局部二值模式結合多類組LASSO算法的人臉識別方法

卜宇，劉俊霞，唐學軍

局部二值模式結合多類組LASSO算法的人臉識別方法

卜宇，劉俊霞，唐學軍

針對視頻序列中的人臉識別問題，提出一種基于局部二值模式（LBP）和多類組LASSO算法的人臉識別方法。首先，將臉部區域分成若干個塊區域，對每個塊區域計算其超完備局部二值模式直方圖。然后，對傳統最小絕對收縮和選擇算子（LASSO）進行改進，形成多類組LASSO算法，使其能夠從LBP直方圖中選擇出一個能夠同時辨別所有類的稀疏表示的特征組。最后，通過支持向量機（SVM）進行人臉識別。實驗結果表明，提出的方法能夠對無約束性視頻序列中人臉進行準確識別。

人臉識別；多類組LASSO；局部二值模式 ；稀疏表示

0 引言

人臉因其在侵擾性、精度、成本和易于感知方面超越其他生物特征，從而成為一種廣泛接受的有效生物特征指標。隨著生物識別技術的飛速發展，人臉識別(Face Recognition, FR)及其在生物特征識別、模式識別和計算機視覺上的應用成為研究的熱點[1]。盡管許多人臉識別算法能在約束環境下取得良好的識別效果，但在實際應用中，人臉圖像的不同光照條件、面部表情、頭部姿態對識別性能具有顯著的影響[2]。其中，無約束姿態變化人臉識別是最具挑戰性的任務。目前，大量研究者對可控條件下的特殊人臉識別進行了研究，但是，在亮度和表情變化的情況下，進行姿態變化的人臉識別十分困難[3]。

近期，學者已經提出了一些用于姿態變化的人臉識別方法，文獻[4]提出一種基于尺度不變特征融合（FSIF）的識別方法，利用尺度不變特征轉換算法提取尺度不變特征，一定程度能夠解決姿態變化的影響。文獻[5]提出一種基于局部二元模式（ocal binary pattern，LBP）與統計學習算法的人臉識別方法，其首先將圖像分成64個8×8的塊，然后為每個塊計算LBP，最后通過線性判別分析來減少特征維度。然而，該方法的誤差率容易受LBP高靈敏度的噪聲和次要姿勢變化的影響。文獻[6]提出一種基于稀疏字典矩陣（SDM）框架的姿態不變人臉識別方法，采用了局部二值模式（LBP）和稀疏表示分類算法。該方法具有較高的姿態變化人臉識別率，但是其在構建稀疏字典矩陣時不能獲得有限且穩定的最稀疏解。

最小絕對收縮和選擇算子（Least Absolute Shrinkage and Selection Operator，LASSO）[7]算法能夠從表情圖像中獲得基函數集特征子空間的稀疏表示，但傳統LASSO無法解決多類特征選擇問題。為此，本文對傳統LASSO進行改進，提出了多類組LASSO算法，并以此提出一種基于局部二值模式和多類組LASSO算法的人臉識別方案。實驗結果表明，本文方案在不同的視頻數據集中都具有較高的正確識別率。

1 多類組LASSO特征選擇方法

1.1 正則化稀疏編碼

稀疏編碼模型認為，某種類別中的每幅圖像都可以看成是多個基函數的線性組合，當把該圖像投影到由這些基函數形成的特征子空間上時，只在一小部分基函數上的投影權值較大，在大部分基函數上投影值很小或為零，從而形成對該圖像的稀疏表示。

公式（2）中，第一項為一個數值保真項，第二項為懲罰項。

1.2 多類組LASSO算法

最小絕對收縮和選擇算子（LASSO）算法能夠促使被選擇出來的特征盡可能稀疏，以保證結果穩定性和提高數據處理過程的可解釋性。由此，出現了不少以LASSO 為基礎的特征選擇算法，并應用于人臉識別中。

本文中，Tikhonov懲罰項保證了一個穩定的解β*，在這個解里，所有的組項都不等于零。反之，如果L1懲罰點被包含在公式內，那么就能獲得一種稀疏解，以此提供最有效的特征選擇如公式（3）：

這兩種懲罰項的結合被稱為彈性網絡。稀疏項由參數τ控制，能計算出與非零稀疏相關的特征數。而L1恢復函數的凸性用來保證一個唯一的解。在這個案例中，關聯的特征組全都出現在解里。最特別的一點是當μ=0（所謂的LASSO估計）時，并不能提供一個嚴謹的凸函數。而且會產生不同的解。在實際運用中，一個純L1范數保證了稀疏解的可能性。因此如果需要一個壓縮表示，則應選擇上述方法。

