劉艷麗　王鐵建

摘要：人臉識別已經(jīng)應(yīng)用到生活中，識別精度顯得至關(guān)重要，提高人臉識別率是研究的熱點(diǎn)之一，在識別過程中容易收到光照、角度、表情變化等影響，該文使用LBP算法提取臉部的紋理特征，結(jié)合SVM算法，實(shí)驗(yàn)結(jié)果表明有效的減少了客觀條件對識別結(jié)果的影響，達(dá)到了理想的效果。

關(guān)鍵詞：LBP算法；SVM算法；網(wǎng)格搜索法；K-交叉驗(yàn)證法

中圖分類號：TF311 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-3044（2017）18-0176-02

人臉識別是模式識別研究領(lǐng)域的熱點(diǎn)課題之一，人臉識別系統(tǒng)已經(jīng)廣泛應(yīng)用在生活中的多個領(lǐng)域，但是人臉的外形很不穩(wěn)定，人可以通過臉部的變化產(chǎn)生很多表情，而在不同觀察角度，人臉的視覺圖像也相差很大，另外，人臉識別還受光照條件、遮蓋物、年齡等多方面因素的影響，使得在人臉識別過程中容易受到特征提取不到位和圖像維數(shù)過多的影響，導(dǎo)致人臉識別精度不高。本文使用LBP算法和SVM算法對人臉識別，實(shí)驗(yàn)結(jié)果表明本方法有效的提高了識別精度，也增加了魯棒性。

1人臉紋理特征提取

在圖像處理中紋理是圖像很重要的一個特征，穩(wěn)定的紋理特性反映了圖像自身的屬性。Tamura以人類的主觀心理度量作為標(biāo)準(zhǔn)，提出了六個基本的紋理特征，其中紋理的粗糙度，對比度和方向度是最重要。這些紋理特征很好的對應(yīng)了人類視覺感知，因此在許多圖像檢索系統(tǒng)中得到應(yīng)用。

LBP算法是由T.Ojala等人于1996年提出，用來描述圖像局部空間結(jié)構(gòu)，分析圖像紋理特征，具有灰度和旋轉(zhuǎn)不變的特性。算法經(jīng)過T.Ojala等人的不斷完善，有效的減少了計(jì)算的復(fù)雜度和高頻噪聲的影響。因?yàn)長BP算法是一種局部二值模式，所以提取整幅圖像的LBP紋理特征，清晰度不高，故先提取圖像的局部顏色特征，并統(tǒng)計(jì)生成直方圖，然后組合成圖像整體的顏色特征。LBP的工作原理是通過以中心像素點(diǎn)灰度值作為閾值，按順時針或逆時針找鄰域像素點(diǎn)，和閾值進(jìn)行比較，大于閾值記為1，否為0，從而求出中心點(diǎn)的LBP值，表示該點(diǎn)的紋理信息。如圖1所示：

本文以O(shè)RL數(shù)據(jù)庫為實(shí)驗(yàn)數(shù)據(jù)庫，庫中同一人的圖像在表情和姿態(tài)上的變化控制在20%以內(nèi)的尺度范圍。本實(shí)驗(yàn)取20人的200幅圖像作為訓(xùn)練樣本，另外20人的200幅圖像作為測試樣本，ORL數(shù)據(jù)庫中訓(xùn)練樣本提取LBP的效果圖下圖2所示：

2 SVIM算法構(gòu)建人臉識別器

支持向量機(jī)是Cortes和Vapnik于1995年首先提出的，它在解決小樣本、非線性及高維模式識別中表現(xiàn)出許多特有的優(yōu)勢。主要思想是尋找一個超平面對訓(xùn)練樣本分類，使其分類正確率最大。在訓(xùn)練樣本線性可分的情況下，SVM的目的是找到一個最優(yōu)超平面，使得每一類數(shù)據(jù)與超平面距離最近的向量與超平面之間的距離最大；對于線性不可分的情況，利用核函數(shù)將訓(xùn)練樣本從低維空間映射到高維特征空間使其線性可分，以訓(xùn)練誤差作為優(yōu)化問題的約束條件，以置信范圍最小化為優(yōu)化目標(biāo)，最終SVM將問題化解為一個線性約束的凸二次規(guī)劃求解問題。

核函數(shù)的選取直接決定分類器的效果，取10個人的圖像使用三種核函數(shù)對人臉進(jìn)行識別，識別結(jié)果如下表1：

從圖中看出核函數(shù)Poly和RBF識別率相差不大，本實(shí)驗(yàn)最終選取RBF核函數(shù)，因?yàn)槎囗?xiàng)式核函數(shù)Poly的函數(shù)數(shù)目比RBF核函數(shù)多，使得該模型復(fù)雜度較高，而RBF是局部核函數(shù)，可以將非線性的樣本映射到高維空間里，進(jìn)而解決非線性的問題。在RBF核函數(shù)中需要選出最優(yōu)懲罰參數(shù)C和核函數(shù)參數(shù)δ，才能達(dá)到較好的分類效果。本實(shí)驗(yàn)選用網(wǎng)格搜索法和K交叉驗(yàn)證法相結(jié)合來確定C和δ。網(wǎng)格搜索法是讓C和δ在一定的范圍內(nèi)，劃分網(wǎng)格并遍歷網(wǎng)格內(nèi)所有的區(qū)域，初步確定C和δ的范圍。然后在該范圍內(nèi)適用K交叉驗(yàn)證法，將訓(xùn)練樣本均分成k份，選取一份作為測試數(shù)據(jù)，其余的K-1份為訓(xùn)練數(shù)據(jù)，經(jīng)過K次迭代后求取MSE的均值對誤差進(jìn)行估計(jì)，最后選擇出最優(yōu)的參數(shù)，即為C和6的最優(yōu)解。在ORL庫中選取20幅圖像作為訓(xùn)練樣本，20幅圖像作為測試樣本，實(shí)驗(yàn)識別率如下表2：

3結(jié)論

本實(shí)驗(yàn)在ORL庫中選取20個人的臉部圖像作為訓(xùn)練樣本，建立分類器，另外20個人的臉部圖像作為測試樣本，使用LBP算法提取圖像的紋理特征，使得特征的提取不受光線，遮擋等因素的影響。在使用SVM算法建立分類器時，本文融合網(wǎng)格搜索和K交叉驗(yàn)證法，使得參數(shù)的確定更加精確。實(shí)驗(yàn)結(jié)果表明識別率達(dá)到97%。達(dá)到了理想的識別效果。endprint