付 波 徐 超 趙熙臨 鄭 璇

(湖北工業(yè)大學(xué)太陽能高校利用及儲(chǔ)能運(yùn)行控制湖北省重點(diǎn)實(shí)驗(yàn)室 湖北 武漢 430068)

0 引 言

隨著技術(shù)發(fā)展，人臉識(shí)別已成為當(dāng)前計(jì)算機(jī)技術(shù)領(lǐng)域的一個(gè)研究熱點(diǎn)[1]，并逐漸融入社會(huì)生活，目前已經(jīng)廣泛應(yīng)用到安全監(jiān)測、目標(biāo)跟蹤等方面。該技術(shù)通過提取人的臉部特征點(diǎn)，利用統(tǒng)計(jì)學(xué)原理獲得特征表達(dá)，建立人臉特征模板與被測者的人臉進(jìn)行特征匹配，從而確定被測者的身份信息。

對(duì)于人臉部特征的提取，當(dāng)前較成熟的技術(shù)是LBP算法。LBP算法最早由 Ojala等[2-3]在1994年提出，通過比較3×3模板中心像素與其鄰域像素的大小，得到鄰域像素的二進(jìn)制代碼，從而得到LBP特征，該算法原理簡單、計(jì)算量小，但容易缺失局部紋理細(xì)節(jié)。趙建民等[4]在局部二值模式的紋理提取基礎(chǔ)上,引進(jìn)一種新型局部三值模式(LTP)紋理特征提取方法,此方法對(duì)光照變化和噪聲更加魯棒,但其編碼存在不確定性，在其灰度范圍內(nèi)不具有嚴(yán)格的單調(diào)不變性。王憲等[5]提出了基于分塊的完備局部二值模式 (CLBP)人臉識(shí)別算法，該算法對(duì)原始人臉圖像進(jìn)行分塊處理，對(duì)每一分塊的圖像進(jìn)行局部差異值和中心像素灰度值分析，加強(qiáng)了中心像素與鄰域像素的聯(lián)系，但計(jì)算復(fù)雜、耗時(shí)長。

本文提出的最值平均LBP算法，取3×3模板九個(gè)像素值的方差，若方差在限定范圍內(nèi)，將中心像素周圍八個(gè)像素的最大值與最小值的平均值作為閾值進(jìn)行比較，否則取九個(gè)像素的中值作為閾值進(jìn)行比較，避免了LBP出現(xiàn)部分因中心像素值偏大或偏小以致湮沒細(xì)節(jié)的現(xiàn)象，保留更多局部細(xì)節(jié)。然后運(yùn)用PCA對(duì)特征矩陣維數(shù)進(jìn)行降維，提取有效信息，利用K近鄰分類算法對(duì)不同人臉進(jìn)行識(shí)別分類，實(shí)驗(yàn)結(jié)果證明了該算法的有效性。

1 局部二值模式

如圖1所示，局部二值模式將圖像中某像素點(diǎn)灰度值與其鄰域像素點(diǎn)灰度值逐一比較。

圖1中灰色區(qū)域?yàn)殚撝担?Δ為起始點(diǎn)，→為方向。圖1(a)是某像素點(diǎn)3×3移動(dòng)模板,將中心像素灰度值設(shè)定為閾值，若鄰域8個(gè)像素值大于等于閾值，將該鄰域像素值設(shè)置為1，反之為0。設(shè)置起始點(diǎn)后，可得一個(gè)8位二進(jìn)制數(shù)，如圖1(b)所示。從起始點(diǎn)按(順時(shí)針方向)設(shè)置后各像素權(quán)重，如圖1(c)所示，將中心像素點(diǎn)周圍的11110001二進(jìn)制數(shù)轉(zhuǎn)化為十進(jìn)制數(shù)，即是該中心像素點(diǎn)的LBP值(LBP=1+16+32+64+128=241)，如圖1(d)所示。其公式為：

(1)

式中：s是標(biāo)記中心像素周圍八個(gè)近鄰像素點(diǎn)，Ps代表其像素值，Pj代表中心像素點(diǎn)的像素值，LBPpj表示LBP碼，t(r)是符號(hào)函數(shù)。提取人臉的LBP特征圖像如圖2所示，其中圖2(a)為原始人臉灰度圖像，圖2(b)為LBP特征圖像。

(a) 原始灰度圖 (b) LBP特征圖圖2 特征提取

為了提取更多有效的特征信息，將人臉圖像進(jìn)行均等分塊，并將每個(gè)分塊的LBP特征進(jìn)行直方圖統(tǒng)計(jì)[6]，然后串連成特征向量，得到直方圖矢量，本文使用3×3分塊模式，如圖3所示。

LBP算法原理簡單，計(jì)算量較小，并且在各像素相對(duì)位置不發(fā)生變化的情況下，LBP值對(duì)于像素值單調(diào)變化具有不變性，有利于特征紋理描述。

