的LBP值.定義為

(13)

ROR函數(shù)為旋轉(zhuǎn)函數(shù)，鄰近像素點(diǎn)都是按照順時(shí)針旋轉(zhuǎn)計(jì)算的.如圖1所示，其中n=8，r=1，二值為01 111 000，旋轉(zhuǎn)變化有8種LBP值，最終取最小值作為LBP值，即為00 001 111，十進(jìn)制數(shù)為15.達(dá)到了旋轉(zhuǎn)不變的要求.其求解過程見圖2.

圖1 旋轉(zhuǎn)不變性求解圖

2.3 本文算法識(shí)別過程

(1) 對視頻中提取出來的圖像進(jìn)行人臉檢測，進(jìn)一步對圖像進(jìn)行簡單的處理，使圖像變成灰度值圖像.

最鄰近的圖像即為同一個(gè)人的圖像.

3 實(shí)驗(yàn)與分析

3.1 實(shí)驗(yàn)與處理

在Honda/UCSD視頻庫，對加利福尼亞大學(xué)圣地亞哥分校臉部追蹤視頻數(shù)據(jù)庫進(jìn)行實(shí)驗(yàn)，視頻庫中包含了20人的59個(gè)視頻，錄像中每個(gè)人都有不同的姿勢、表情、光照等.選取20人的視頻作為訓(xùn)練集，剩下的39人的視頻作為測試集.首先用經(jīng)典viola-jones方法對視頻集進(jìn)行人臉檢測采集，其人臉檢測方法是利用經(jīng)典的Adaboost算法訓(xùn)練分類器.采集的圖片有不同角度、姿勢、表情、關(guān)照、遮擋等.對采集到的人臉圖像進(jìn)一步處理，將其調(diào)整成40像素×40像素的灰度值圖像.再用LBP算法對其進(jìn)行特征提取及用仿射包的方法對圖像集進(jìn)行建模，最后進(jìn)行人臉匹配.

將訓(xùn)練集和測試機(jī)都分為5種，每種圖像集的圖像數(shù)量分別為10，20，50，70和100.每種情況測10次，取平均值.實(shí)驗(yàn)分為2種情況：一種是沒有加入噪聲實(shí)驗(yàn)，將人臉檢測到的模糊、遮擋圖像人為去掉；另一種是加入噪聲實(shí)驗(yàn)，人臉檢測過程中由于遮擋、照相模糊和光照黑暗等因素引起的噪聲圖片，不對其進(jìn)行處理.實(shí)驗(yàn)結(jié)果見圖2和3.

3.2 實(shí)驗(yàn)結(jié)果分析

(1) 根據(jù)圖2可以發(fā)現(xiàn)，LBP-AHISD的方法識(shí)別率要高于其他2種方法，隨著圖像數(shù)量的增加，識(shí)別率也會(huì)越來越高.加入了LBP特征提取的算法在特征提取時(shí)，其對圖像特征描繪得更好，分類能力極強(qiáng)，所以，識(shí)別率比其他方法高.

(2) 對于加入噪聲的實(shí)驗(yàn)，從圖3中可以發(fā)現(xiàn)，加入噪聲之后的識(shí)別率會(huì)明顯低于沒有加入噪聲的識(shí)別率，LBP-AHIDS的識(shí)別率相對其他2種方法更好.隨著圖像數(shù)量的增加，識(shí)別率會(huì)慢慢升高.

圖2 訓(xùn)練集和測試集都沒加入噪聲的識(shí)別率

圖3 訓(xùn)練集和測試集都加入噪聲的識(shí)別率

綜上所述，噪聲對識(shí)別率有一定的影響，但是隨著圖像數(shù)量的增加識(shí)別率會(huì)提高.這是因?yàn)閳D像數(shù)量的增加，圖像集中的動(dòng)態(tài)信息和有效信息相對較多，使得質(zhì)量不好的數(shù)據(jù)影響相對減少.但是，LBP-AHISD算法在加入和不加入噪聲的情況下識(shí)別率都會(huì)比另2種方法的識(shí)別率高，證明LBP提取特征的優(yōu)越性，對單調(diào)的灰度變化具有不變性的紋理算子，使人臉識(shí)別分類能力增強(qiáng)，具有較好的穩(wěn)定性.

4 總結(jié)

本文在仿射包的基礎(chǔ)上，提出了加入了LBP的方法.LBP是一種對單調(diào)的灰度變化具有不變形的紋理算子，很好地描述了圖像的局部信息，其分類能力較強(qiáng)，使得仿射包的方法有所改進(jìn)，并在Honda/UCSD視頻庫上進(jìn)行了實(shí)驗(yàn)，得到了很好的識(shí)別率.

[1] AHONEN T，HADID A，PIETIKAINEN M.Face recognition with local binary patterns[J].Proc European Conf Computer，2006：469-481.

[2] 毛科.基于局部二值模式的人臉識(shí)別算法研究[D].廣州：華南理工大學(xué)，2010.

[3] OJALA T，PIETIKAINEN M，HARWOOD D.A comparative study of texture measures with classification based on feature distributions[J].Computer Vision and Pattern Recognition，1996，29(1)：51-59.

[5] OJALA T，PIETIKAINEN M，MAENPAA T.Multiresolution gray-scale and rotation invariant texture classification with local binary Patterns[J].IEEE Trans PAMI，2002，24(7)：971-987.

[6] AHONEN T，HADID A，PIETIKAINEN M.Face description with local binary patternsapplication to face recognition[J].IEEE Trans PAMI，2006，28(12)：2037-2041.

(責(zé)任編輯：石紹慶)

Face recognition algorithm of image set based on LBP

GAI Jian，LIU Xiao-hua，LI Rui-jie，NING Shang-jun

(College of Computer Science and Technology，Jilin University，Changchun 130012，China)

For affine hull face recognition based on image set (AHISD) is sensitive to outliers，this paper puts forward a new method to joint LBP with image set.Characteristics of the image are extracted by the method of LBP，and then the image set is modeled as affine model.Based on this，calculate the distance between the two models to achieve the face identification and classification.Experiments using this method in the Honda/video database show that it is effective to improve the recognition rate.

face recognition；image set；affine hull model；LBP

1000-1832(2015)04-0084-04

10.16163/j.cnki.22-1123/n.2015.04.018

2014-05-13

國家自然科學(xué)基金資助項(xiàng)目(61175023)；吉林省生物識(shí)別新技術(shù)重點(diǎn)實(shí)驗(yàn)室項(xiàng)目(20082209).

蓋健(1988—)，女，碩士研究生；劉小華(1971—)，女，副教授，主要從事計(jì)算智能、模式識(shí)別研究.

TP 393 [學(xué)科代碼] 520·60

A