張雪琴 林克正 李驁

摘 要：針對(duì)人臉圖像在復(fù)雜光照環(huán)境下提取的特征不夠豐富，導(dǎo)致識(shí)別率低的問(wèn)題，提出一種稀疏表示的局部模式特征提取與識(shí)別算法。首先將圖像進(jìn)行分塊，依次對(duì)每個(gè)子區(qū)域的像素進(jìn)行閾值化處理，并將其與中心像素值比較的結(jié)果編碼到中心對(duì)稱(chēng)局部二值模式算法中來(lái)實(shí)現(xiàn)特征提取;然后在此基礎(chǔ)上采用中心對(duì)稱(chēng)局部方向模式算法提取二階特征，得到最終的紋理特征;最后結(jié)合稀疏表示分類(lèi)器對(duì)提取的特征進(jìn)行分類(lèi)識(shí)別。在Extended Yale B、CMU_PIE、AR數(shù)據(jù)集上的仿真實(shí)驗(yàn)驗(yàn)證了所提方法的有效性。

關(guān)鍵詞：中心對(duì)稱(chēng)局部二值模式;中心對(duì)稱(chēng)局部方向模式;特征提取;稀疏表示

DOI：10.15938/j.jhust.2021.04.014

中圖分類(lèi)號(hào)：TP391.4

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1007-2683（2021）04-0102-07

Abstract：In order to solve the problem that the face image is not rich in features extracted under complex lighting environments， which leads to a low recognition rate， a local pattern feature extraction and recognition algorithm based on sparse representation is proposed. Firstly， the image is divided into several sub-images and the Dynamic Threshold Central-symmetric Local Binary Pattern（DTCLBP） algorithm is used to extract features by thresholding the pixels of each sub-block and encoding the results of comparison with the central pixel values into the Central Symmetric Local Binary Pattern（CSLBP）; and then second-order features are extracted from the processed image by the former step using the Central Symmetric Local Derivative Pattern（CSLDP）; finally， the sparse representation classification algorithm is used to classify and identify the extracted features. The simulation experiments on Extended Yale B， CMU_PIE and AR face databases validate the effectiveness of the DTCLBP-CSLDP-SRC.

Keywords：central symmetric local binary pattern; central symmetric local derivative pattern; feature extraction; sparse representation

0 引 言

近年來(lái)基于人臉的局部特征提取方法逐漸成為模式識(shí)別領(lǐng)域的研究熱點(diǎn)。局部表示方法由于刻畫(huà)了局部更細(xì)節(jié)的紋理信息，對(duì)光照變化往往表現(xiàn)得更為魯棒，所以尋找一種高效、有鑒別能力的人臉局部特征描述算子是光照變化下人臉識(shí)別的一個(gè)關(guān)鍵挑戰(zhàn)。Ojala等[1]提出的局部二值模式（local binary pattern， LBP）是一種能有效提取圖像局部紋理特征的描述算子，它對(duì)灰度圖像中局部鄰近區(qū)域的紋理信息進(jìn)行提取，方法簡(jiǎn)單有效，具有良好的灰度不變性，因此在人臉識(shí)別[2-5]中得到了廣泛的應(yīng)用。然而，LBP容易受噪聲的影響，抗噪聲能力弱，而且其對(duì)光照十分敏感，光照變化問(wèn)題只能得到緩解，不能完全解決，因此研究出一種人臉局部特征描述方法，局部方向模式[6]（local derivative pattern， LDP），它通過(guò)比較各像素在不同方向的相對(duì)邊緣響應(yīng)值來(lái)生成LDP編碼值，克服了LBP的缺點(diǎn)，這在光照條件下以及有噪聲的情況下具有一定的魯棒性。

LBP和LDP算法提取的特征過(guò)于詳細(xì)且具有高維性，導(dǎo)致計(jì)算的復(fù)雜度高。因此出于簡(jiǎn)化和減少運(yùn)算的目的，Heikkila等[7]提出了中心對(duì)稱(chēng)局部二進(jìn)制模式算法（central symmetric local binary pattern， CSLBP），該算法維數(shù)低，抗噪能力強(qiáng)，并成功應(yīng)用于人臉識(shí)別上[8-13]，對(duì)人臉光照、表情和部分遮擋條件具有一定的魯棒性。

