楊毅+楊恢先+唐金鑫+張書豪

摘要：本文針對單樣本情況下傳統(tǒng)人臉識別方法在姿態(tài)、表情和光照等變化下識別效果不佳的問題，提出一種基于單演主方向中心對稱局部二值模式的單樣本人臉識別模式的單樣本人臉識別算法。首先用多尺度的單演濾波器提取人臉圖像單演局部幅值和局部方向信息，并求取主方向，生成主方向模式圖；然后用CS-LBP算子進行編碼，得到特征；最后對不同單演尺度空間中的特征分塊統(tǒng)計特征直方圖并運用直方圖相交進行分類識別。在AR、Extend Yale BA臉數(shù)據(jù)庫的實驗結(jié)果表明，該算法簡單有效，對光照、表情、部分遮擋變化具有較好的魯棒性。

關(guān)鍵詞：人臉識別；單樣本；單演信號；主方向模式；中心對稱局部二值模式（CS-LBP）

DOI： 10.3969/j.issn.1005-5517.2017.8.016

引言

近年來，人臉識別由于具有友好、非侵犯性等優(yōu)點成為機器視覺和圖像處理領(lǐng)域的研究熱點，并在經(jīng)濟、司法、安保領(lǐng)域得到了廣泛的應(yīng)用川。在多數(shù)實際的應(yīng)用場合下，數(shù)據(jù)庫只能采集到單幅人臉圖像作為訓(xùn)練樣本，如身份證、護照、駕駛證等數(shù)據(jù)庫[2]。在這種單樣本的情況下，一些具有代表性的傳統(tǒng)人臉識別算法就很難取得理想的效果。目前，單樣本人臉識別的研究主要集中在提取不變特征、樣本擴張、特征子空間擴展、圖像增強和三維識別等方面[3]。

中心對稱局部二值模式（Center symmetric localbinary pattern，CS-LBP）是一種對LBP改進的有效局部紋理描述算子，CS-LBP的特征維數(shù)少于LBP，節(jié)省特征提取與匹配時間。文獻(xiàn)[4]中，Ngoc-Son Vu等人提出了基于圖像梯度的主方向模式（Patterns of DominantOrientations， PDO）特征提取算法，也取得了不錯的識別效果。文獻(xiàn)[5]提出一種基于Gabor的二元模式方法（Local gabor binary patterns，LGBP），雖然LGBP的識別率與魯棒性比LBP大為增強，但得到40幅不同的Gabor特征，其時間和空間的復(fù)雜度是驚人的I6）。單演信號作為一維信號在二維空間的拓展，能夠有效地將圖像正交分解為幅值，相位和方向信息[7]。單演濾波所需要的時間和空間復(fù)雜度遠(yuǎn)遠(yuǎn)小于Gabor濾波[8]。文獻(xiàn)[9]將單演和局部二值模式（Monogenicbinary patterns，MBP）用于人臉識別，取得了很好的實驗效果。但只是在像素層次對單演幅值進行編碼，缺乏對區(qū)域變化信息的把握能力，且沒利用到單演方向信息。為了能充分利用單演幅值和單演方向信息，且在文獻(xiàn)[9]的啟發(fā)下，提出了一種基于單演主方向中心對稱局部二值模式 （Monogenic dominant orientations cente r-symmetriclocalbinary pattern，MDOCSBP）的單樣本人臉識別方法。首先利用人臉圖像的單演局部幅值和局部方向來獲取主方向模式圖，然后采用CS- LBP對主方向圖進行編碼得到MDOCSBP特征，最后分塊統(tǒng)計MDOCSBP特征直方圖并運用直方圖相交進行分類識別。

1 單演信號

單演信號是一維解析信號的二維擴展，以一種旋轉(zhuǎn)不變的方式來描述圖像的局部幅度、局部方向和局部相位信息。單演信號是建立在Riesz變換的基礎(chǔ)上的，Riesz變換是Hilbert變換的二維擴展。