2 最值平均法

為了了解細(xì)節(jié)特征，利用方差[7]測試了3×3模板像素值的波動(dòng)范圍。當(dāng)波動(dòng)較小時(shí)，特征較平緩，容易出現(xiàn)中心像素偏大或偏??；當(dāng)波動(dòng)較大時(shí)，特征變化加大，容易形成噪聲。為此提出了最值平均法。最值平均法取3×3模板九個(gè)像素的方差，若方差在限定范圍內(nèi)，將中心像素周圍八個(gè)像素的最大值與最小值的平均值作為閾值進(jìn)行比較，避免因中心像素值偏大或偏小以致湮沒細(xì)節(jié)的現(xiàn)象，否則取九個(gè)像素的中值[8]作為閾值，與周圍八個(gè)像素值進(jìn)行比較，減少噪聲的影響，重新計(jì)算LBP碼，以更新中心像素值。

該算法流程如下：

1) 針對(duì)某像素構(gòu)造3×3模板，計(jì)算模板中九個(gè)像素的方差V，其公式為：

(2)

式中：M為九個(gè)像素的平均值，Pj為模板九個(gè)像素值；

2) 設(shè)定閾值a，判斷V是否小于閾值a；

3) 若步驟2返回為真，取中心像素鄰域8像素的最大值Ymax，最小值Ymin，將Ma=(Ymax+Ymin)/2設(shè)為3×3模板的閾值；

4) 若步驟2返回為假，將九個(gè)像素的中值作為閾值Ma；

5) 將模板中的8鄰域像素值與Ma比較得到二進(jìn)制圖像；

6) 將該二進(jìn)制圖像轉(zhuǎn)化為LBP碼，得到新的LBP特征圖。(步驟5、步驟6)的計(jì)算與式(1)的計(jì)算相同)

對(duì)圖2(a)采用最值平均法計(jì)算LBP特征如圖4所示。

圖4 最值平均法特征圖

與圖2(b)對(duì)比可見，圖4的紋理特征較圖2(b)更清晰，保留了更多的圖像局部的細(xì)節(jié)特征，提高了紋理特征的提取效果，有利于實(shí)現(xiàn)對(duì)微小紋理特征的識(shí)別。

3 最值平均的人臉識(shí)別算法

3.1 算法流程圖

基于將PCA與K近鄰相結(jié)合，本文提出了基于最值平均的人臉識(shí)別LBP算法，其算法流程如圖5所示。

圖5 流程圖

3.2 特征提取

本文的特征提取算法是將LBP進(jìn)行改進(jìn)的最值平均算法，其算法編程如下所示：

for i=2:m-1

//排列3×3模板像素

for j=2:n-1

k=1;

p=i-1;

for q=j-1:j+1

y(k)=img(p,q);

k=k+1;

end

p=i;

y(k)=img(p,j+1);

k=k+1;

p=i+1;

for q=j-1:j+1

y(k)=img(p,q);

k=k+1;

end

d=y(k-1);

y(k-1)=y(k-3);

y(k-3)=d;

p=i;

for q=j-1:j

y(k)=img(p,q);

k=k+1;

end

y1=y(1:8);

W=var(y);

//計(jì)算方差

if W

//比較方差與閾值的大小

a=max(y1(:));

//計(jì)算中心像素周圍8

//像素的最大值與最小值

b=min(y1(:));

c=(a+b)/2;

//計(jì)算最值平均

else

c=median(y);

//計(jì)算3×3模板的中值

end

s=0;

for r=1:8;

if y(r)>c

//將模板中的8鄰域像素值與

//閾值比較得到二進(jìn)制圖像

s= s+2^(r-1);

//計(jì)算LBP碼，得到新的LBP特征圖

else

s=s;

end

end

imgn(i,j)=s;

//提取特征圖

end

end

3.3 主成分分析

主成分分析是降低高維數(shù)據(jù)并提取有效信息的分析算法，它是在誤差最小的條件下獲得數(shù)據(jù)降維的最佳方式[9]，且不受模式分布的影響，它能簡化LBP直方圖特征的計(jì)算量以及存儲(chǔ)空間問題。LBP算法等都是提取圖像的特征向量，然后串聯(lián)成一個(gè)特征向量矩陣。在分析的時(shí)候，因?yàn)榫仃嚲S數(shù)偏大，對(duì)于識(shí)別效果有一定的影響，所以需要對(duì)向量矩陣進(jìn)行降維處理。PCA首先對(duì)樣本圖像進(jìn)行歸一化處理，然后求出歸一化后的協(xié)方差矩陣，計(jì)算出特征值與特征向量，并根據(jù)特征值對(duì)特征向量依次進(jìn)行排序，然后選擇輸出維度。

