LBP人臉檢測算法

逄暉

?

LBP人臉檢測算法

逄暉

北京工商大學計算機與信息工程學院，北京 100048

紋理特征提取方法一直是模式識別和研究的熱點。在近50年的研究中，許多研究人員提出了多種紋理特征提取方法，諸如Grayscale共生矩陣[2]、小波理論[3]、分形理論[4]、馬爾可夫[5]等，突出的問題。這些方法都過大的增加計算復雜性，對于背景噪音或照度不均勻紋理Image的情況下，都基于Local Binary Patterns算和非線性流形學習算法等距映射的Cube World Model Editor組合Human Face Recognition算法往往不能夠提出這些治療方法的效果。運營商采用的Human Face Image，然后非線性流形學習算法等距映射的CUBE WORLD MODEL EDITOR高維紋理特征數據降維的Human Face Recognition系統紋理特征提取給臉部數據的幾何形狀的精髓。最后，數據維數的減少作為分類輸入面部分類。實驗結果表明，該算法可以面對Image分類好，尤其是小樣本下一個。

算法；檢測；LOCAL；BINARY；PATTERN；特征

T.奧賈拉等人于1996年提出了局部二Value模式算法（Local Binary Patterns，LOCAL BINARY PATTERN）[6]，用于紋理特征的描述。局部二元模式是用來描述操作的局部紋理圖像的特征；它具有顯著優點灰度不變性和旋轉不變性。局部二元模式算法簡單，容易理解，計算復雜度小，對不同光照強度敏感，可以描述圖像的局部紋理特征，這引起研究者的關注。在過去的十年，國家研究學者對局部二元模式的算法進行了深入研究，并提出了各種局部二進制模式改進算法，諸如：FLOCAL BINARY PATTERN[7]、LTP[8]、CBP[9]、LOCAL BINARY PATTERNV[10]、TPLOCAL BINARY PATTERN[11]、FPLOCAL BINARY PATTERN[11]、MS-LOCAL BINARY PATTERN[13]、CLOCAL BINARY PATTERN[12]等，并將其廣泛應用于Image分割、Human Face Recognition、Image檢索等領域[15-18]。其中，相對于局部紋理特征提取和紋理更加全面，完整，并取得了良好的效果描述局部二元模式算法等局部二元模式算法的改進。此外，所提取的特征是圖像的局部紋理特征。基本的：LOCAL BINARY PATTERN Operator是一種Grayscale范圍內的紋理度量，它是從自定義紋理，其使用固定窗思想結構分析，再利用統計整體特征提取的方法而得。局部二元模式算法通常被定義為一個3×3窗口，以窗口中心點的Grayscale Value為閾Value對窗口內其他Pixels作二Value化處理，然后根據Pixels不同位置進行加權求和得到該窗口的LOCAL BINARY PATTERNValue。LOCAL BINARY PATTERN Operator剛提出來的時候，基本的概念就是Image紋理中某個指定的中心Pixel（gc）及其周圍緊鄰的八個Pixel（g0-g7）所組成的局部Area，如圖1所示。

圖1 一個標準的LBP算子區域

基本方法里所用的是經過處理后所得到的Grayscale Image，每一個Pixel的Grayscale Value是0～255中的一個Value。當指定了某一個Pixel作為中心Pixel之后（此時暫不考慮Image邊界上的Pixel），其周圍的八個Pixel的Grayscale Value即可隨之確定下來。我們以中心Pixel（go）的Grayscale Value作為閾Value（threshold value），將周邊相鄰的八個Pixel的Grayscale Value與閾Value進行比較，如果某相鄰Pixel的Grayscale Value大于或等于該閾Value，則令該Pixel的賦Value為1；如果相鄰Pixel的Grayscale Value小于該閾Value，則令該Pixel的賦Value為0。這樣，在順次將周圍Pixel的Grayscale Value與閾Value進行比較之后，你可以得到一個局部二元模式（局部二元模式）。接著，從第一像素的左上角（去）開始時，右值2“（N =0，1......7）的周圍給每個像素的轉彎，和像素值后的順時針順序門檻富二進制值相乘。最后，當每一個Pixel都依次進行了上述運算之后，將所有八個Pixel運算所得的結果相加，即為該中心Pixel的LOCAL BINARY PATTERN Value，現舉例說明LOCAL BINARY PATTERN。

