考勤APP中基于LBP的人臉識(shí)別方法

王衍 胡鋼俊 馬明珠

摘要：該考勤APP主要針對(duì)作業(yè)環(huán)境較差的工業(yè)企業(yè)的職員打卡活動(dòng)，為了解決露天作業(yè)人員考勤困難的問(wèn)題，APP實(shí)現(xiàn)了一種基于LBP的人臉識(shí)別功能。通過(guò)提取人臉的局部紋理特征，組合特征向量，得到人臉LBP特征，進(jìn)行相似度計(jì)算，從而判別打卡對(duì)象是否來(lái)自真實(shí)人臉。系統(tǒng)測(cè)試是在工業(yè)露天環(huán)境下進(jìn)行，經(jīng)測(cè)試驗(yàn)證了方法的有效性。

關(guān)鍵詞：考勤;APP;人臉特征;LBP;人臉識(shí)別

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2020）03-0207-02

1 背景

目前，主流的人臉識(shí)別算法有基于幾何特征、基于模板匹配、基于統(tǒng)計(jì)特征以及基于深度學(xué)習(xí)Ⅲ的方法。前兩種方法由于識(shí)別準(zhǔn)確度不夠高而且易受光照環(huán)境的影響，因此不適用于工業(yè)露天環(huán)境?；谏疃葘W(xué)習(xí)的人臉識(shí)別算法識(shí)別精度最高，但是其算法復(fù)雜、參數(shù)多并且訓(xùn)練時(shí)間長(zhǎng)，不適用于移動(dòng)端的考勤APP中。結(jié)合工業(yè)實(shí)情以及可操作性綜合考慮，本文選取了屬于基于統(tǒng)計(jì)特征的局部二值模式（Local Binary Pattems，LBP）方法。

LBP算法[2]能很好地描述圖像局部區(qū)域[3]的紋理信息，在人臉識(shí)別領(lǐng)域，它具有識(shí)別準(zhǔn)確高、對(duì)光照環(huán)境變化有很強(qiáng)的魯棒性、算法復(fù)雜度低、效率高等特點(diǎn)。因此，利用LBP算法[4]實(shí)現(xiàn)移動(dòng)端的人臉識(shí)別打卡，能在保證識(shí)別準(zhǔn)確度的同時(shí)，兼顧系統(tǒng)性能。

2 LBP算子

對(duì)圖像進(jìn)行LBP算子運(yùn)算，是人臉紋理特征提取的關(guān)鍵部分，基本的LBP算子是在3x3的像素區(qū)域內(nèi)，將周圍像素灰度值分別與中心像素灰度值進(jìn)行對(duì)比，如圖1所示，大于中心像素灰度值的取l，小于中心像素灰度值的取0。這樣得到的8位二進(jìn)制數(shù)就是新的中心像素的灰度值，定義為該區(qū)域的LBP值。

基礎(chǔ)的LBP算子存在覆蓋區(qū)域不全、數(shù)據(jù)量大、旋轉(zhuǎn)可變等問(wèn)題，于是本系統(tǒng)采用了改進(jìn)的LBP算子。首先，將3x3的像素區(qū)域擴(kuò)展為任意大小的圓形區(qū)域，形成圓形LBP算子，這樣可以覆蓋圖像任意區(qū)域。然后，不斷旋轉(zhuǎn)圓形區(qū)域，按照公式2-1計(jì)算，可得到P個(gè)LBP值，P為外層像素點(diǎn)的個(gè)數(shù)，取其中最小的一個(gè)作為該區(qū)域的LBP值。這樣，得到的LBP值具有旋轉(zhuǎn)不變性。最后，采用等價(jià)模式的方法對(duì)LBP模式進(jìn)行降維，即LBP值對(duì)應(yīng)的二進(jìn)制數(shù)如果發(fā)生最多兩次跳變則認(rèn)為等價(jià)。通過(guò)改進(jìn)，二進(jìn)制模式種類大大減少，在保證圖像特征信息不丟失的情況下減少數(shù)據(jù)量。

3 功能方法設(shè)計(jì)

