陸　玉，張　華

（1.阜陽職業(yè)技術(shù)學(xué)院人文社科系；2.阜陽職業(yè)技術(shù)學(xué)院實(shí)訓(xùn)中心，安徽阜陽236031）

基于改進(jìn)的LBP面部識(shí)別智能算法

陸玉1，張華2

（1.阜陽職業(yè)技術(shù)學(xué)院人文社科系；2.阜陽職業(yè)技術(shù)學(xué)院實(shí)訓(xùn)中心，安徽阜陽236031）

摘要：在傳統(tǒng)的LBP算法的基礎(chǔ)上，提出了一種改進(jìn)的自適應(yīng)閾值算法用于人類面部識(shí)別.提取圖像的每個(gè)子區(qū)域的LBP，根據(jù)子區(qū)域圖像自身的情況設(shè)定閾值，利用該閾值提取紋理特征，同時(shí)融合信息熵對(duì)分解的特征層進(jìn)行直方圖加權(quán)，在FERET人臉數(shù)據(jù)庫上進(jìn)行的實(shí)驗(yàn)證明，本文提出的算法具有更高的鑒別能力和對(duì)噪聲干擾的更強(qiáng)的魯棒性，能夠有效提高圖像檢索的準(zhǔn)確率.

關(guān)鍵詞：人臉識(shí)別；LBP；自適應(yīng)

人臉識(shí)別技術(shù)是一個(gè)跨學(xué)科的計(jì)算機(jī)應(yīng)用技術(shù)，其應(yīng)用范圍廣泛，在門衛(wèi)系統(tǒng)、身份識(shí)別等各種領(lǐng)域都具有巨大的應(yīng)用前景.然而，對(duì)開發(fā)可批量應(yīng)用的識(shí)別系統(tǒng)來說，仍有許多待解決問題，尤其是準(zhǔn)確提取人臉紋理特征和研究高效、魯棒的識(shí)別算法，原因主要有：（1）人臉表情豐富；（2）人臉成像的背景復(fù)雜；（3）人臉圖像受光照、成像角度影響等［1］.為此本文提出一種基于自適應(yīng)閾值的LBP算法（ATLBP），其主要思想是通過實(shí)驗(yàn)計(jì)算出自適應(yīng)于圖像各個(gè)子區(qū)域的LBP閾值，降低算法復(fù)雜度，提高算法對(duì)圖像局部特征提取的精度.

1　預(yù)處理

傳統(tǒng)的LBP算法簡(jiǎn)單高效，具有良好的穩(wěn)定性和識(shí)別率，但它籠統(tǒng)地對(duì)圖像進(jìn)行紋理特征的提取，會(huì)導(dǎo)致丟失部分重要紋理［2-3］.事實(shí)上圖像中不同子區(qū)域包含著不同的紋理細(xì)節(jié)，算法應(yīng)圖像子區(qū)域細(xì)節(jié)的復(fù)雜程度賦予其不同的權(quán)重，這樣圖像紋理的變化才能在特征提取的實(shí)驗(yàn)中反映出來.因此為降低數(shù)據(jù)量，保留關(guān)鍵特征，在本文實(shí)驗(yàn)中需要對(duì)人臉區(qū)域進(jìn)行定位，用眉毛兩側(cè)、眼角、鼻翼及嘴角進(jìn)行定位，依據(jù)定位策略進(jìn)行圖像分塊，對(duì)每個(gè)子區(qū)域分別求出直方圖特征，將它們串聯(lián)起來作為最終的紋理特征.預(yù)處理結(jié)果見圖1.

圖1　人臉預(yù)處理結(jié)果

2　特征提取

在人臉識(shí)別技術(shù)流程中，一個(gè)基本而重要的流程就是特征提取，如何提取出正確而具魯棒性的特征是人臉識(shí)別成敗的關(guān)鍵［4］.在實(shí)驗(yàn)中，采取將圖像劃分為若干子區(qū)域之后，提取每個(gè)子區(qū)域的LBP統(tǒng)計(jì)直方圖的方法，此種方法能反應(yīng)局部特征、具有統(tǒng)計(jì)性質(zhì)且適應(yīng)性較好，提取時(shí)涉及到自適應(yīng)選取閾值和加權(quán)融合的改進(jìn).實(shí)驗(yàn)算法流程圖如圖2所示：

圖2　ATLBP算法流程圖

2.1選取自適應(yīng)閾值

ATLBP紋理模式首先需保留傳統(tǒng)LBP的優(yōu)勢(shì)，閾值根據(jù)圖像具體情況自適應(yīng)選取，區(qū)別對(duì)待不同紋理風(fēng)格的圖像子區(qū)域，可以進(jìn)一步提高識(shí)別精度.在選取時(shí)計(jì)算中心點(diǎn)像素周圍相鄰像素區(qū)域的均值，閾值取值為該均值的n%，通過實(shí)驗(yàn)調(diào)整n的最終取值.

