基于改進的LBP面部識別智能算法的研究

姚靜姝

（山西大同大學 山西省大同市 037009）

在我國的現今發展中，許多時候都避免不了人的身份驗證，面部識別技自開發以來便受到了各個領域的重視，他是一個具有多個學科相互融合的計算機應用技術其所涉及到的范圍面也十分廣泛，有巨大的應用市場。通過改進的LBP 面部識別智能算法來進一步增加面部識別系統的穩定性，擴大其應用市場，也進一步滿足現今社會發展的需求，以此來推動計算機領域的深度發展。本文首先簡要的介紹了人臉識別系統框架并解釋了人臉識別系統現今所面臨的挑戰，只好詳細的介紹了改進的LBP 面部識別智能算法，主要是通過辨別能力與噪聲干擾能力，來進一步提高圖像檢索的精準性。

1 人臉識別系統的框架及其現今所面臨的挑戰

人臉識別系統包括了對人臉的檢測以及人臉的識別兩個部分，其中對于人臉識別技術也應用到了LBP 面部識別智能算法，隨著人臉識別技術的不斷成熟LBP 面部識別智能算法也進行了相應的改進。首先從人臉識別系統的整體框架來看，人臉檢測是人臉識別的一個具體步驟，想要進行人臉識別，首先從人臉檢測開始，從人臉圖像中將人臉區域裁剪出來，進行歸一化的處理。其中整體系統主要包括人臉的檢測，圖像歸一化，表征分類識別以及還有人臉表情的分析。改進的LBP 算法主要是通過升級的一種自適應一直應用在人類面部識別算法之中，并通過對各個圖像子區域的LBP 進行相應提取特定的紋理特征，緊接著通過信息上來對特征層已分解的直方圖進行相應的加權。在feret 人類數據庫中進行相應的實驗證明，確保人臉識別的準確有效性。

人臉識別技術在先進的發展中有了極大的應用價值與研究意義。但是由于人臉識別技術的應用環境的可控性較低，有時候由于識別人物的不配合，導致了人臉識別技術的使用以及性能受到了很大的影響。在現今人臉識別技術中由于魯棒性他人練構建模型以及精準的特征匹配需要被監測對象的各種圖像采集條件變化魯邦的核心算法識別來完成，但是由于光照變化的原因，在室外的影響尤為明顯，其實還有姿態，表情年齡以及臉上的遮擋性飾品相應的問題，很容易導致面部檢測出現問題，尤其是這些問題同時發生時將會很大程度的為面部的檢測識別工作增添了難度。此外，由于人臉的表情較為豐富，且人臉成像的背景較為復雜再結合外部光照角度等一系列細小的問題，都為人臉識別技術帶來了巨大的阻礙。

2 改進的LBP面部識別智能算法

本文中改進的LBP 面部識別智能算法是通過自適應閾值的LBP 算法來進行實現的，在這一過程中相對于傳統的LBP 算法，它是通過在各個區域中適應的圖像他LBP 值來降低以往算法的繁瑣復雜性，以此來進一步提高圖像局部特征采取的精準度。針對于傳統的LBP 算法來說，它具有良好的穩定識別性，但在傳統的LBP 算法中只是籠統的對圖像的紋理特征進行相應的采取工作，在這一過程中也啊，導致了許多重要紋理圖像的缺失性。但在真實的圖像中，每一跨子區域中所含有的紋理細節是不大相同的，LBP 算法也應該根據每一個不同的區域細節的復雜程度來進行不同程度的權重賦予。這樣的頭像反映紋理才能確保后期特征提取可以反映用信息，也很大程度上降低了數據的占有量，并且確保關鍵特征得以保留。可以通過對人類區域進行區域內的定位，像是眉毛，眼角，嘴角，鼻翼等，有效的定位可以確保圖像中美一塊子區域特征的精準性，完成預處理后對于之后的提取工作也奠定了相應的基礎。