傳統LASSO方法對所有特征逐一進行選擇，忽略了特征之間相關性。為此，產生了組LASSO（Group LASSO）算法。這是一種彈性網絡在選擇特征組方面的延伸，使得組間盡可能稀疏，而組內保持盡可能小的損失誤差。其優化了輸入數據結構，在特征選擇的步驟中可插入了這個過程。這種算法可以表達成正則最小化問題，如如公式（4）：

上式中，g=1,...,G為一個特征組的指數，而Ig?［1...p］為輸入數據中特征組g的位置集合。在這里，利用懲罰項在群組中選擇特征。然后，將規則化參數τ調整為不同稀疏度的解。

為了解決多類特征選擇問題，本文提出一種新的LASSO表達式，即多類組LASSO（Multi-Class Group LASSO, MC-Group LASSO）算法，改進公式（4）來為一個多分類問題同時選擇特征組。對于N個二值問題與上面問題相似的是：φ為位數n×p的特征矩陣，為輸出向量，為c的權重向量。因此MC-Group LASSO方法的公式為公式（5）：

1.3 特征選擇

為了找到公式（5）優化問題的解，本文運用一種迭代方法來計算多類問題，公式如公式（6）：

公式（6）中，σ為迭代步驟數，用來按比例設置矩陣φΤφ的最大特征值，從而使公式（5）解具有最優收斂性。S為對所有特征組上的軟閾值如公式（7）：

迭代過程還可以用一個空矩陣B0進行初始化，一旦有一個解B，則選擇相關行中沒有0值的域，用這種方法能夠在所有N類中選擇有效特征。

2 基于多類特征的人臉識別

2.1 臉部特征選擇

本文首先采用LBP描述相符的過完備字典來提取臉部特征。考慮到重疊區域具有不同比例和寬高比，所以將圖像都重新調整到40×40像素。然后提取統一的8比特LBP，并量化這些值到59級直方圖，如圖1所示：

圖1 本文方法的人臉圖像處理流程

圖1描述了在簡單場景（沒有重疊范圍）下獲得一個特征向量的過程。最終，過完備字典描述由841個局部二值模式組成。所以，每個訓練圖像Xi由841×59=49 619個特征描述（特征矩陣φ的個數）。由于數值矩陣φ需要進行標準化，因此，每一列都有空值和一致的方差。

2.2 人臉識別

一旦發現多類問題的一個有效稀疏表示，本文將提取的特征作為輸入，基于支持向量機（SVM）和贏家通吃策略來訓練一個多類分類器。注意，可以直接通過 MC-Group LASSO的解來分類數據。但由SVM獲得的性能通常較高，因此，本文訓練N個一對多的二進制SVM分類器，其中所有Xi圖像都通過映射到所選擇的子集來表示，映射公式為

3 實驗及分析

3.1 數據集

在3個不同的數據集上進行實驗，分別為兩個室外數據集：MOBO和Choke Point，一個室內數據集：R309。MOBO數據集由20個目標的低分辨率視頻組成，主要包含4個不同動作。MOBO數據集具有微小的照明和個體姿勢的變化。Choke Point數據集為一個具有更高可變圖像質量和外觀的視頻集，其包含了兩個門間行走的29個目標視頻，這些視頻由一排3個照相機獲得。R309數據集是一個不同照明和室內環境下獲得的視頻集。其中，目標的動作和行為完全不受限制且非常自然，如圖2所示：

圖2 R309數據集中不同姿態和光照的人臉圖像

R309包含了12個人，平均每人有1 200張相片。

將每個數據集分為訓練集、驗證集和測試集三個部分。驗證集用來調整正則化參數。

3.2 人臉識別實驗

在MOBO數據集中，從5個視頻里提取1 000張圖像，每個人50張，構成訓練集。同樣，每個人提取200張圖像作為測試集，即測試集大小為4 000。

將局部二值模式（LBP）與各種LASSO特征提取算法相結合，提取圖像特征進行人臉識別所獲得的性能，如表2所示：

表1 在MOBO數據集上的對比分析

其中設定2個性能指標，真陽性率（TPR）和假陽性率（FPR）。可能觀察到本文MC-Group LASSO+LBP所需的特征維數最少，卻獲得了最好的性能，正確識別率接近97%。

在R309數據中，LBP+各種LASSO算法的性能，如表2所示：

表2 在R309數據集上的對比分析

同樣，本文MC-Group LASSO+LBP算法獲得了最優性能。另外，由于R309數據集中的圖像存在較復雜的光照和環境變化，所以識別率比MOBO數據集要低，但本文算法識別率依然達到了82%以上。

