基于SQI和加權LBP直方圖的不同光照環境下人臉識別

王建璽，徐向藝，魯書喜

基于SQI和加權LBP直方圖的不同光照環境下人臉識別

王建璽，徐向藝，魯書喜

為解決不同光照條件下人臉識別困難的問題，提出了一種基于自商圖像和加權局部二值模式的不同光照環境下的人臉識別方法。首先，使用自商圖像算法進行人臉圖像預處理，去除圖像的光照影響，然后，對預處理后的圖像用加權多區域局部二值模式算法提取特征直方圖，把不同分區的特征直方圖融合起來形成特征向量，最后，根據提取的特征向量進行樣本訓練和人臉識別。在人臉數據庫上的實例測試表明，其算法與其他幾種算法相比具有較好的識別效果。

自商圖像；局部二值模式；光照變化；人臉識別

0 引言

目前，特定環境下的人臉識別算法有主成分分析法[1]，線性判別分析法[2]和獨立成分分析法[3]等，但是，這些方法在光照變化環境下識別效果不理想。在光照不變條件下人臉識別算法有商圖像（Quotient image, QI）[4]、自商圖像（Self quotient image,SQI）[5]和變商圖像（Morphological quotient image, MQI）[6]等，文獻[7]采用一種無監督學習方法實現SRC降維問題，獲得了比主成分分析法和隨機投影更高的識別率。文獻[8]采用最小二乘局部加權光譜回歸方法來解決近紅外光譜譜帶歸屬難確定的問題。文獻[9]采用光譜回歸和線性子空間相互結合的方法有效降低了光譜回歸算法的計算時間。

研究中提出了一種基于自商圖像和加權局部二值模式（Weighted Local Binary Pattern，WLBP）[10]的光照變化條件下的人臉識別方法。首先使用自商圖像過濾光照影響，然后，采用 WLBP提取人臉特征并進行人臉識別。該方法在擴展Yale B數據庫上進行人臉識別測試，結果表明該方法更有效。

1 自商圖像

商圖像能過濾掉人臉光照影響而獲得人臉的紋理信息，在光照變化環境下人臉識別中作為預處理方法方便快捷，商圖像（QI）基于朗伯特模型[4]，如公式（1）：

式中，ρ表示人臉圖像紋理，nT指面的法向矩陣，·代表點積，s表示光源點。

式中，u、v是頻域變量，從式（2）可見，商圖像僅與人臉圖像的紋理信息有關，與光照變化沒有關系，它是由測試圖像yI與三個獨立的光照圖像jI之間的比值獲得。

商圖像算法的不足之處是該算法性能受已知光照條件和引導程序數據庫影響較大。文獻[5]中，通過采用自商圖像來解決這個問題。自商圖像定義為公式（3）：

式中，*為卷積符號，F為加權的高斯過濾器。

自商圖像方法在處理圖像過程中只需自身圖像就能進行，基本不受光照條件的干擾，在實際應用過程中有重要意義。如圖1所示：

一個光照人臉樣本圖像自商算法處理的結果。

2 局部二值模式

LBP[11]運算符通過紋理對圖像進行描述，它將圖像中的各點像素與其周圍的像素進行比較，如果中心像素比某鄰域大，置為0；否則，置1，把比較結果保存為二進制數，轉化為十進制后再計算區域的直方圖用于紋理特征表述。這種局部的人臉描述不受姿態、表情變化和灰度變化的影響。其具有辨別力強和運算簡單的優點，已經在不同的場景下得到廣泛應用[12-14]。傳統的LBP算子是定義在3×3的臨域上的，如圖2所示：

圖1 樣本圖像的SQI處理效果

圖2 傳統LBP運算符

擴展的 LBF[15]用中心像素點四周不同半徑的圓周上的像素點，如果樣本點不在像素點的中心時用雙線性插值進行處理。,PRLBP 表示在半徑為R的距離上取P個樣本點。3種不同的P和R值的擴展的LBF模式如圖3所示：

圖3 不同P,R值的擴展LBF算符

公式（4）為對點（x,y）計算其LBPP,R。如公式（4）：

LBP直方圖樣本計算公式如公式（6）：

i是本指數，n是有不同標記的值，如公式（7）：

3 方法提出

提出的人臉識別的方法分3個步驟，第一步用自商圖像方法消除掉人臉圖像的光照影響進行預處理；第二步對人臉圖像用加權的多區域的LBP提取直方圖，形成特征向量，最后，根據提取的特征向量進行人臉識別。并用 Yale人臉數據庫B進行實驗獲得各項參數，選擇了120張不同光照條件人臉圖像用于識別實驗。識別率為正確識別人臉數量與測試人臉總數的比值。