在實(shí)現(xiàn)基于LBP的人臉識(shí)別方法時(shí)，通過(guò)LBP方法提取人臉的局部紋理特征，然后將所有特征按照一定的方法組合成特征向量，得到人臉LBP特征存入后臺(tái)，這就完成了APP人臉采集登記的過(guò)程，在人臉識(shí)別時(shí)，系統(tǒng)提取手機(jī)攝像頭捕捉的人臉圖像LBP特征，與后臺(tái)存儲(chǔ)的特征進(jìn)行相似度計(jì)算，觀察是否匹配。方法實(shí)現(xiàn)過(guò)程如圖2所示。

具體實(shí)現(xiàn)步驟如下：

1）將人臉圖像分割，劃分不同區(qū)域。首先，對(duì)員工打卡時(shí)的圖像進(jìn)行人臉幾何歸一化，經(jīng)過(guò)處理后的圖像為IOOXIOO像素的標(biāo)準(zhǔn)人臉圖像。然后，對(duì)人臉圖像進(jìn)行分割。一般來(lái)說(shuō)，圖像分割的越小，使用LBP方法提取的局部紋理信息越準(zhǔn)確，但是算法的計(jì)算量也會(huì)增大。綜合準(zhǔn)確率和效率兩個(gè)因素，本系統(tǒng)采用了4x4的分割方式，將人臉圖像分割成16塊25x25像素大小的圖像，如圖3（a）所示。

2）提取圖像的LBP特征。本文采用領(lǐng)域?yàn)?半徑為2改進(jìn)的圓形LBP算子，對(duì)分割后的每塊圖像進(jìn)行LBP計(jì)算，得到LBP特征圖，其效果如圖3所示。

3）計(jì)算特征直方圖。步驟（2）得到的LBP特征圖雖然具有較為清晰的紋理特征，但仍然是一幅圖像，系統(tǒng)不能直接用來(lái)進(jìn)行對(duì)比。因此，需要計(jì)算每塊圖像的特征統(tǒng)計(jì)直方圖，即每個(gè)LBP值出現(xiàn)的頻率，并進(jìn)行歸一化處理。本系統(tǒng)進(jìn)行一次變換會(huì)得到16張對(duì)應(yīng)特征統(tǒng)計(jì)直方圖，圖4只截取了從左至右、從上至下數(shù)，第2、3、10和II-共4個(gè)圖像方塊對(duì)應(yīng)的特征直方圖。

圖4中，上面兩張圖是左眼和右眼區(qū)域?qū)?yīng)的直方圖，下面兩張圖是上嘴唇左邊區(qū)域和右邊區(qū)域?qū)?yīng)的直方圖，由于紋理相似，所以得到的直方圖也有較高的相似度。

4）直方圖相似度比較。將待識(shí)別的人臉特征直方圖與系統(tǒng)后臺(tái)存儲(chǔ)的人臉模板特征直方圖進(jìn)行相似度比較，判別人臉是否匹配。常用的直方圖相似度計(jì)算方法有Log概率統(tǒng)計(jì)、直方圖相交以及卡方統(tǒng)計(jì)。本文選用了計(jì)算量稍大但效果最好的卡方概率統(tǒng)計(jì)方法[5]。假設(shè)已知的模板人臉特征直方圖為Mn，待匹配的人臉特征直方圖為Sn，那么計(jì)算的相似度值為：

其中，N表示一張人臉圖里直方圖的個(gè)數(shù)，在本文中即為分塊的數(shù)量。按照以上公式，可以算出兩幅人臉圖像之間的距離，設(shè)置距離的閾值，根據(jù)距離值的大小來(lái)對(duì)比確認(rèn)是否為本人打卡。

在考勤APP中，按照?qǐng)D3（a）進(jìn)行的人臉?lè)指?，不同區(qū)塊包含的人臉有效信息不一樣，如人的眼睛、嘴巴和鼻子包含更多的特征信息。為了提高系統(tǒng)人臉識(shí)別的準(zhǔn)確率，本文設(shè)計(jì)了一種方法，對(duì)不同區(qū)塊的相似度計(jì)算設(shè)置不同權(quán)值，具體為：對(duì)分為16塊的每塊圖像分別采用步驟（2）（3）（4）進(jìn)行人臉識(shí)別，按識(shí)別率的比值來(lái)設(shè)置該塊對(duì)應(yīng)的特征直方圖權(quán)重的大小。那么，直方圖相似度的計(jì)算公式對(duì)應(yīng)修改為：