但是CSLBP算法還存在缺陷，它僅僅針對(duì)鄰域像素進(jìn)行計(jì)算，而忽略了中心像素點(diǎn)的作用，丟失了中心點(diǎn)的特征信息。在提取紋理特征時(shí)閾值不能自動(dòng)選擇，而且CSLBP僅提取一階特征，不能提取多階特征來(lái)表達(dá)人臉變化的細(xì)節(jié)信息，對(duì)于光照效果較差的人臉圖像，仍然不能達(dá)到滿(mǎn)意的識(shí)別效果。針對(duì)以上問(wèn)題，本文提出了一種提取光照條件下人臉圖像魯棒深度特征的有效方法。首先提出了一種動(dòng)態(tài)閾值的中心對(duì)稱(chēng)局部二值模式算法（dynamic threshold central-symmetric local binary pattern， DTCLBP），該算法是通過(guò)對(duì)每一子塊中的像素閾值化處理，并將其與中心像素灰度值比較的結(jié)果編碼到CSLBP算法中來(lái)進(jìn)行特征提取;其次，使用中心對(duì)稱(chēng)局部二階微分模式[14]（central symmetric local derivative pattern， CSLDP）算法二次提取更細(xì)微的局部特征，最后結(jié)合稀疏表達(dá)分類(lèi)（sparse representation classification， SRC）[15]算法對(duì)提取的特征進(jìn)行分類(lèi)和識(shí)別，得到DTCLBP-CSLDP-SRC模型。

1 相關(guān)基本理論

1.1 CSLBP算法

CSLBP算法的主要思想：比較中心對(duì)稱(chēng)方向像素對(duì)的灰度值，當(dāng)像素對(duì)差值大于等于0時(shí)，二進(jìn)制編碼為1，當(dāng)差值小于0時(shí)二進(jìn)制編碼為0，并將二進(jìn)制值轉(zhuǎn)換為十進(jìn)制的CSLBP值。CSLBP僅產(chǎn)生N/2個(gè)二進(jìn)制模式，當(dāng)使用直方圖來(lái)描述局部紋理特征時(shí)，CSLBP的直方圖維數(shù)為2P/2，低于LBP的直方圖維數(shù)2P，極大地縮短了有限元長(zhǎng)度，提取的特征維度低。這種算子可以表達(dá)圖像局部紋理的空間結(jié)構(gòu)，對(duì)光照變化具有一定的魯棒性，且計(jì)算復(fù)雜度低。

CSLBP算法的編碼規(guī)則定義如下：

式中：Gi和Gi+（N/2）是半徑為R的圓上N個(gè)等間距像素的中心對(duì)稱(chēng)像素對(duì)的灰度值。

8鄰域像素下的CSLBP算子的計(jì)算實(shí)例如下：

1.2 CSLDP算法

CSLDP是灰度范圍內(nèi)特征提取的紋理描述方法，它特征長(zhǎng)度短，計(jì)算速度快，提取出的特征能充分的表示人臉。在極端光照條件下，它比CSLBP算子能提取更詳細(xì)的局部信息，具有很強(qiáng)的魯棒性。

CSLDP算法進(jìn)行特征提取的具體原理是：在中心像素GC周?chē)植?個(gè)鄰域，如果G0位于水平方向，像素將沿著從G0對(duì)稱(chēng)的方向與GC進(jìn)行比較。如果乘積大于0，則結(jié)果為1，否則為0。然后可以得到一個(gè)四位二進(jìn)制數(shù)，最后將它轉(zhuǎn)換成十進(jìn)制的代碼值。