以半徑R=1,P=8為例，即考慮某像素點(diǎn)(設(shè)其灰度值為g)周圍23個(gè)相鄰像素區(qū)域的像素點(diǎn)g，i=0,1,…,7的情況，賦予8位的二進(jìn)制數(shù)中每一位的符號(hào)函數(shù)s(x)一個(gè)權(quán)值2p.則：

則有：閾值T=Ave*n%.其中Ave為中心點(diǎn)像素周圍相鄰像素區(qū)域的均值，而值最終需要通過后續(xù)實(shí)驗(yàn)情況調(diào)整得到.為取到合適的，利用ATLBP特征在實(shí)驗(yàn)中考察不同值的算法識(shí)別情況，具體做法為觀察當(dāng)n值取為0.01～0.10(步長為0.01)中各值時(shí)算法識(shí)別情況的變化.在后續(xù)實(shí)驗(yàn)中發(fā)現(xiàn)，當(dāng)為0.05時(shí)，人臉樣本群中的平均識(shí)別率波動(dòng)幅度較穩(wěn)定.故改進(jìn)算法中自適應(yīng)閾值最終選擇為T=Ave*5%.

2.2特征層信息熵加權(quán)融合

信息熵最早由Shannon在1948年提出并應(yīng)用于信息理論中，能體現(xiàn)出圖像中信息量的大?。?］.圖像不同的特征層所表達(dá)的信息各不相同，其紋理細(xì)節(jié)的豐富程度跟信息熵成正比關(guān)系.用每個(gè)圖像子區(qū)域的信息熵來量化反映圖像特征紋理值，即為特征層信息熵權(quán)重.

在進(jìn)行多層特征融合時(shí)，按照各個(gè)圖像子區(qū)域的特征貢獻(xiàn)度度計(jì)算信息熵，進(jìn)而確定圖像各子區(qū)域的權(quán)值，計(jì)算過程如下：

（1）設(shè)為第級(jí)像素點(diǎn)出現(xiàn)的概率，則有：

其中，f(x,y)為特征層j上像素(x,y)的灰度值，L為特征層數(shù)量；a為真時(shí)，T(a)=1，其他情況T(a)=0.

（3）某子區(qū)域所對(duì)應(yīng)的信息熵越大，則賦予它越大的權(quán)值，若圖像被分為m個(gè)子塊，計(jì)算第j個(gè)子區(qū)域的權(quán)重Wj：

2.3提取直方圖向量

根據(jù)2.2所述，計(jì)算預(yù)處理環(huán)節(jié)中面部6個(gè)圖像子區(qū)域(眉毛、眼睛、鼻子、嘴巴)的局部權(quán)值，同時(shí)對(duì)預(yù)處理后的圖像子區(qū)域進(jìn)行LBP變換，得到6種特征，并建立6種特征的融合直方圖.本文采取了并行融合方式，即將此6種特征進(jìn)行并聯(lián)組成三維直方圖，分別把圖像全局紋理和子區(qū)域紋理的級(jí)聯(lián)直方圖進(jìn)行加權(quán)（權(quán)值分別為w1～w6）融合以適應(yīng)下一步的分類識(shí)別，此種融合方式可以減少直方圖之間的相互影響且減少時(shí)間消耗［6］.

2.4分類識(shí)別

為準(zhǔn)確識(shí)別人臉，實(shí)驗(yàn)中將提取到的人臉特征向量與數(shù)據(jù)庫中的特征向量相比較并找出最相近的向量，并對(duì)其進(jìn)一步考核，比較特征值設(shè)定的閾值范圍和計(jì)算結(jié)果，若兩者相符則認(rèn)為此向量是所要找的人臉.本文采用多通道最近鄰分類器［7］，即將在3.3中獲取的6個(gè)特征通道分別用最簡(jiǎn)單的最近鄰分類器進(jìn)行分類，對(duì)分類結(jié)果進(jìn)行融合時(shí)采取優(yōu)勢(shì)最為明顯的那一類作為最佳識(shí)別結(jié)果.

