基于局部LBP特征的人臉識別

郭正平 謝華 高寧化

摘 要：將人臉圖像劃分為互不相交的矩形塊，提取各分塊的LBP特征，并將各塊LBP特征按序組合表征人臉圖像。利用支持向量機（Support Vector Machine，SVM）算法對訓練分類器，進行人臉識別。在YALE人臉庫上進行的實驗表明，基于局部LBP特征的支持向量機分類器的準確率能夠達到93.33%。

關鍵詞：人臉識別；支持向量機；LBP特征

人臉識別技術是近年來急速發展的一個領域，其利用計算機技術、圖像處理技術、模式識別技術等對人臉進行圖像定位、提取特征、識別等以完成身份識別。隨著計算機技術的發展，人臉識別技術越來越受到人們的重視，已經成為生物識別領域中最為重要的研究方向之一。[ 1 ]

局部二值模式（Local Binary Pattern，LBP）由于其在描述圖片時具有的旋轉不變性和灰度不變形等優點，在人臉識別中已經得到了較為廣泛的應用[ 4，5 ]。在人臉識別過程中，提取LBP特征描述人臉圖片，能夠較好的描述人臉圖片的局部紋理信息。

本文首先介紹對LBP算子進行簡單介紹，然后分塊提取人臉圖像LBP特征，提取到的特征向量作為支持向量機的輸入數據，并通過支持向量機算法訓練分類器對人臉圖像進行分類。

1 局部二值模式（LBP）

局部二值模式（LBP）能夠描述圖片灰度范圍內的紋理特征。最為基本的LBP算子以局部3×3窗口為計算對象，根據窗口中心像素點的值，對周圍8個像素進行標記。如果周圍的8個像素中某個像素點的值大于中心點的值，則該像素位置用1進行標記，否則用0進行標記。經過這樣的標記處理，圖像3×3像素鄰域內會產生一個8-bit的無符號數，然后按照位置順序求和得到該窗口的LBP值，用以反映該窗口區域的紋理信息。LBP算子計算方式如圖1所示。

在人臉識別過程中，針對人臉圖像的每一個像素，計算每一個像素鄰域的LBP值，這樣就可以得到一張LBP特征值的響應圖像，這些LBP值即為人臉圖像的LBP特征。這些LBP特征描述整個人臉圖像在不同區域的微小特點，例如光照亮點、暗點、邊緣、平滑區域等等。但是這些LBP特征并不能較好的表現人臉的結構信息，而這些人臉結構信息才是人臉識別中最為重要的信息之一。如果針對一張人臉圖像提取整個圖像的LBP特征，并用以描述人臉圖像，就會將人臉圖像的結構信息丟失。所以，本文采用分塊思想首先對人臉圖像進行分塊處理，然后再提取每塊圖像的LBP特征，再將所有子塊的LBP特征按照一定的順序連接成一個復合的特征向量，用其描述整個人臉圖像的紋理特征和結構特征。分塊LBP特征如圖2所示。

2 基于LBP特征的人臉識別

人臉識別實質是一個多分類問題，最基本的人臉識別方式是利用最近鄰分類器對人臉進行分類。而人臉識別的關鍵問題之一是如何提取人臉圖像的特征[ 6 ]。本節首先對對人臉圖像進行分塊處理，然后針對每一塊提取LBP特征，用這些特征描述人臉圖像，再利用分類算法學習分類器對人臉圖像進行分類，完成人臉識別過程。

2.1 人臉識別算法

本文提出的人臉識別算法如下：

第一步：對人臉圖像進行分塊處理。分塊處理就是把人臉圖像分割為若干個互不相交的區域。圖像分割方法主要有：區域分割法、閾值分割法、邊緣分割方法等等。本文利用區域分割法思想，采用最為簡單的方法，根據圖像的像素，平均的將圖像分割為m×n塊，在后面的實驗過程，不同的實驗中分別將人臉圖像分割為2×2，4×4，6×6塊。

第二步：提取人臉圖像的LBP特征。人臉圖像分割為m×n的形式后，通過LBP算法提取每一子塊人臉圖像的LBP特征。每一子塊得到的LBP特征是一個N維行向量，將各個子塊的LBP特征向量按照一定的順序合并為一個特征向量，這個特征向量就可以描述整個人臉的紋理信息。整個人臉圖像的LBP特征向量是一個m×n×N維的行向量。

第三步：將人臉圖像的LBP特征向量作為支持向量機分類算法的輸入，訓練分類器，對人臉圖像進行分類。

2.2 實驗學習

為了測試本文提出算法的有效性，將YALE人臉數據庫的15名志愿者的圖像165張照片作為實驗數據。隨機抽取每人8張人臉圖像，共120張人臉圖像作為訓練圖像，每人所剩3張，共45張作為測試圖像。

將YALE人臉數據庫將圖像分割成2×2、4×4、6×6的形式，實驗結果如表1所示。

從表1可以看到，圖像分塊對人臉識別準確率有一定的影響，隨著分塊數據的增加，識別準確率有了明顯的提高。但是，隨著分塊數目的增加，整個人臉圖像的LBP特征向量維數也急劇增加，在訓練分類器的過程中，數據存儲量會大大增加。另一方面，隨著特征維數的增加，分類器的訓練時間也有了顯著的增加。這是這種方法的劣勢之一。

3 結論

為了提高人臉識別率，更好的體現LBP特征的人臉表示優勢，在進行人臉圖像LBP提取以前對人臉圖像進行了分塊處理，然后分塊提取LBP特征，并將各塊LBP特征按序組合表征人臉圖像。在YALE人臉數據庫上，利用SVM算法的分類結果表明，分塊能大大提高人臉識別準確率，但是也增加了計算量，分類器訓練時間顯著增加。

參考文獻：

[1] 王映輝.人臉識別——原理、方法與技術.北京：科學出版社，2009.

[2] 周激流，張曄.人臉識別論研究進展.計算機輔助設計與圖形學學報，1999，11（2）：180-184.

[3] 劉青山，盧漢清，馬頌德.綜述人臉識別中的子空間方法.自動化學報，2003，29（6）：56-60.

[4] G.Y.Zhao，M.Pietikinen.Improving Rotation Invariance of the Volume Local Binary Pattern Operator.Conference on Machine Vision Application，2007：327-330.

[5] Ahonen T，Hadid A，Pietikainen M.Face Recognition with Local Binary Patterns.8th European Conference on Computer Vision，2004：469-481.

[6] Y. X. Li， W. G. Gong. Gabor Features Based Classification Using SVM for Face Recognition，2005，34（97）：118-123.