CSLDP算法的編碼規(guī)則定義如下：

式中：R是半徑;N是周?chē)徲蛳袼財(cái)?shù)量;Gi和Gi+（N/2）是中心對(duì)稱(chēng)像素對(duì)的灰度值。

8鄰域像素下的CSLDP算子的計(jì)算實(shí)例如下：

2 DTCLBP-CSLDP-SRC模型

2.1 DTCLBP算法

1.1節(jié)所提到的CSLBP算法只考慮了中心對(duì)稱(chēng)像素之間的關(guān)系，卻忽略了中心像素上的信息。在圖像識(shí)別中往往中心像素點(diǎn)要比鄰域點(diǎn)能提供更重要的信息，因此提出一種動(dòng)態(tài)閾值的中心對(duì)稱(chēng)局部二值模式算法（DTCLBP），目的是在CSLBP算法基礎(chǔ)上把中心像素的灰度值GC其相鄰的像素梯度信息融合在一起。具體方法是引入了一個(gè)動(dòng)態(tài)閾值Gt，Gt反映的是每一子塊中N個(gè)等間距像素與中心像素的平均值，Gt是根據(jù)N的改變而變化的，而且圖像的每個(gè)子區(qū)域都有其對(duì)應(yīng)的動(dòng)態(tài)閾值。然后將中心點(diǎn)的像素值與Gt比較，當(dāng)值大于等于0時(shí)，二進(jìn)制編碼為1，當(dāng)差值小于0時(shí)，二進(jìn)制編碼為0。最后將其結(jié)果編碼到CSLBP算法的左側(cè)，便可得到DTCLBP編碼。

DTCLBP算法的編碼規(guī)則定義如下：

式（5）中：GC為中心像素的灰度值;Gi和Gi+（N/2）是中心對(duì)稱(chēng)像素對(duì)的灰度值;Gt=∑N-1i=0Gi+GCN+1 ;t（x）是用于確定局部模式轉(zhuǎn)換的類(lèi)型。

DTCLBP算法的特征直方圖計(jì)算定義如下：

以8鄰域像素為例，DTCLBP算法具體的特征提取過(guò)程如圖1所示。

DTCLBP算法所提取的局部紋理特征與LBP算法相比，特征維度低。以8鄰域像素為例，其產(chǎn)生25=32個(gè)二進(jìn)制模式，而LBP產(chǎn)生28=256個(gè)。與CSLBP算法相比它的特征維度是高的，但僅比其多一倍，有5位二進(jìn)制序列，特征維度相對(duì)還是較低的，最重要的是它把中心像素的值融入到了整個(gè)編碼中，這使得提取的特征信息更加豐富。

2.2 稀疏表示模型

通過(guò)式（10）求出最稀疏解后將測(cè)試樣本與每一類(lèi)的重構(gòu)樣本進(jìn)行比較，最后將其歸到誤差最小的那一類(lèi)樣本中。其中每一類(lèi)的重構(gòu)誤差值計(jì)算如下：

測(cè)試樣本所屬的類(lèi)別計(jì)算如下：

2.3 算法步驟

根據(jù)前面的推導(dǎo)和分析，闡述所提出算法的具體操作步驟。

步驟1 分別將Extended Yale B、CMU_PIE、AR這3個(gè)數(shù)據(jù)庫(kù)中的圖像分為訓(xùn)練集和測(cè)試集。

步驟2 將訓(xùn)練集與測(cè)試集的每張圖像都進(jìn)行分塊處理，分為n塊，然后根據(jù)式（5）用DTCLBP算法提取每個(gè)子塊的紋理特征，用直方圖的形式表示為：

步驟3 同步驟2，根據(jù)式（3）用CSLDP算法在步驟2形成的特征圖像基礎(chǔ)上進(jìn)行二階特征提取，得到訓(xùn)練集矩陣D′，測(cè)試集矩陣y′。

步驟4 歸一化訓(xùn)練集矩陣D′的每一列，測(cè)試樣本表示為y′=D′x，然后根據(jù)式（10）求解稀疏系數(shù)。

步驟5 根據(jù)式（11）計(jì)算殘差ri（y′），最后根據(jù)式（12）計(jì)算出測(cè)試樣本的所屬類(lèi)別，輸出每個(gè)測(cè)試樣本的所屬類(lèi)別。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)環(huán)境及數(shù)據(jù)集

實(shí)驗(yàn)的環(huán)境為：Windows 7（64位），Matlab R2016a，RAM 8.00G。

為了驗(yàn)證提出方法的有效性，選擇在3個(gè)人臉庫(kù)Extended Yale B、AR、CMU_PIE上進(jìn)行實(shí)驗(yàn)。

Extended Yale B包含了來(lái)自38個(gè)人的2432張正面人臉圖像，每個(gè)人有64張是在不同照明條件下拍攝的，實(shí)驗(yàn)根據(jù)光源入射角度的不同，把其分為5個(gè)子集：子集1（0°～12°，每個(gè)人7張圖像），子集2（13°～25°，每個(gè)人12張圖像），子集3（26°～50°，每個(gè)人12張圖像），子集4（51°～77°，每個(gè)人14張圖像），子集5（大于78°，每個(gè)人19張圖像）。每張圖像的大小為192×168像素，5個(gè)子集的圖像樣圖如圖2所示。

