基于LBPH算法的人臉識別算法研究與設計

鄧塏鏞 趙慧元 田剛 張鎣

【摘? 要】人臉識別技術是一種根據人臉的特征信息進行身份判定的技術，此技術經過幾十年的發展，由弱人工智能向強人工智能轉化，論文提出了一種Python語言利用LBPH算法提取人臉特征、實現人臉識別的方法。

【Abstract】Face recognition technology is a kind of identification technology based on face feature information. After decades of development， this technology has been transformed from weak artificial intelligence to strong artificial intelligence. This paper proposes a method of extracting face features and realizing face recognition by using LBPH algorithm in Python language.

【關鍵詞】人臉識別;特征提取;LBPH

1 引言

根據《“十三五”國家科技創新規劃》，人工智能被作為其中一項新一代信息技術，被列入規劃之中。而人臉識別技術則是人工智能最典型的應用，在國內外已有一定的研究和應用基礎，尤其在公共管理、安全防盜、電商交易、身份核查、資產保護等方面，與其他生物識別技術相比，其準確性、穩定性和普遍性都有相當的優勢，為政府企業和民眾都帶來了高效和便利[1]。

人臉識別技術，屬于生物識別技術的一種，利用攝像頭或者攝像機等圖像采集儀器采集人的臉部形成視頻流，此技術從視頻流中采集一幀幀圖片，把圖中的每一個像素點轉化成數據后，從數據中測量出五官的大小和距離，這些數值轉化成數碼，也就是每個人獨一無二的臉部識別碼，并存儲到數據庫中。此后，每當有人臉被掃描時也能自動計算其臉部識別碼，一旦與數據庫所存儲的有吻合，則會識別出其身份。

2 國內外研究現狀分析

目前人臉識別的算法主要有以下三種。

方法一：基于PCA（主成分分析原理）的Eigenface（特征臉）算法。通過PCA降維的方法對一系列人臉求得每個人的顯著特征臉向量，經過多次訓練建立特征臉子空間，此后一旦輸入一個被有檢測的人臉數據，系統會將數據投影到特征臉子空間中進行比較，如有與之相似的特征臉向量，則識別出其身份。優點是大大壓縮數據，消除冗余，消除噪音，投影方差達到最大。缺點是主成分的特征維度肯定比原始圖像的模糊，不排除非主成分也含有重要的樣本差異信息，特征信息在一定程度上有所丟失[2]。

方法二：基于LDA（線性判斷分析原理）的Fisher Face方法。通過求對象之間的最大類間方差和最小類內方差，形成離散矩陣并求出特征值和特征向量后，再進行LDA降維，經過反復訓練后形成特征臉子空間[3]。把被測人臉映射到子空間中進行對比，從而判斷身份。優點是利用高維數據可提高識別的準確性。缺點是計算量大，影響效率。

方法三：基于局部特征提取的LBPH（局部二進制編碼直方圖）方法，通過LBPH算法提取灰度值圖像的特征，然后數據庫中已訓練好的人臉LBPH特征進行比對，且分類識別，從而識別出被測對象。優點在于計算量降低，運行速度快，且基本不受光線和圖像旋轉的影響。

3 研究方法、目標、內容和關鍵問題

根據以上分析，方法一和方法二都以浮點數運算為主，符合數據統計與處理的原理，LBPH方法是從提取局部紋理特征入手，更符合圖像處理的原理，以整數計算為主，運算速度快且兼顧到識別的準確率，因此，本研究采用方法三，基于局部特征提取的LBPH方法。

研究目標是識別出視頻單個或多個對象的身份。

研究內容包含靜態人臉識別、動態人臉識別、多對象識別、無關對象識別等方面。

由于人臉的特點有很多共同性特征，如果在視頻中出現訓練集中沒有對象時，系統如何快速準確地判斷，是本研究中擬解決的關鍵問題。

4 設計過程

基于LBPH算法人臉識別的研究過程如圖1所示。

步驟一：圖像灰度化處理。

先把彩色圖像灰度化處理，使得其每個像素點都用灰度值來表示，并用雙線性差值法求出相鄰兩個像素點之間的灰度值。

步驟二：分割區域。

把整個圖像分割成多個方格區域，識別準確度會隨區域數量的增大而提高，相應的計算量也會相應提高。

步驟三：使用LBPH方法提取局部特征。

①編碼

在每個分割區域中，以每個像素為中心，判斷其與圓形周圍的像素點灰度值的大小關系，對周圍點進行0或1的編碼，從而得到該點的進制編碼，并推斷和區分出該區域是否為點、線、邊緣、角點等情況。

②降維

由于每個像素點的灰度值范圍為0～256，一共266種可能的數據待處理，依據盡量減少數據處理量的處理原則，本研究通過ULBP的方法進行降維，減少計算量，提高運算速度，使得系統能實時響應。

③形成二進制編碼直方圖

把整個圖像分割成多個方格區域，每個區域中的每個像素點都會有LBP和ULBP的值，統計這些數據時形成該區域的LBPH圖，然后把每個區域的直方圖連接起來，形成整幅圖像的特征向量的直方圖[4]。

④構建二進制編碼直方圖集合

多個對象的直方圖被存儲到數據庫中，則形成LBP編碼直方圖集合。

步驟四：人臉識別和匹配。

日后將對被檢對象的LBPH圖與前邊構建的二進制編碼直方圖集合進行比較，從而得到分類結果。

5 結語

本研究是在phcharm的開發環境下，使用Python語言，調用open CV程序庫，來設計和實現LBPH的識別功能。為了能提高識別效率，可在卷積神經網絡中加入LBPH圖像信息，并增大訓練的次數，嘗試在訓練中加入卷積[5]，使算法更符合實際應用的需要，提高應用廣度，增強市場效益。

【參考文獻】

【1】陳思琪，趙豪越，王靜一，等.人臉識別概述[J].綜合論壇，2018（1）：226.

【2】尚麗娜，石晴瑤，方健.基于OpenCV的人眼檢測及疲勞判斷[J].探索與觀察，2018，06（21）：19-23.

【3】張枝令.Python實現基于深度學習的人臉識別[J].視覺，2018，05（19）：47-96.

【4】朱峰.一種基于多尺度 LBPH 特征的快速人臉識別算法[J].計算機應用與軟件，2015，08（32）：315-319.

【5】羅麗紅，劉春曉，柯靈.基于二進制多層 GELM 的異質人臉識別模型[J].現代電子技術，2018，09（23）：38-43.