若定義圖像坐標(biāo)z=G，y），Riesz核可表示為：

2 主方向的求取

2011年Ngoc-Son Vu等人提出了基于圖像梯度的PDO特征提取算法。文獻(xiàn)[9]中，主方向的計算是在圖像的梯度圖上完成的，是指細(xì)胞單元（cell）內(nèi)像素的梯度方向累積變化最多的方向，即該cell的主方向。受其啟發(fā)，本文對單演特征中的局部幅度和局部方向信息進行與之相似的處理。針對Cell內(nèi)每個像素，以該像素處的單演幅值為權(quán)值，為該像素單演方向所在的直方

3 中心對稱局部二值模式

4 人臉的MDOCSBP特征

5 人臉特征匹配

6 實驗結(jié)果與分析

為驗證MDOCSBP算法的有效性，實驗在均已被剪裁好的AR人臉庫、Extend Yale B人臉庫上進行測試。

AR人臉庫實驗統(tǒng)一選取人臉庫中每個人的第一幅圖像作為訓(xùn)練樣本，測試集由4個子集組成，分別為表情變化集、光照變化集、遮擋集A和遮擋集B。ExtendYale B人臉庫實驗分別從不同光照隋況下各子集隨機選取3幅人臉作為測試集，識別率為測試20次的平均值。AR、Extend Yale B人臉庫部分圖像如圖4、圖5所示。

6.1 不同參數(shù)對識別率的影響

6.1.1通道數(shù)dr對識別率的影響

為了找到MDOCSBP算法最佳通道數(shù)，在AR人臉庫上，固定分塊數(shù)為11 ×11； Extend Yale B上固定分塊數(shù)為15×15；

由圖6和圖7可知，AR人臉庫光照子集在dr取6時有最佳識別：表情子集在dr取7時有最佳識別率；遮擋集A和遮擋集B均在r取5時有最佳識別率；Extend Yale B各子集人臉庫在通道數(shù)dr在9左右都取得了不錯的識別效率。通道數(shù)dr在4、5、6B寸，由于通道數(shù)過少，尋找的單演主方向過于粗糙，導(dǎo)致不同人臉庫的識別率都變化較大。

6.1.2 不同分塊數(shù)對識別率的影響

為了找到MDOCSBP算法最佳分塊數(shù)，在AR人臉庫上，固定通道數(shù)為6；Extend Yale B上固定通道數(shù)為9；

由圖7和圖8可知，AR人臉庫的最佳分塊數(shù)在13 ×13左右，Extend YaleB人臉庫的最佳分塊數(shù)為isxis：合理的分塊方式能有效的提取圖像的局部紋理特征，過少的分塊數(shù)不能很好的體現(xiàn)人臉的局部紋理細(xì)節(jié)，而過多的分塊數(shù)又會產(chǎn)生特征冗余而降低識效果，同時也會使特征維數(shù)增加，計算花費時間也越長。endprint

6.2 不同算法識別性能比較

為了驗證MDOCSBP算法的有效性，分別與文獻(xiàn)提出的CS- LBP算法、MBP算法、PDO算法、LGBP算法進行對比實驗。MDOCSBP算法在AR人臉庫上分塊數(shù)取13 ×13，通道數(shù)dr分別取各子集的最優(yōu)值；在Extend Yale B人臉庫上分塊數(shù)取15×15，各子集的通道數(shù)dr取9。不同算法在AR人臉庫、Extend Yale B人臉庫上的識別率如表1、表2所示。