CMU_PIE數(shù)據(jù)庫(kù)包含68個(gè)人的41268張多姿態(tài)、光照的面部圖像，其中在某一姿態(tài)下每人有43種光照條件下拍攝的圖像，大小為64×64像素，部分樣圖如圖3所示。

AR數(shù)據(jù)庫(kù)包含126個(gè)人的4000多張人臉圖像，每張圖像的大小為165×120像素，其中每個(gè)人參與兩個(gè)階段采集圖片，每個(gè)階段有13張圖片。在這13張圖片中，3張是戴墨鏡的，3張是戴圍巾的，剩下的7張包括不同的夸張面部表情、不同的光照變化，部分樣圖如圖4所示。

3.2 評(píng)價(jià)指標(biāo)

本文采用準(zhǔn)確率（Accuracy） 方法來(lái)評(píng)判所提方法的優(yōu)劣程度。

準(zhǔn)確率表示的是被正確分類(lèi)的樣本數(shù)占總體樣本的比重，公式如下：

Accuracy=TP+TNP+N

式中：TP表示被正確劃分為正例的個(gè)數(shù)，TN表示被正確地劃分為負(fù)例的個(gè)數(shù)，P+N表示總的測(cè)試樣本數(shù)。

3.3 分塊數(shù)對(duì)識(shí)別率的影響

在實(shí)驗(yàn)中，分塊數(shù)與所提算法的識(shí)別效果有著密切的關(guān)系，如果分割的子塊數(shù)太少，提取的特征信息不能很好地體現(xiàn)人臉局部細(xì)節(jié)。如果子塊數(shù)過(guò)多則會(huì)使特征維數(shù)增加而降低識(shí)別效果。

在Extended Yale B、CMU_PIE、AR數(shù)據(jù)庫(kù)中，將圖像分割成k×k（k=2，4，6，8，10）塊，分別實(shí)驗(yàn)10次，結(jié)果取平均識(shí)別率，如圖5所示。從實(shí)驗(yàn)結(jié)果可以看出，在Extended Yale B數(shù)據(jù)集中，分塊數(shù)在10×10附近表現(xiàn)出高的識(shí)別率;在CMU_PIE數(shù)據(jù)集中，識(shí)別率在分塊數(shù)為4×4時(shí)達(dá)到最大值，隨后開(kāi)始呈下降趨勢(shì);在AR數(shù)據(jù)集中，識(shí)別率在分塊數(shù)為9×9附近取得最大值。

3.4 結(jié)果與分析

Extended Yale B數(shù)據(jù)庫(kù)中，設(shè)計(jì)了2個(gè)實(shí)驗(yàn)來(lái)驗(yàn)證所提方法在復(fù)雜光照條件下的有效性。在第一個(gè)實(shí)驗(yàn)中，隨機(jī)選擇每個(gè)子集中的一張圖像形成訓(xùn)練集，子集1到子集5的剩余圖像分別作為測(cè)試集，進(jìn)行10次實(shí)驗(yàn)，最后取平均識(shí)別率，增加結(jié)果穩(wěn)定性，與其他算法的比較結(jié)果如圖6所示。其中對(duì)比實(shí)驗(yàn)ECSLBP+DBN[16]參數(shù)設(shè)置：DBN層數(shù)為3，節(jié)點(diǎn)數(shù)為50-30-20，迭代次數(shù)為50次，學(xué)習(xí)率為0.001。LNMLCP[17]則是引入了指數(shù)判別分析和模糊融合框架對(duì)局部特征提取進(jìn)行改進(jìn)。