在Choke Point數據集中，將本文算法與文獻[6]算法進行比較，結果如表3所示：

表3 在Choke Point數據集上的對比分析。

結果表明，本文算法獲得了最優性能，盡管Choke Point數據集圖像具有外觀和關照變化，但本文算法能夠很好的壓縮表示47個特征，并獲得了92%的識別率。

4 總結

針對傳統LASSO算法不能很好應用于人臉識別，提出了一種改進型LASSO算法：多類組LASSO，使其能夠在多類情況下進行特征選擇。本文首先利用 LBP將人臉圖像構建成一個完備字典，然后利用提出的多類組LASSO提取特征組，最終實現人臉識別。在不同的數據集中進行實驗，并與其它LASSO算法、現有文獻算法進行對比，結果表明，本文方案具有最高的識別率。

[1] 王芳, 盛衛星, 馬曉峰,等. 基于Gabor幅值特征和相位特征相融合的 ISAR像目標識別[J]. 電子與信息學報, 2013, 35(8):1813-1819.

[2] 周旭東, 陳曉紅, 陳松燦. 半配對半監督場景下的低分辨率人臉識別[J]. 計算機研究與發展, 2012, 49(11): 2328-2333

[3] 周凱汀, 鄭力新. 基于改進ORB特征的多姿態人臉識別[J]. 計算機輔助設計與圖形學學報, 2015, 27(2):287-295.

[4] 李根, 李文輝. 基于尺度不變特征變換的平面旋轉人臉檢測[J]. 吉林大學學報（工學版）, 2013, 43(1):186-191.

[5] Cao X, Shen W, Yu L G, et al. Illumination invariant extraction for face recognition using neighboring wavelet coefficients[J]. Pattern Recognition, 2012, 45(4):1299-1305.

[6] Moeini A, Moeini H, Faez K. Unrestricted Pose-Invariant Face Recognition by Sparse Dictionary Matrix[J]. Image & Vision Computing, 2015, 36(7):9-22.

[7] 楊律, 丁守鴻, 謝志峰,等. Lasso整臉形狀回歸的人臉配準算法[J]. 計算機輔助設計與圖形學學報, 2015, 27(7):1313-1319.

[8] Zeng J. An Improved Sparse Representation Face Recognition Algorithm for Variations of Illumination and Pose[J]. Journal of Information & Computational Science, 2015, 12(16):5987-5994.

[9] John W, Yang A Y, Arvind G, et al. Robust Face Recognition via Adaptive Sparse Representation[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2014, 44(12):2368-2378.

[10] 商俊國, 焦斌亮. 多幀圖像的 Tikhonov正則化重建算法研究[J]. 計算機應用研究, 2011, 28(2): 785-787.

Face Recognition Method Based on Local Binary Pattern and Multi-Class Group LASSO Algorithm

Bu Yu1, Liu Junxia2, Tang Xuejun1
(1. Department of Computer Engineering, Xinjiang Institute of Engineering, Urumqi 830052, China; 2. Department of Electrical and Information, Xinjiang Institute of Engineering, Urumqi 830023, China)

For the issues of the face recognition problem in video sequences, a face recognition scheme based on local binary pattern (LBP) and multi-class group LASSO algorithm is proposed. Firstly, the face region is divided into several regions, and each region is calculated by its super complete local binary pattern histogram. Secondly, the traditional least absolute shrinkage and selection operator (LASSO) is improved to form a multi-class group LASSO algorithm, so that it can select feature group which can identify all classes from the LBP histogram. Finally, face recognition is performed by support vector machine (SVM). Experimental results show that the proposed scheme can accurately identify the human face in an unconstrained video sequence.

Face Recognition; Multi-class Group Lasso; Local Binary Pattern; Sparse Representation

TP311

A

1007-757X(2016)09-0015-03

2016.01.12）

新疆維吾爾自治區高校科研計劃青年教師科研啟動基金項目（No.XJEDU2014S074）

卜宇（1981-），女（漢），新疆人，新疆工程學院，計算機工程系，講師，碩士，研究方向：圖像處理、模式識別等，烏魯木齊 830052劉俊霞（1980-），女（漢），新疆人，新疆工程學院，電氣與信息工程系，講師，碩士，研究方向：圖像處理、通信網絡規劃與建模等，烏魯木齊 830023唐學軍（1969-），女（漢），湖南人，新疆工程學院，計算機工程系，高級實驗師，本科，研究方向：圖像處理、智能算法等，烏魯木齊 830052