在本文設(shè)計(jì)的考勤APP中，為了更為直觀的判別人臉是否匹配，系統(tǒng)根據(jù)求出的卡方值查詢卡方分布表，得到此次人臉對(duì)比的置信度。然后，將置信度轉(zhuǎn)換為相應(yīng)的百分制。即人臉對(duì)比時(shí)，系統(tǒng)按上述過(guò)程計(jì)算后，最終返回的結(jié)果為0至100分。分?jǐn)?shù)越大，代表人臉相似度越高，卡方距離越小?？紤]到人臉識(shí)別的準(zhǔn)確率和速率，本考勤APP設(shè)計(jì)的閾值默認(rèn)為60分。當(dāng)系統(tǒng)計(jì)算的分值高于60分，代表人臉匹配成功。否則，代表人臉匹配失敗。

通過(guò)以上步驟，也就完成了整個(gè)人臉識(shí)別的過(guò)程。為了提高系統(tǒng)的靈活性，本文系統(tǒng)將人臉識(shí)別的分?jǐn)?shù)閾值設(shè)置為可調(diào)狀態(tài)。系統(tǒng)管理員可以根據(jù)企業(yè)實(shí)際情況，隨時(shí)設(shè)置人臉匹配通過(guò)的相似度閾值的大小。

4 人臉識(shí)別性能測(cè)試

人臉識(shí)別考勤APP性能測(cè)試主要測(cè)試在工業(yè)露天環(huán)境下人臉識(shí)別的效率和識(shí)別的準(zhǔn)確率，做到快速考勤，精準(zhǔn)考勤。以70名男性和30名女性作為測(cè)試樣本，其中戴眼鏡的男性有50人，女性有10人，戴口罩的男性有30人，女性有20人，在不同條件下進(jìn)行了多輪測(cè)試，人臉識(shí)別考勤測(cè)試的結(jié)果如表1所示：

考慮到工業(yè)露天作業(yè)環(huán)境較差，可能會(huì)存在大量灰塵覆蓋在臉部，在光線良好臉部有灰塵的情況下，人臉識(shí)別準(zhǔn)確率達(dá)到96%，平均識(shí)別時(shí)間在2s以內(nèi)，在光線較弱的情況下，會(huì)略微影響系統(tǒng)識(shí)別的效率和正確率，但仍然滿足考勤APP的要求。從實(shí)驗(yàn)數(shù)據(jù)分析可知，人臉是否佩戴眼鏡對(duì)考勤的結(jié)果和效率幾乎沒(méi)有影響，但是戴口罩卻極大降低了人臉識(shí)別的正確識(shí)別率。

經(jīng)以上測(cè)試和對(duì)比分析，本文考勤APP中基于LBP的人臉識(shí)別方法可以有效提高企業(yè)考勤管理的效率，具有一定的實(shí)用價(jià)值。

5 結(jié)束語(yǔ)

本文選取了基于統(tǒng)計(jì)特征中的局部模式（Local Binary Pat-terns，LBP）方法實(shí)現(xiàn)考勤APP中的人臉識(shí)別功能，并進(jìn)行了相關(guān)測(cè)試，經(jīng)測(cè)試該方法可以有效提高工業(yè)企業(yè)考勤效率。

參考文獻(xiàn)：

[1]鄧智銘，陳帥帥.基于深度學(xué)習(xí)的人臉識(shí)別[J].信息與電腦：理論版，2018（11）：149-150.

[2] Werghi N，Tortorici C，Berretti S，et al.Boosting 3D LBP-based face recognition by fusing shape and texture descriptorson the mesh[J]. IEEE Transactions on Information Forensicsand Security， 2016， 11（5）：964-979.

[3]李根.基于局部特征和進(jìn)化算法的人臉識(shí)別[D].長(zhǎng)春：吉林大學(xué)，2014.

[4]高濤，何明一，戴玉超，等.多級(jí)LBP直方圖序列特征的人臉識(shí)別[J]中國(guó)圖象圖形學(xué)報(bào)，2018，14（2）：202-207.

[5]陳亮，龔儉.基于卡方統(tǒng)計(jì)的應(yīng)用協(xié)議流量行為特征分析方法[J]軟件學(xué)報(bào)，2010，21（11）：2852-2865.

[6] DOLLAR P，TU Z.PERONA P，et al.Integral Channel Fea-ture[C]. British Machine Vision Conference， 2009： 5-16.