1 LOCAL BINARY PATTERN特征的描述

原始的LOCAL BINARY PATTERN Operator定義為在3×3的窗口內，以窗口中心Pixels為閾Value，將相鄰的八個Pixels的Grayscale Value與其進行比較，若周圍PixelsValue大于中心Pixels Value，則該Pixel的位置被標記為1，否則為0。因此，八個點3×3附近通過比較可以產生8位二進制數（通常為一個十進制數，是局部二進制模式代碼，共256種），以獲得像素局部二元模式值的窗口的中心，并使用此值區域，以反映紋理信息。如圖2所示。

圖2 ??

LOCAL BINARY PATTERN的改進版本：

原來的局部二元模式提出后，研究人員不斷提出它的各種改進和優化。

1.1 圓形LOCAL BINARY PATTERN Operator

基本局部二元模式運營的最大的缺點在于它僅覆蓋固定半徑，這顯然不能滿足不同頻率要求的規模和結構中的一個小區域。為了適應不同的尺度紋理特征，以及實現灰度和旋轉不變的要求等，為鰲古拉局部二元模式操作得到了改善，3×3鄰域擴展到任何附近，并具有圓形附近正方形附近取代，局部二元模式操作改進，允許附近的圓半徑R有任意數量的像素的。由此得到局部二元模式操作，如圓形區域R含有P的采樣點的半徑。

圖3 ??

1.2 LOCAL BINARY PATTERN旋轉不變模式

從LOCAL BINARY PATTERN的定義可以看出，LOCAL BINARY PATTERN Operator是Grayscale不變的，但卻不是旋轉不變的。Image的旋轉就會得到不同的LOCAL BINARY PATTERN Value。

Maenpaa，又將局部二元模式操作擴展提出了局部二元模式操作旋轉不變性，即不斷旋轉的圓形居委會給予一系列初始定義局部二進制模式的價值，以最小者為準，因為相鄰的價值局部二元模式值域。圖4給出了求取旋轉不變的LOCAL BINARY PATTERN的過程示意圖，圖中Operator下方的數字表示該Operator對應的LOCAL BINARY PATTERN Value，圖中所示的八種LOCAL BINARY PATTERN模式，轉不變加工后，造成局部二元模式值旋轉不變性為15。這是數字對應的旋轉不變局部二元模式方式的八局部二元模式為00001111。

圖4 旋轉不變的LBP示意

1.3 LOCAL BINARY PATTERN等價模式

一個LOCAL BINARY PATTERN Operator可以產生不同的二進制模式，局部二元模式算子含P采樣點會產生P2模式區域R圓弧。顯然，與在附近的采樣點的增加，二進制模式的類型是急劇增加。例如：5×5個居委會20個采樣點，220=1.048，576種二進制模式。無論對于提取或紋理貼圖這么多雙價值模型識別，分類和訪問信息是不利的。同時，太多的那種表達模式質地是不利的。例如，當局部二元模式運營商紋理分類和人臉識別，常采用統計直方圖局部二元模式方式來表達信息的圖像，更多的物種將會使數據模式是太大，太稀疏直方圖。因此，需要對原有的局部二元模式模式維數降低，從而減少數據量，使得殼體能的圖像信息最好代表。為了解決過度二進制模式的問題，提高了統計，奧亞拉提出要采取“等效模型”（統一模式）來局部二元模式操作模式的類型降維。奧亞拉所以，在實際的圖像，絕大多數局部二元模式從過渡1-0或0-1只有兩次。因此，奧亞拉將“等效模型”的定義是：從循環從1-0對應的二進制數的局部二元模式的兩倍過渡0-1或對應二進制模式局部二元模式被稱為一個等價類。如00000000（0過渡），00000111（只包含一種過渡從0到1），10001111（首先由一個跳轉到0，然后從0跳到1次，共兩個轉變的）是等效的模式類。比其他類型的類屬性的等效模型以外的模式，稱為混合模式的類別，如10010111（共四個跳躍）（這是我個人的理解，不知道對不對）。通過這樣的改進，二進制模式的類型大大降低，而不會丟失任何信息。圖案從原來減少物種2P P（P-1）+ 2種，其中P表示鄰域集合的采樣點的數量。為八個采樣點，二進制模式從原來256種58種減少，這使得特征矢量的尺寸更小，并且可以減小高頻噪聲引起的影響，3×3鄰域。

