基于Gabor和CS-LBP的人臉識別研究

人臉識別是通過提取人臉的視覺特征來進行身份認證，是機器視覺、模式識別領(lǐng)域的研究熱點之一。與虹膜、指紋等生物特征一樣，人臉具有唯一性和相對穩(wěn)定性，此外人臉圖像的獲取具有非接觸性、易提取、不易仿冒、成本低等優(yōu)點。因此，人臉識別在信息安全等領(lǐng)域有非常廣泛的應用，如身份識別、自動門禁系統(tǒng)、監(jiān)控系統(tǒng)等，對增加識別的高效性和有效性有重要的意義。

近年來，人臉識別發(fā)展十分迅速，人們不斷嘗試更有效的特征提取方法使人臉識別得到更廣泛的應用。因此本文從特征提取的角度出發(fā)，研究了一種基于Gabor和CSLBP改進的人臉識別方法。

Gabor小波

近年來，Gabor小波在計算機視覺和圖像領(lǐng)域有重要應用。Gabor小波有良好的方向和頻率選擇特性，可以捕捉多尺度、多方向的局部結(jié)構(gòu)且對表情、光照等因素不敏感，可以得到魯棒的人臉表示。

其表示如下：

中心對稱局部二值模式

中心對稱局部二值模式（Center symmetric Local Binary Pattern，CS-LBP）是一種紋理描述子，在原始LBP基礎(chǔ)上引入中心對稱思想，僅比較3×3鄰域內(nèi)以中心像素值為中心對稱的像素值對。若大于中心像素值，將鄰域像素值置為1，否則置為0，同樣轉(zhuǎn)為十進制得到中心像素的編碼。

其基本原理如圖1所示。

卡方距離分類器

由于傳統(tǒng)的距離計算方法（如歐式距離等）只考慮絕對距離，未考慮特征量間的相對距離，本次研究選用了卡方距離。因為卡方距離能反應特征間相對距離的變化，進而得到更好的分類性能。

卡方距離（Chi-square measure）利用聯(lián)表分析的方法得到一個卡方統(tǒng)計量來測量訓練集和測試集的相似度，公式如下：

其中，xk是x 的第k 個變量的取值，E（xk）是x 在第k類上的期望，yk是y 的第k 個變量的取值，E（yk）是y 在第k 類上的期望。

圖1　LBP與CS-LBP原理比較

圖2　12個Gabor特征

圖3　Yale人臉庫中的圖像示例

基于Gabor和CS-LBP的識別

考慮到使用Gabor小波描述的人臉易忽略人臉的局部特征，且存在一定的冗余度，本文研究了一種改進的基于Gabor的人臉識別方法，其主要思路如下：

第一，將人臉圖像矩陣和Gabor核函數(shù)進行卷積，得到不同方向和尺度的信息。第二，將圖像特征按3個尺度累加，即每個方向的4個尺度分別累加。第三，隨后進行CSLBP處理，3個尺度分別按列特征提取后得到3列特征，合為一列進行PCA降維。第四，采用卡方距離來計算測試集與訓練集的相似度，排序后可得識別率。

不同尺度和方向的Gabor特征如圖2所示。

實驗分析

本文在實驗中采用的是Yale人臉庫，該庫是由耶魯大學計算視覺與控制中心創(chuàng)建，其中包含15個人的165張人臉圖像，每人11張正視圖，每張圖像包含不同的變化，如有無眼睛，表情變化（嚴肅或微笑）等。每張原始人臉圖像的大小為320*243，人臉庫中的圖像示例如圖3所示。

為了充分驗證所研究算法的有效性，本文設(shè)置了4種不同比例的訓練集和測試集，并對單獨采用Gabor濾波和Gabor濾波與CS-LBP相結(jié)合兩種算法，分類器均采用卡方距離分類器進行識別效果的比較。采用不同識別思路、訓練集與測試集比例不同時所得的識別結(jié)果如圖4所示。

從圖4可以看出不同特征提取方法的識別效果對比。無論測試集和訓練集的比例為多少，本文所研究的Gabor濾波結(jié)合中心對稱局部二值模式（CS-LBP）方法所得的識別率總是高于單獨使用Gabor濾波方法所得，進一步說明了本文算法的有效性。

實驗結(jié)論

由于在實際實驗中使用單一算法不易獲得理想的識別效果，無法滿足現(xiàn)實生活中的人臉識別需求，本文研究了一種Gabor濾波結(jié)合CS-LBP的人臉識別方法。經(jīng)過實驗可得出，相較于單獨的Gabor濾波識別方法，Gabor濾波結(jié)合CS-LBP的識別方法不僅保證了魯棒性和頻率選擇性，還降低了特征維數(shù)，減小了計算復雜度，同時有效的提高了識別率。

圖4　訓練集與測試集比例不同時選取不同識別算法所得的識別率

10.3969/j.issn.1001- 8972.2016.18.015