由實(shí)驗(yàn)結(jié)果可以看出，對(duì)于光照條件相對(duì)比較理想的子集1和子集2，本文提出的方法與LBP+DBN、ECSLBP+DBN[16]的識(shí)別率都接近100%。隨著光照條件的惡化，算法性能都普遍下降，但LBP+DBN下降幅度最大，并且在子集5上識(shí)別率僅為30%，而其余方法在最差光照條件下的識(shí)別率在55%～80%，但本文方法在子集5上的識(shí)別率接近95%，下降幅度很小，這是因?yàn)镈TCLBP算法提取了豐富的人臉局部特征，并結(jié)合CSLDP算法使提取的特征更加完整。實(shí)驗(yàn)結(jié)果表明本文提出的方法可以適應(yīng)不同的光照條件，特別是當(dāng)人臉圖像處于極端的光照條件下時(shí)，本文方法有明顯的優(yōu)勢(shì)，具有魯棒性。

第二個(gè)實(shí)驗(yàn)中，選擇光照條件理想的子集1和子集2的圖像作為訓(xùn)練集，剩余的3個(gè)子集分別作為測(cè)試集進(jìn)行15次重復(fù)實(shí)驗(yàn)，最后結(jié)果取平均識(shí)別率，與其他方法的對(duì)比結(jié)果如圖7所示。其中對(duì)比方法ECSLBP+DBN[16]和LNMLCP[17]的參數(shù)配置與實(shí)驗(yàn)一的相同。

由實(shí)驗(yàn)結(jié)果可知，本文方法在子集3和子集4上的效果最佳，對(duì)于光照條件差的子集4本文方法識(shí)別率達(dá)95.24%，比其他方法都高，表現(xiàn)出較好的優(yōu)勢(shì)，具有穩(wěn)定性。隨著光照干擾的繼續(xù)增加，各種算法的性能普遍下降，在光照條件最差的子集5上本文方法與識(shí)別性能相對(duì)較好的K-SRC、DOG+LTP、LNMLCP[17]方法比較僅相差0.2%左右，所以對(duì)光照變化具有一定的魯棒性。

在CMU_PIE人臉庫(kù)中，選取Pose07下的32個(gè)志愿者的人臉圖像進(jìn)行實(shí)驗(yàn)，每人有43張不同光照條件的圖像。實(shí)驗(yàn)中分別取每個(gè)人的前t張圖像（t=20，25，30，35，40，45）作為訓(xùn)練集，其余的為測(cè)試集，進(jìn)行10次重復(fù)實(shí)驗(yàn)，結(jié)果取平均識(shí)別率，圖像的分塊數(shù)為4×4，與其他方法的對(duì)比結(jié)果如表1所示。其中對(duì)比方法FRMCD[18]是對(duì)深度信念網(wǎng)絡(luò)和局部特征的改進(jìn)，它的隱藏層單元數(shù)為250。ECSLBP+DBN[16]的參數(shù)設(shè)置：DBN層數(shù)為3，節(jié)點(diǎn)數(shù)為50-30-20，迭代次數(shù)為50次，學(xué)習(xí)率為0.001。LBP+CNN[21]參數(shù)設(shè)置：學(xué)習(xí)率為0.0001，結(jié)構(gòu)包括4個(gè)卷積層、2個(gè)最大池化層、1個(gè)激活層、1個(gè)全連接層和1個(gè)輸出層。

由實(shí)驗(yàn)結(jié)果可知，本文方法相對(duì)于PCA、LBP等傳統(tǒng)方法更能提高識(shí)別性能，與深度信念網(wǎng)絡(luò)相比識(shí)別率可以提高12%左右，與結(jié)合深度學(xué)習(xí)的方法FRMCD[18]、VGG-Face[19]等相比提升的識(shí)別率接近5%，與卷積神經(jīng)網(wǎng)絡(luò)相比識(shí)別率僅提高0.8%，說(shuō)明將DTCLBP與CSLDP融合能充分挖掘圖像的局部特征信息，提高了算法的識(shí)別能力。

對(duì)于耗時(shí)實(shí)驗(yàn)，選擇在CMU_PIE人臉庫(kù)上進(jìn)行，隨機(jī)取每個(gè)人80%的圖像作為訓(xùn)練集，其余的為測(cè)試集，重復(fù)10次實(shí)驗(yàn)，結(jié)果取平均值，如表2所示。

結(jié)合表1、表2可知，雖然本文算法的識(shí)別率略高于LBP結(jié)合卷積神經(jīng)網(wǎng)絡(luò)的方法，但是其耗時(shí)較長(zhǎng)，表現(xiàn)出不足。