1.4 ε-LOCAL BINARY PATTERN算法

在傳統的局部二元模式的基礎上，研究人員提出ε-局部二進制模式，通過調整參數ε，可尋求目標更合適的分類特征子空間。在本文中，ε-局部二元模式來此子空間，不能直接 特征數據分類識別的子空間，但可使用非線性流形學習算法等距降維特征數據。由于ε-局部二元模式特征數據中提取的高維，非線性流形學習算法等距特征數據降維，可以減少一些最終獲得相關性較低的數據本質上是幾何特征數據。最后，支持向量機的選擇（支持向量機，SVM）進行分類識別數據降維，因為SVM[4]在解決小樣本，非線性數據的問題中有許多獨特的優點。對比實驗表明，該方法取得了良好的效果。LOCAL BINARY PATTERN首先計算Image中每個Pixels與其局部鄰域點在Grayscale上的二Value關系；然后，對二Value關系按一定規則加權形成局部二Value模式；最后，采用多Area直方圖序列作為Image的二Value模式。最基本的LOCAL BINARY PATTERN Operator[6]一般采用一個固定大小為3×3的矩形塊，那么Image中對應3×3窗口的局部紋理T的分布可假設認為是局部area內Pixels Grayscale的聯合分布密度，以Image中某個Pixels為中心點gc，對周圍的八個Pixel g0-g7，紋理T的分布定義如下：顯然，當ε=0時，ε-LOCAL BINARY PATTERN等價于LOCAL BINARY PATTERN。而且由定義可以看出：ε-LOCAL BINARY PATTERN在參數ε Value較小的情況下可以描述出更多的微小和細節紋理信息，而在參數εValue較大的情況下則更多地描述了輪廓信息，比如Image中的邊緣等。

圖5示出了ε對視覺紋理特征的效果。對于上面的分類識別問題的特點ε-本地二進制模式，總結了使用ε-本地二進制模式的優點是：通過二元模式改造后對應的ε-Local不同ε值采樣，它將被映射到不同的子空間，并根據不同的分類識別培訓目標確定最合適的子空間，使得分類識別越好；此外，相對于更不敏感，光線的變化，從而解決光照變化這個人臉識別的難題傳統的局部二元模式操作方面ε-local二進制模式。

圖5 不同ε值的ε-LBP描述出來的圖像

考慮到LOCAL BINARY PATTERN紋理模型過于依賴中心點Pixels的Grayscale Value，本文提出一種CLOCAL BINARY PATTERN進行Human Face Recognition的方法。局部area由中心Pixels和局部差分符號數Value變換（10cal diffe．Rellcesign-magnitude transform，LDSMT）兩部分進行表示。中心Pixels進行LOCAL BINARY PATTERN編碼，記為CLOCAL BINARY PATTERN_C；LDSMT分成符號和數Value兩個獨忘的部分進行編碼。分別記為CLOCAL BINARY PATTERN_S和CLOCAL BINARY PATTERN_M。首先對Human FaceImage進行一系列的預處理；首先通過CLOCAL BINARY PATTERN Operator對Human FaceImage進行特征提取，將CLOCAL BINARY PATTERN_C、CLOCAL BINARY PATTERN_s和CLOCAL BINARY PATTERN_M分別形成的直方圖融合成最終的CLOCAL BINARY PATTERN直方圖，進行直方圖相似性度量，最后通過最近鄰分類器進行Recognition。如圖6所示。