2.1 LBP面部識別智能算法中自選適應閾值

在人臉識別的技術整體流程過程中面部特征的提取是一個非常基本且異常重要的流程。如何可以快速有效的提取出正確且具有魯棒性的特征特點，是改進LBP 面部識別智能算法中非常重視的一個問題，因此不得不重視對面部區域適應閾值的選取，通過對面部圖像進行科學的次區域劃分之后，將各個區域的LBP 統計直方圖進行有效的提取。在改進的LBP 面部識別智能算法中，對于傳統LBP 算法所存在的優勢進行了保存，閾值根據所呈現圖像的具體情況進行相應的適應選區，將不同紋理風格的子區域進行區別對待，通過分別對待其他差異性來進一步提高識別的精準度。再進行中心點像素周圍區域均值的計算時，可以將閾值取值調成均值的m%。接著在在具體實驗中來確定m 的具體取值。最終取值必須要通過后續的細節實驗來進行確立。確立最終其實可以通過ATLBP 特征實驗中對不同值算法的考驗情況，觀察m 取值時算法的變化波動情況，接著在后續實驗中來選取識別波動較小平穩的作為自適應閾值的最優選擇。

2.2 特征層信息熵加權融合

在1948年的時候信息熵每一位美國學者提出并在信息熵加權中展開了應用，通過信息熵可以獲取圖像中所能出現的各類信息，并分析各個圖像中不同的特征層來滿足各種不同信息熵的表述，在這之中圖片中所呈現的紋理細節的豐富程度和信息熵之間有明顯的正比例關系，因此我們可以通過信息熵將化分的每一個小區中所反映的圖片特征紋理值進行量化，以此這樣便形成了特征層信息熵權重。在進行多層特征的融合過程中，需要通過各個子區域圖像的特征貢獻度來進行信息熵的計算，從而可以更加準確有效的確定每一個子區域的權值，通過進行相應的計算，假設出第級像素點所出現的頻率，根據以往的有效數據可以看出，在子區域中如果信息熵大同時也將會賦予他更大的權值。

2.3 提取直方圖向量

建立在在2.2 特征層信息熵加權融合的基礎上，在6 可面部圖像子區域通過計算與處理環節，進行局部的權值，再通過預處理之后便可以進行LBP 的交換，通過這樣的方法便可以得到6 種不同的特征，通過對這6 種特征的分析，來進一步建立特征的融合直方圖，常采用的方法便是將這6 種特征并聯在一起組成一個三維的直方圖，在直方圖中也分別將整個圖像的紋理圖以及子區域的紋理圖在現有的級聯直方圖中進行相應的加權，并在這一過程中適當的進行分類識別的融合，這樣的融合方式可以有效的減少了直方圖間由于相互作用所產生的不良影響，大大減少了檢測時間的消耗。

2.4 進行分類識別

為了確保人臉識別技術的準確性，在這之中必須對所獲取到的人臉特征向量跟數據庫中所現存在的特征向量今相比較工作，并在這之中尋找最為相近的向量，之后再進行下一步的審核。可以通過對特征值設定他一直范圍以及相應的計算結果，進行詳細的審核。如果所有信息都相符合他們便認定這一向量便是所要查找的人。在部分實驗中有的通過通道最近鄰分類器來將6 個區域中所獲取到的信息通過最近鄰分類器進行相應的分類工作。

3 改進的LBP面部識別智能算法的實現

3.1 對人臉結構的劃分和檢測

LBP 面部識別首先就是要勾畫出人臉的五官，才能更加準確識別面部。人臉的劃分和檢測就需要訓練采用不同的樣本庫等精準地算出人的眼睛，鼻子，嘴等。然后在檢測的時候需要輸入人臉圖像，然后在檢測對應的地方，最后就可以在這個相應的區域進行LBP特征提取。所以要做好劃分和檢測的工作，這樣才能更加精確人臉的每一個結構，在檢測時要注意人臉圖像的輸入是否正確。去更好地實現這個智能識別。

3.2 把LBP特征提取進行歸類

為什么要把LBP 特征提取歸類呢？因為LBP 特征提取需要根據不同的結果去進行更加精確的模擬。所以我們可以先根據上述中檢測的人臉重要區域和非重要區域采取LBP 的特征，然后LBP 特征提取本身就是一種算法模擬的東西，它需要加強那種空間模擬結構，讓智能識別更加具有生動性。智能識別它需要一個精準度，也需要更加深入化。在LBP 提取特征中要掌握圖像局部的紋理特征，這樣才能更好地進行計算。所以我們要先計算圖像在圖像局部領域的一個二值關系，然后根據這種關系加強局部的二值模式，然后，就是根據這些局部領域的序列去觀察圖像的特征。每個智能識別的程序和其中的過程都有它的計算方法，比如這個圖像局部的紋理特征，它是用二進制乘以相應的加權值2p，然后再用累加法得到一個中心，這樣就可以得到一個圓，然后以R 為半徑對圖像局部的紋理特征進行描述。這樣就可以得到一個詳細的紋理特征了。