3.1 SQI參數設置

表1 SQI方法中不同過濾器大小的對比

通過測試過濾器尺寸定為 15。然后，保持過濾器尺寸不變變換測試高斯σ的最優值。可見當高斯σ為0.7時識別率較高。如表2所示：

表2 SQI方法中采用不同過濾器大小的對比

表3 不同σ的測試與訓練對比

表3 不同σ的測試與訓練對比

過濾器大小：15，訓練σ=0.7檢驗σ 識別率0.9 88.33% 0.7 90% 0.5 90% 0.3 91.66%

3.2 特征提取

在預處理消除光照影響后，采用多區域加權LBP方法進行特征提取，特征提取過程如圖4所示：

圖4 系統特征提取過程

多區域LBP方法是人臉識別中較常見的一種方法[17]。LBP方法將人臉圖像按照一定的大小劃分為若干個局部的區域，對每個區域進行特征提取，再將提取的特征連接起來，形成最終的特征直方圖。考慮到眼睛、鼻子和嘴等是人的重要特征，在區域劃分時可以更加密集一些。

區域劃分的數量直接影響人臉識別的識別率，通過實驗選擇較好的區域劃分的數量。如表4所示：

表4 不同σ的測試與訓練對比

表4 不同σ的測試與訓練對比

過濾器大小：15，訓練σ=0.7，測試σ=0.3區域數量 識別率4×4 46.66% 7×7 90% 8×8 91.66% 9×9 71.66% 11×11 90% 15×15 96.66% 17×17 93.66% 19×19 90%

15×15的區域劃分可以得到較好的結果，因此，選擇15×15和8×8這兩種劃分方法進行計算再組合起來進行特征提取，選取的15是奇數，8是偶數且二者不能整除，這樣就保證了不會與區域嵌套，能得到相互不同的特征。

3.3 加權比較

因為研究中所用分類器和卡方數據接近，故使用卡方數據(8)進行特征直方圖的比較。如公式（8）：

式中，H1為輸入直方圖，H為注冊直方圖。i為直方圖的第i項，j為第i項的第j通道，為加權系數。

特征直方圖從人臉圖像中提取出來，考慮到圖像中人的眼睛、鼻子、嘴巴作為人的主要特征，在識別過程中增加了它們的權值，所以，采用加權卡方估計的方法進行人臉識別效果較好，實驗中系統特征提取過程。如圖5所示：

圖5 系統特征提取過程（從左到右：原始圖像, LBP8×8, LBP 15×15）

4 實驗

研究中實驗在8G內存，Intel酷睿i7 4GHz，Windows7機器上進行，編程環境為MATLAB 7.0，在擴展YaleB數據庫上進行光照變化環境下人臉識別，為分析該方法效果，所得結果與 SQI、光照渲染商圖像(Quotient Illumination Rendering,QIR)、MQI、動態形態學商特征商圖像（Dynamic Morphological Quotient Image, DMQI)、不同平滑濾波商圖像(Different smooting filers Quotient Image ,DSFQI)等方法進行對比分析。

4.1 人臉識別

本實驗選用經過挑選的 YaleB數據庫的人臉圖像，供42個人，每人包含64張光照變化的灰度人臉圖像，圖像大小為192×168。從中挑選的示例，如圖6所示：

圖6 擴展YaleB上的各個子集示例

按照人臉圖像清晰程度分5個子集，每個子集對應不同強度的光照變化。

實驗中，用不同的子集進行樣本訓練，用數據庫中的所有人臉圖像進行測試，并把結果與其他不同的識別方法進行比較如表5所示：

表5 在YaleB上以不同子集訓練時各方法的識別率

從表5中可見，與其他方法相比，提出的方法在不同光照條件下對人臉識別率較高，識別性能和效果較好。同時，可以看出該方法比沒有加權的方法（SQI、MQI、DMQI、DSFQI）效果好，驗證了加權方法的優越性。所以，該方法能較好的識別真實的光照變化下的人臉圖像。

4.2 性能比較

從訓練、測試時間復雜度和空間復雜度上將本文方法與SQI、QIR、MQI、DMQI、DSFQI方法進行比較，結果如表6所示：

表6 各方法的復雜度比較

其中，m、n為圖像矩陣的行數和列數，L、M、N為投影向量數、測試樣本數、訓練樣本數。

從表6可見，與QIR相比，本文方法僅在訓練時間復雜度上高了一些，其他都一樣；與SQI、MQI相比，本文方法雖訓練時間復雜度高一些，但測試時間復雜度降低了一半；與DMQI、DSFQI相比，本文方法的訓練、測試時間復雜度及總體空間復雜度都降低了很多。總之，本文方法在提高識別率的同時，能實現比其他算法相似或者較低的復雜度，故本方法具有一定的優越性。