圖6 CLBP人臉識別算法

2 LOCAL BINARY PATTERN特征用于檢測的原理

顯而易見的是，上述提取的LOCAL BINARY PATTERN Operator在每個Pixel都可以得到一個LOCAL BINARY PATTERN“編碼”，那么，對一幅Image（記錄的是每個Pixel的Grayscale Value）提取其原始的LOCAL BINARY PATTERN Operator之后，得到的原始LOCAL BINARY PATTERN特征依然是“一幅圖片”（記錄的是每個Pixel的LOCAL BINARY PATTERN Value）。

（a）原始圖像??????（b）LBP圖譜

LOCAL BINARY PATTERN的應用中，如紋理分類、Human Face analysis等，一般都不將LOCAL BINARY PATTERN Atlas作為Feature vector用于分類Recognition，而是采用LOCAL BINARY PATTERN特征譜的統計直方圖作為Feature vector用于分類Recognition。

因為，從上面的analysis我們可以看出，這個“特征”跟位置信息是緊密相關的。這種“功能”，和判別分析的兩個圖像直接提取，這將是因為“的位置不對齊”，并產生較大的誤差。后來，研究人員發現，一個圖象可以被分成若干子小區，每個子像素中的每個小區被提取局部二元模式特征，然后建立在每個子小區統計直方圖局部二元模式特征。在這種方式中，每個子小區中，直方圖可以用來描述直方圖組合物的數目的整個圖象；例如：一個100×100像素尺寸的圖像，劃分為10×10= 100的子小區（通過各種方式來劃分的小區）中，每個子小區的大小為10×10像素；在每個子小區的每個像素，提取局部二元模式特征，然后建立一個統計直方圖；所以，這張照片有10×10子區域，并有直方圖10×10，這直方圖的10×10占據優勢，我們可以描述這張圖片。之后，我們用各種相似性度量功能，可以確定兩個圖像之間的相似性。

3 對LOCAL BINARY PATTERN Feature vector進行提取的步驟

（1）首先將檢測窗口劃分為16×16的小area。

（2）每個Pixels的面積小，八個像素與其相鄰的Grayscale Value進行比較，如果周圍像素的Value是比中心Pixels Value時，該Pixels的位置被標記為1，否則為0。因此，八個點3×3附近通過比較可以產生八個二進制數，以獲得窗口的中心Pixels的局部二元模式Value。

（3）然后計算直方圖，即，每個編號（假設為十進制局部二進制模式值）出現的頻率的每個小區域，然后直方圖被標準化。

（4）最后將得到的每個小area的統計直方圖進行連接成為一個Feature vector，也就是整幅圖的LOCAL BINARY PATTERN紋理Feature vector，然后便可利用SVM或者其他機器學習算法進行分類了。

[1]黃非非.基于LOCAL BINARY PATTERN的Human Face Recognition研究[D].重慶：重慶大學，2009.

[2]張文超，山世光，張洪明，等.基于局部 Gabor變化直方圖序列的Human Face描述與Recognition[J].軟件學報，2006，17（12）：2548-2517.

[3]Turk M，Pentland A.Eigenfaces for recognition[J].Journal of Cognitive Neuroscience，1991，3（1）：71-86.

[4]Zhao G，Pietikainen M.Dynamic texture recognition using local [J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2007，29（6）：915-928.

[5]李莉莉，李一民，蔡英.KPCA和SVM在Human Face Recognition中的應用[J].山西電子技術，2006（5）：44-46.

[6]周穎穎，周振宇，孫寧，等.基于改進 LOCAL BINARY PATTERN特征的白細胞Recognition[J].生物醫學工程研究，2005，24（4）：242-246.

[7]孫寧，冀貞海，鄒采榮，等.基于局部二元模式Operator的Human Face性別分類方法[J].華中科技大學學報：自然科學版，2007，35（1）：177-181.

[8]劉麗，匡綱要.Image紋理特征提取方法綜述[J].中國圖象圖形學報，2009（4）：622-635.

[9]付蓉，石美紅，陳惠娟.自適應局部二Value模式算法及其在織物疵點檢測中的應用[J].紡織高校基礎科學學報，2010，23（1）：99-104.

TP391.41

A

1009-6434（2016）04-0081-03