3　實(shí)驗(yàn)結(jié)果分析

為了測(cè)試ATLBP對(duì)噪聲的魯棒性，將傳統(tǒng)的LBP算子與改進(jìn)的ATLBP算子進(jìn)行了效率上的比對(duì)驗(yàn)證.實(shí)驗(yàn)分別在FERET和YALE數(shù)據(jù)庫上進(jìn)行，算法驗(yàn)證平臺(tái)是：Intel Core2 Duo CPU 3GHz，仿真軟件是Matlab 7.0，對(duì)比結(jié)果見表1.

表1　FERET數(shù)據(jù)庫上的識(shí)別率比較實(shí)驗(yàn)

由表1可知，ATLBP具有自適應(yīng)閾值的優(yōu)勢(shì)，比傳統(tǒng)的LBP算法更富于魯棒性.

表2　YALE數(shù)據(jù)庫上的抗噪性比較實(shí)驗(yàn)（%）

由表2可知，當(dāng)噪聲等級(jí)增大時(shí)，ATLBP的平均識(shí)別結(jié)果呈現(xiàn)出比較緩慢的下降趨勢(shì)，相比傳統(tǒng)的LBP方法，本算法抗噪性較強(qiáng).

4　結(jié)語

在LBP算法的基礎(chǔ)上，提出了一種改進(jìn)的自適應(yīng)閾值算法用于人類面部識(shí)別.提取每個(gè)圖像子區(qū)域的LBP時(shí)，根據(jù)子區(qū)域圖像自身的情況設(shè)定閾值，利用該閾值提取紋理特征，改善了傳統(tǒng)LBP算法存在的缺陷，增強(qiáng)了其對(duì)噪聲的魯棒性.在人臉數(shù)據(jù)庫上進(jìn)行的實(shí)驗(yàn)證明，本文算法對(duì)光照和噪聲更加魯棒，能夠有效提高圖像檢索的準(zhǔn)確率.

參考文獻(xiàn)：

［1］張翠平，蘇光大.人臉識(shí)別技術(shù)綜述［J］.中國圖像圖形學(xué)報(bào)，2000，5(11)：7-16.

［2］金忠，胡鐘山，楊靜宇.基于BP神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別方法［J］.計(jì)算機(jī)研究與發(fā)展，1999，36(3)：274-277.

［3］劉中華，史恒亮，張?zhí)m萍，等.基于多尺度局部二值模式的人臉識(shí)別［J］.計(jì)算機(jī)科學(xué)，2009，36(11)：293-295.

［4］張洪明，趙德斌，高文，等.基于膚色模型、神經(jīng)網(wǎng)絡(luò)和人臉結(jié)構(gòu)模型的平面旋轉(zhuǎn)人臉檢測(cè)［J］.計(jì)算機(jī)學(xué)報(bào)，2002，25(11)：1250-1256.

［5］Ojala T，Pietikainen M，Harwood D.A comparative study of texture measures with classification based on feature distributions ［J］.Pattern Recognition，1996，29(1)：51-59.

［6］火元蓮.基于多通道Log-Gabor小波與(2D)2PCALDA的人臉識(shí)別方法［J］.計(jì)算機(jī)應(yīng)用，2010，30(11)：2970-2973.

［7］Perez C A，Cament L A，Castillo L E.Local matching gabor entro-py weighted face recognition［C］.Proc.IEEE Int.Conf.Analysis and Modeling of Face and Gesture，2011：179-184.

（責(zé)任編輯：歐愷）

中圖分類號(hào)：TP391.4

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1007-5348（2015）02-0011-04

［收稿日期］2014-11-03

［基金項(xiàng)目］阜陽職業(yè)技術(shù)學(xué)院2013年教科研項(xiàng)目（2013JKYXM11）.

［作者簡(jiǎn)介］陸玉（1982－），女，安徽渦陽人，阜陽職業(yè)技術(shù)學(xué)院人文社科系講師；研究方向：模式識(shí)別.

Face Recognition Algorithm Based on Improved Intelligence LBP

LU Yu1,ZHANG Hua2
（1.Department of Humanities and Social Science；2.The Training Center,Fuyang Vocational And Technical College,Fuyang 236031,Anhui,China）

Abstract：Based on the traditional LBP algorithm,an improved adaptive threshold algorithm for human face recognition is proposed.Extraction of each sub region image LBP,it set the threshold according to the sub region of the image itself,using texture feature extraction with the threshold value,at the same time integrated fusion information entropy histogram weighted on the decomposition of the feature layer,and demonstrated on FERET face database for experiments.The paper proposed that algorithm has higher ability to identify the images and stronger robustness for noise interference which can effectively improve the accuracy of image retrieval.

Key words：face recognition；LBP；adaptive