基于改進的LBP面部識別智能算法

陸　玉，張　華

（1.阜陽職業技術學院人文社科系；2.阜陽職業技術學院實訓中心，安徽阜陽236031）

基于改進的LBP面部識別智能算法

陸玉1，張華2

（1.阜陽職業技術學院人文社科系；2.阜陽職業技術學院實訓中心，安徽阜陽236031）

摘要：在傳統的LBP算法的基礎上，提出了一種改進的自適應閾值算法用于人類面部識別.提取圖像的每個子區域的LBP，根據子區域圖像自身的情況設定閾值，利用該閾值提取紋理特征，同時融合信息熵對分解的特征層進行直方圖加權，在FERET人臉數據庫上進行的實驗證明，本文提出的算法具有更高的鑒別能力和對噪聲干擾的更強的魯棒性，能夠有效提高圖像檢索的準確率.

關鍵詞：人臉識別；LBP；自適應

人臉識別技術是一個跨學科的計算機應用技術，其應用范圍廣泛，在門衛系統、身份識別等各種領域都具有巨大的應用前景.然而，對開發可批量應用的識別系統來說，仍有許多待解決問題，尤其是準確提取人臉紋理特征和研究高效、魯棒的識別算法，原因主要有：（1）人臉表情豐富；（2）人臉成像的背景復雜；（3）人臉圖像受光照、成像角度影響等［1］.為此本文提出一種基于自適應閾值的LBP算法（ATLBP），其主要思想是通過實驗計算出自適應于圖像各個子區域的LBP閾值，降低算法復雜度，提高算法對圖像局部特征提取的精度.

1　預處理

傳統的LBP算法簡單高效，具有良好的穩定性和識別率，但它籠統地對圖像進行紋理特征的提取，會導致丟失部分重要紋理［2-3］.事實上圖像中不同子區域包含著不同的紋理細節，算法應圖像子區域細節的復雜程度賦予其不同的權重，這樣圖像紋理的變化才能在特征提取的實驗中反映出來.因此為降低數據量，保留關鍵特征，在本文實驗中需要對人臉區域進行定位，用眉毛兩側、眼角、鼻翼及嘴角進行定位，依據定位策略進行圖像分塊，對每個子區域分別求出直方圖特征，將它們串聯起來作為最終的紋理特征.預處理結果見圖1.

圖1　人臉預處理結果

2　特征提取

在人臉識別技術流程中，一個基本而重要的流程就是特征提取，如何提取出正確而具魯棒性的特征是人臉識別成敗的關鍵［4］.在實驗中，采取將圖像劃分為若干子區域之后，提取每個子區域的LBP統計直方圖的方法，此種方法能反應局部特征、具有統計性質且適應性較好，提取時涉及到自適應選取閾值和加權融合的改進.實驗算法流程圖如圖2所示：

圖2　ATLBP算法流程圖

2.1選取自適應閾值

ATLBP紋理模式首先需保留傳統LBP的優勢，閾值根據圖像具體情況自適應選取，區別對待不同紋理風格的圖像子區域，可以進一步提高識別精度.在選取時計算中心點像素周圍相鄰像素區域的均值，閾值取值為該均值的n%，通過實驗調整n的最終取值.

以半徑R=1,P=8為例，即考慮某像素點(設其灰度值為g)周圍23個相鄰像素區域的像素點g，i=0,1,…,7的情況，賦予8位的二進制數中每一位的符號函數s(x)一個權值2p.則：

則有：閾值T=Ave*n%.其中Ave為中心點像素周圍相鄰像素區域的均值，而值最終需要通過后續實驗情況調整得到.為取到合適的，利用ATLBP特征在實驗中考察不同值的算法識別情況，具體做法為觀察當n值取為0.01～0.10(步長為0.01)中各值時算法識別情況的變化.在后續實驗中發現，當為0.05時，人臉樣本群中的平均識別率波動幅度較穩定.故改進算法中自適應閾值最終選擇為T=Ave*5%.

2.2特征層信息熵加權融合

信息熵最早由Shannon在1948年提出并應用于信息理論中，能體現出圖像中信息量的大小［5］.圖像不同的特征層所表達的信息各不相同，其紋理細節的豐富程度跟信息熵成正比關系.用每個圖像子區域的信息熵來量化反映圖像特征紋理值，即為特征層信息熵權重.

在進行多層特征融合時，按照各個圖像子區域的特征貢獻度度計算信息熵，進而確定圖像各子區域的權值，計算過程如下：

（1）設為第級像素點出現的概率，則有：

其中，f(x,y)為特征層j上像素(x,y)的灰度值，L為特征層數量；a為真時，T(a)=1，其他情況T(a)=0.