從表1，表2可以看出，MBP算法、PDO算法、LGBP算法、MDOCSBP算法在AR人臉庫上都取得不錯的識別效果，但在遮擋子集上，算法MDOCSBP和MBP算法表現(xiàn)的更為突出。在復(fù)雜光照條件下的ExtendYale B人臉庫結(jié)果顯示，各算法在光照條件良好的子集1、子集2、子集3都表現(xiàn)出較高的識別效果，但在光照變化較大的子集4和子集5，算法CS LBP、MBP、LGBP都受到劇烈影響，PDO算法識別率也有一定幅度的下降，而MDOCSBP算法表現(xiàn)優(yōu)異。CS- LBP算法直接對圖像像素進行編碼，提取特征比較單一：MBP對圖像進行單演濾波來獲得不同尺度下的多種局部模式圖在AR人臉庫取得了較好的識別效果，但對光照變化較大的圖像便顯得乏力。PDO算法是對圖像的梯度信息求取主方向進行特征提取，對光照變化有一定的魯棒性。LGBP算法提取的是Gabor變換后5個尺度8個方向的特征，在AR人臉庫上取得了較好的識別效果，但特征維數(shù)及計算時間較大。算法MDOCSBP利用單演局部幅值和局部方向提取的主方向，能充分挖掘方向信息，識別效果好，對光照魯棒性強。

6.3 特征維數(shù)與時間分析

為對比各算法的復(fù)雜度，以AR人臉庫每人第一幅圖像作訓(xùn)練樣本，光照集作測試集，所有方法的分塊數(shù)均為8x8，測試各算法完成對一張人臉圖像進行識別需要特征提取與匹配時間。

由表3可以看出，在相同分塊數(shù)的情況下，MDOCSBP算法無論特征維數(shù)還是各階段的所需時間都小于MBP和LGBP算法，尤其是LGBP算法由于提取的特征過于冗長，導(dǎo)致特征提取及匹配時間不如人意；與PDO算法相比，MDOCSBP算法由于特征長度較小，在匹配階段也有一定優(yōu)勢。由以上分析可知，MDOCSBP算法相比對比算法具有較小時間和空間復(fù)雜度。

7 結(jié)論

在單演濾波的基礎(chǔ)上提出了基于單演主方向中心對稱局部二值模式的單樣本人臉識別的方法， MDOCSBP算法充分利用人臉圖像單演局部幅值與局部方向信息，采用CS- LBP算子進行編碼，最終通過分塊直方圖進行識別。在AR、Extend Yale B人臉庫各子集都有較高識別，且對光照有不錯的魯棒性，證明了MDOCSBP算法的有效性。

參考文獻(xiàn)：

[1]李康順，李凱，張文生一種基于改進BP神經(jīng)網(wǎng)絡(luò)的PCA人臉識別算法[J]計算機應(yīng)用與軟件，2014.（01）：158-161

[2]楊恢先，翟云龍，蔡勇勇，等基于中心對稱梯度幅值相位模式的單樣本人臉識別[J]光電子 激光，2015（05）：969-977

[3]高濤，馬祥，白磷采用自適應(yīng)加權(quán)擴展LBP的單樣本人臉識別[J]光電子 激光，2012（04）：782 -790

[4lVu N s，Caplier A Mining patterns of orientations and magnitudes for face recognition[C]. InProc. Int. Joint Conf. Biometrics （IJCB）， 201P1-8

[5]Wenchao Zhang.Shiguang Shan.Xdin Chen.Wen Gao. Local Gabor Binary Patterns Basedon Mutual Information for Face Recognition.[J].lnt. J Image Graphics.2007.7

[6]于明，胡全勝，閻剛，等基于」GBP特征和稀疏表示的人臉表情識別[J]計算機工程與設(shè)計，201305（05）：1787-1791

[7] M. Felsberg，G. Sommer， "The monogenic signal，" in IEEE Transactions on Signal Processing，2001 （10）：3136-3144，

[8]閆海停，王玲，李昆明，等.融合MBP和EPMOD的人臉識別[J].中國圖象圖形學(xué)報，2014，01：85-91.

[9]M.Yang， L.Zhang， S. C. K. Shiu，etc. Monogenic Binary Coding： An Efficient Local Feature Extraction Approach to Face Recognition[J]，IEEE Transactions on Information Forensics and Security， 2012（10）：1738-1751.endprint