3.4 K近鄰

K近鄰[10]是基于統(tǒng)計(jì)學(xué)的分類算法。它是由最近鄰的基礎(chǔ)發(fā)展而來，是分類算法中比較容易理解的算法之一。與其他分類識(shí)別方法相比，該方法預(yù)先建立分類器，不需要估計(jì)參數(shù)，從而極大地降低了計(jì)算的復(fù)雜程度，并且分類精度較高。其基本原理是計(jì)算測試樣本與每個(gè)訓(xùn)練樣本之間的距離，然后挑選其中最近的K個(gè)訓(xùn)練樣本的編號(hào)，通過這K個(gè)編號(hào)對(duì)測試樣本進(jìn)行預(yù)測，得到測試樣本的編號(hào)，以此推算出識(shí)別率。

4 實(shí)驗(yàn)分析

本次實(shí)驗(yàn)操作平臺(tái)由i3-4030U,(GPU)Intel(R) HD Graphics Family，Windows10操作系統(tǒng)(64位)構(gòu)成，仿真軟件是MATLAB 2013。用到ORL數(shù)據(jù)庫的400張人臉圖以及CMU_PIE數(shù)據(jù)庫的1 632張人臉圖，人臉圖分別設(shè)置為92×112以及64×64的灰度圖像。ORL數(shù)據(jù)庫由40個(gè)人，在10幅不同的光照、不同角度擺拍情況下的圖片組成；CMU_PIE數(shù)據(jù)庫由68個(gè)人，在24幅不同的光照、不同角度擺拍情況下的圖片組成。從ORL數(shù)據(jù)庫中選用每人的8幅圖片作訓(xùn)練樣本，CMU_PIE數(shù)據(jù)庫中選20幅作訓(xùn)練樣本，其余圖像分別作測試樣本。PCA算法經(jīng)過本樣本空間實(shí)驗(yàn)證明，降到30維效果最佳，維數(shù)過高會(huì)增加特征的稀疏空間，過低會(huì)影響特征的細(xì)節(jié)提取，偏大偏小都會(huì)影響識(shí)別效果。K近鄰算法的K值設(shè)定為5，K的值偏小，會(huì)減小近似誤差，但是預(yù)測的結(jié)果會(huì)對(duì)近鄰的實(shí)例點(diǎn)非常敏感，容易擬合成噪聲點(diǎn)，出現(xiàn)偏差，K的值偏大會(huì)增加近似誤差，會(huì)對(duì)輸入實(shí)例較遠(yuǎn)的訓(xùn)練實(shí)例起到比較作用，使預(yù)測發(fā)生錯(cuò)誤。

為了分析最值平均算法的識(shí)別效果，本實(shí)驗(yàn)用不同的數(shù)據(jù)庫測試了不同的特征提取算法的識(shí)別效果，將它們的實(shí)驗(yàn)結(jié)果進(jìn)行了對(duì)比，如圖6、表1所示。

圖6 兩個(gè)數(shù)據(jù)庫分類識(shí)別對(duì)比分析

表1 實(shí)驗(yàn)結(jié)果數(shù)據(jù)分析

由圖6與表1可知，在ORL數(shù)據(jù)庫中經(jīng)典LBP方法和CLBP的識(shí)別率為92.5%，LTP為90%，而本文方法可以達(dá)到97.5%；在CMU_PIE數(shù)據(jù)庫中，經(jīng)典LBP的識(shí)別率為82.35%，LTP只有77.94%，CLBP有85.29%，本文方法的識(shí)別率依然有88.24%。不管在ORL數(shù)據(jù)庫，還是在CMU_PIE數(shù)據(jù)庫中，本文方法都有最好的識(shí)別效果，由此可見，基于最值平均的改進(jìn)LBP算法有助于提高人臉的識(shí)別率，有很好的使用價(jià)值。

為了對(duì)比不同方法的計(jì)算速度，分別計(jì)算了四種方法提取一幅人臉圖片的時(shí)間，如表2所示。

表2 計(jì)算時(shí)間對(duì)比表

從表2中可以看出，除了經(jīng)典LBP算法特征提取時(shí)間小于0.1 s，其余三種算法都在0.1 s之上，而本文算法優(yōu)于其他兩種算法。由此可見，本文算法不僅有很好的識(shí)別率，同時(shí)運(yùn)算速度比較高效。

5 結(jié) 語

為了提高人臉識(shí)別的識(shí)別效果，本文提出了基于最值平均的改進(jìn)LBP算法。首先利用最值平均法將人臉圖片的局部紋理特征提取出來，通過直方圖統(tǒng)計(jì)，形成特征向量矩陣；然后利用PCA對(duì)其進(jìn)行降維，提取主要信息；最后利用KNN對(duì)降維后的特征矩陣進(jìn)行分類，計(jì)算出識(shí)別率。實(shí)驗(yàn)表明，在本文樣本空間內(nèi)，本文算法對(duì)人臉的識(shí)別效果是最好的，運(yùn)算時(shí)間較少，具有較高的使用價(jià)值。