5 總結

研究中提出了一種基于自商圖像和加權局部二值模式的人臉識別方法。首先使用自商圖像算法進行預處理，去除人臉圖像的光照影響，再對預處理后的圖像用加權多區域局部二值模式算法提取直方圖，形成特征向量，根據提取的特征向量進行人臉識別。在數據庫進行實例測試表明，該算法與其他幾種算法相比具有較好的識別效果。

[1] Mohammed A A, Minhas R, Jonathan Wu Q M, et al. Human face recognition based on multidimensional PCA and extreme learning machine [J].Pattern Recognition, 2011,44(10):2588-2597.

[2] 劉忠寶,王士同.改進的線性判別分析算法[J].計算機應用,2011,31(1):250-253.

[3] Karande K J, Talbar S N. Oriented Laplacian of Gaussian Edge Detection for Face Recognition Using ICA[M]// Independent Component Analysis of Edge Information for Face Recognition. Springer India, 2014: 49-61.

[4] 熊鵬飛,劉昌平,黃磊.一種人臉標準光照圖像的線性重構方法[J].模式識別與人工智能,2012,25(4): 656-663.

[5] Arandjelovic O. Making the most of the self-quotient image in face recognition[C]//Automatic Face and Gesture Recognition (FG), 2013 10th IEEE International Conference and Workshops on. IEEE, 2013: 1-7.

[6] Baradarani A, Wu Q M, Ahmadi M. Illumination suppression for illumination invariant face recognition[C]Pattern Recognition (ICPR),2012 21st International Conference on. IEEE, 2012: 1590-1593.

[7] Cheng Y, Jin Z, Hao C. Illumination normalization based on different smoothing filters quotient image[C] Intelligent Networks and Intelligent Systems (ICINIS), 2010 3rd International Conference on. IEEE, 2010: 28-31.

[8] Deepa G M, Keerthi R, Meghana N, et al. Face recognition using spectrum-based feature extraction[J]. Applied Soft Computing, 2012, 12(9): 2913-2923.

[9] Weigelt S, Koldewyn K, Kanwisher N. Face identity recognition in autism spectrum disorders: A review of behavioral studies[J]. Neuroscience & Biobehavioral Reviews, 2012, 36(3): 1060-1084.

[10] 胡敏,許艷俠,王曉華,等.自適應加權完全局部二值模式的表情識別[J].中國圖象圖形學報,2013,18(10):1279-1284.

[11] 趙玥,蘇劍波.一種用于人臉識別的矢量三角形局部特征模式[J].電子學報,2013,40(11):2309-2314.

[12] 宋克臣,顏云輝,陳文輝,等.局部二值模式方法研究與展望[J].自動化學報,2013,39(6):730-744.

[13] 吳嫻, 賴劍煌. 基于體積語義局部二值模式的行為識別[J].計算機學報, 2012, 35(12): 2652-2660.

[14] 田配云, 鄭碧波, 陳偉清. 基于彩色局部角度二值模式的紋理分類研究[J]. 計算機與現代化, 2013, 212(4): 86-89.

[15] Nabatchian A, Abdel-Raheem E, Ahmadi M. Illumination invariant feature extraction and mutual-information-based local matching for face recognition under illumination variation and occlusion[J]. Pattern Recognition, 2011, 44(10): 2576-2587.

[16] Song Y C, Kim S Y, Park K H. Double Self Quotient Image Based Image Flattening for Defect Detection in Thin Film Transistor Liquid Crystal Display Panel[J]. Japanese Journal of Applied Physics, 2010, 49(3): 38003-38012.

[17] 張潔玉,趙鴻萍,陳曙.自適應閾值及加權局部二值模式的人臉識別[J].電子與信息學報,2014,36(6):1327-1333

TP391文獻標志碼：A

2015.03.24）

1007-757X(2015)08-0010-04

國家自然科學基金項目（61170263）；河南省科技廳科技發展計劃項目（134300510037）

王建璽（1981-），女，漢族，河南社旗人，平頂山學院軟件學院，講師，碩士，研究方向：模式識別、圖像處理等，平頂山，467000徐向藝（1979-），女，漢族，河南平頂山人，平頂山學院軟件學院，講師，碩士，研究方向：智能算法與優化設計，圖像處理，平頂山，467000魯書喜（1969-），男，漢族，河南鎮平人，平頂山學院軟件學院，教授，博士，研究方向：多媒體信息處理，平頂山，467000