（3）某子區域所對應的信息熵越大，則賦予它越大的權值，若圖像被分為m個子塊，計算第j個子區域的權重Wj：

2.3提取直方圖向量

根據2.2所述，計算預處理環節中面部6個圖像子區域(眉毛、眼睛、鼻子、嘴巴)的局部權值，同時對預處理后的圖像子區域進行LBP變換，得到6種特征，并建立6種特征的融合直方圖.本文采取了并行融合方式，即將此6種特征進行并聯組成三維直方圖，分別把圖像全局紋理和子區域紋理的級聯直方圖進行加權（權值分別為w1～w6）融合以適應下一步的分類識別，此種融合方式可以減少直方圖之間的相互影響且減少時間消耗［6］.

2.4分類識別

為準確識別人臉，實驗中將提取到的人臉特征向量與數據庫中的特征向量相比較并找出最相近的向量，并對其進一步考核，比較特征值設定的閾值范圍和計算結果，若兩者相符則認為此向量是所要找的人臉.本文采用多通道最近鄰分類器［7］，即將在3.3中獲取的6個特征通道分別用最簡單的最近鄰分類器進行分類，對分類結果進行融合時采取優勢最為明顯的那一類作為最佳識別結果.

3　實驗結果分析

為了測試ATLBP對噪聲的魯棒性，將傳統的LBP算子與改進的ATLBP算子進行了效率上的比對驗證.實驗分別在FERET和YALE數據庫上進行，算法驗證平臺是：Intel Core2 Duo CPU 3GHz，仿真軟件是Matlab 7.0，對比結果見表1.

表1　FERET數據庫上的識別率比較實驗

由表1可知，ATLBP具有自適應閾值的優勢，比傳統的LBP算法更富于魯棒性.

表2　YALE數據庫上的抗噪性比較實驗（%）

由表2可知，當噪聲等級增大時，ATLBP的平均識別結果呈現出比較緩慢的下降趨勢，相比傳統的LBP方法，本算法抗噪性較強.

4　結語

在LBP算法的基礎上，提出了一種改進的自適應閾值算法用于人類面部識別.提取每個圖像子區域的LBP時，根據子區域圖像自身的情況設定閾值，利用該閾值提取紋理特征，改善了傳統LBP算法存在的缺陷，增強了其對噪聲的魯棒性.在人臉數據庫上進行的實驗證明，本文算法對光照和噪聲更加魯棒，能夠有效提高圖像檢索的準確率.

參考文獻：

［1］張翠平，蘇光大.人臉識別技術綜述［J］.中國圖像圖形學報，2000，5(11)：7-16.

［2］金忠，胡鐘山，楊靜宇.基于BP神經網絡的人臉識別方法［J］.計算機研究與發展，1999，36(3)：274-277.

［3］劉中華，史恒亮，張蘭萍，等.基于多尺度局部二值模式的人臉識別［J］.計算機科學，2009，36(11)：293-295.

［4］張洪明，趙德斌，高文，等.基于膚色模型、神經網絡和人臉結構模型的平面旋轉人臉檢測［J］.計算機學報，2002，25(11)：1250-1256.

［5］Ojala T，Pietikainen M，Harwood D.A comparative study of texture measures with classification based on feature distributions ［J］.Pattern Recognition，1996，29(1)：51-59.

［6］火元蓮.基于多通道Log-Gabor小波與(2D)2PCALDA的人臉識別方法［J］.計算機應用，2010，30(11)：2970-2973.

［7］Perez C A，Cament L A，Castillo L E.Local matching gabor entro-py weighted face recognition［C］.Proc.IEEE Int.Conf.Analysis and Modeling of Face and Gesture，2011：179-184.

（責任編輯：歐愷）

中圖分類號：TP391.4

文獻標識碼：A

文章編號：1007-5348（2015）02-0011-04

［收稿日期］2014-11-03

［基金項目］阜陽職業技術學院2013年教科研項目（2013JKYXM11）.

［作者簡介］陸玉（1982－），女，安徽渦陽人，阜陽職業技術學院人文社科系講師；研究方向：模式識別.

Face Recognition Algorithm Based on Improved Intelligence LBP

LU Yu1,ZHANG Hua2
（1.Department of Humanities and Social Science；2.The Training Center,Fuyang Vocational And Technical College,Fuyang 236031,Anhui,China）

Abstract：Based on the traditional LBP algorithm,an improved adaptive threshold algorithm for human face recognition is proposed.Extraction of each sub region image LBP,it set the threshold according to the sub region of the image itself,using texture feature extraction with the threshold value,at the same time integrated fusion information entropy histogram weighted on the decomposition of the feature layer,and demonstrated on FERET face database for experiments.The paper proposed that algorithm has higher ability to identify the images and stronger robustness for noise interference which can effectively improve the accuracy of image retrieval.

Key words：face recognition；LBP；adaptive