然后就是根據空間的直方圖對LBP 進行編碼。人的臉部的每個地方有不同的紋理，所以在描述LBP 直方圖時要利用整體的紋理信息，然后就是用直方圖去描述不同局部領域的直方圖信息。然后利用人臉器官不同的位置，去把這些直方圖信息連在一起，最后就可以去描繪出整個的人臉部信息。然后根據一些計算機算法，對整個圖像進行一個過濾刪除，這個過程它需要uniform 模式去增強整個局部特征。然后把除了鼻子，眼睛，眉毛等明顯的器官都進行一個過濾，讓整體的圖像看起來更加逼真。

3.3 對PCA特征進行修改

因為LBP 直方圖信息有一定模式，它體現的區域是為矩形的，因為要采取PCA 算法，所以要對這個矩形進行一個降維。這樣這個矩形的面積就看起來比較小，就讓整體模擬更加準確。這個算法也是和數學知識有聯系，把這樣這個樣本根據向量去把它的維度進行降低，需要經過LBP 提取特征的D 維向量降低為d 維向量，這就需要一個PCA 的降維理論，就是把這個計算這個矩陣按一個本征值去計算出其向量的本征值，然后再根據從大到小對本征值進行一個排序，找出在d 維向量對應的最大本征值，將這個值作為一個投影向量，然后根據計算方法就可以降低PCA 的維度了。這樣就可以改變這個直方圖信息，讓LBP 特征提取更加具體。從而可以體現它的效果。

4 改進的LBP面部識別智能算法有待提高的地方

人臉識別技術在我國的發展已經有了幾十多年的歷史，并值得認可的是成功的在我國的多個領域以及行業內有了值得肯定的實際應用與價值。雖然人臉識別技術也在不斷改善進步，本文也通過對改進的LBP 面部識別智能算法的研究針對于現今我國人臉識別技術發展的現狀，對于仍有待提高的地方進行深入的突破與改進，為我國人臉識別技術迎來更大的發展空間。可以從以下幾個方面進行深入的突破與改進，確保我國人臉識別技術可以可持續性的健康發展。第一方面是在Adaboost 人臉檢測時，在現今的現有技術中訓練分類器的時候往往是通過現今所具備的MIT 以及c mu 來進行人臉檢測訓練樣本集來將所有信息進行公布。但是在這一方面分類器的分類性能有待進行深一層次的提高，可以以訓練樣本集為方向進行研究思考。第二方面是在特征提取時，在改進后的LBP 面部識別智能算法中對于圖像的局部紋理信息的處理有了更進一步的關注，此外也簡單直接的引入了LBP 的直方圖，特征提取這一過程有了更高的總體特征，但這一方面也造就了一定弊端，加大了信息處理的復雜性與難度。因此在特征提取的后期可以將圖像的整體信息與特征提取的技術相結合來完成提取工作。第三方面是數據降維，在改進后臺，APP 面部識別智能算法中采用的數據將為主要是通過PC 方法，但由于PC 方法只能單純的幫助線性數據來進行降維工作，而不是線性的數據則無法達到降低維度的目的。但是在現今的圖像處理中不僅包含新型數據，自然也包含著一些非線性的數據，因此針對于這種情況我們可以結合考慮，將線性與非線性降維技術相結合，以此來確保可以獲取更為精準的人臉描述特征。

5 結束語

改進的LBP 面部識別智能算法對人臉識別技術創造了一個更高更大的平臺。在這一篇文章中通過對改進自適應閾值的算法來有效的改善了算法受光以及噪聲的影響性，進一步提高了人臉識別技術的圖像檢索的精確率。此外對于改進算法的實現以及有待改進的地方都提出了相應的要求，這也為LBP 面部識別智能算法的進一步發展提供了相應的信息基礎，加速了我國人臉識別技術的發展，推動了我國社會科學的深度研發與進步。