在AR人臉數(shù)據(jù)庫(kù)中，選擇50名男性和50名女性的1 400張圖像，其中去掉每人有遮擋的12 幅圖像，剩下14 幅不同光照條件下的圖像進(jìn)行實(shí)驗(yàn)，隨機(jī)取每個(gè)人的t（t=3，4，5，6） 張圖像作為訓(xùn)練樣本，其余的為測(cè)試樣本，取10次結(jié)果的平均值作為實(shí)驗(yàn)數(shù)據(jù)。與其他方法的識(shí)別率比較結(jié)果如圖8所示。

實(shí)驗(yàn)結(jié)果可以看出各種方法的識(shí)別率都是隨著訓(xùn)練樣本數(shù)的增加而提高的，當(dāng)訓(xùn)練樣本為3時(shí)，本文方法識(shí)別率為87.82%;當(dāng)訓(xùn)練樣本達(dá)到6時(shí)，雖然與Parkhi等[19]提出的VGG-Face網(wǎng)絡(luò)模型比識(shí)別率低，但在訓(xùn)練樣本較少的情況下所提算法識(shí)別性能表現(xiàn)最好。所以在光照變化程度不太明顯的AR人臉庫(kù)中，本文算法可以提取到豐富的特征，獲得較高識(shí)別率。

4 結(jié) 論

本文提出了一種基于稀疏表示的局部模式特征提取與識(shí)別算法。一方面充分利用了DTCLBP算法對(duì)復(fù)雜光照環(huán)境下的圖像具有良好特征提取能力的優(yōu)勢(shì)，另一方面，結(jié)合CSLDP算法可以提取更加細(xì)微的高階信息，而且兩次特征提取都不丟失中心像素信息，這使得提取的特征更加完整，進(jìn)一步提高了算法的識(shí)別率。實(shí)驗(yàn)結(jié)果表明，在復(fù)雜光照條件下，DTCLBP-CSLDP-SRC模型有明顯的優(yōu)勢(shì)，尤其在光照條件極差的情況下具有一定魯棒性。本文算法計(jì)算簡(jiǎn)單，提取的特征長(zhǎng)度短，復(fù)雜度低，可以提高人臉識(shí)別的準(zhǔn)確率，并且在訓(xùn)練樣本數(shù)量較少的情況下也具有明顯優(yōu)勢(shì)。

參 考 文 獻(xiàn)：

[1] OJALA T， PIETIKAINEN M， HARWOOD D. A Comparative Study of Texture Measures with Classifcation Based on Featured Distributions[J]. Pattern Recognition，1996，29（1）：51.

[2] SHAN Caifeng， GONG Shaogang， MCOWAN P W. Facial Expression Recognition Based on Local Binary Patterns：A Comprehensive Study[J]. Image and VisionComputing，2009，27（6）：803.

[3] LUO Yuan，Wu Caiming，ZHANG Yi. Facial Expression Recognition Based on Fusion Feature of PCA andLBP with SVM[J]. Optik-International Journal for Light and Electron Optics，2013，124（17）：2767.

[4] TANG Hengliang， YIN Baocai， SUN Yanfeng， et al. 3D Face Recognition using Local Binary Patterns [J].Signal Processing，2013，93（8）：2190.

[5] 萬(wàn)源， 李歡歡， 吳克風(fēng)， 等. LBP和HOG的分層特征融合的人臉識(shí)別[J]. 計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2015，27（4）：640.

WAN Yuan， LI Huanhuan， WU Kefeng， et al. Fusionwith Layered Features of LBP and HOG for Face Recognition[J]. Journal of Computer-Aided Design andComputerGraphics，2015，27（4）：640.

[6] TUKHTASINOV M T，MIRZAEV N，NARZULLOEV O M. Face Recognition on the Base of Local Directional Patterns[C]//2016 Dynamics of Systems， Mechanisms and Machines.Omsk：IEEE，2016.

[7] HEIKKILA M， PIETIKAINEN M， SCHMID C. Description of Interest Regions with Local Binary Patterns[J]. Pattern Recognition，2008，42（3）：425.

[8] 張潔玉， 趙鴻萍， 陳曙. 自適應(yīng)閾值及加權(quán)局部二值模式的人臉識(shí)別[J]. 電子與信息學(xué)報(bào)， 2014， 36（6）：1327.

ZHANG Jieyu， ZHAO Hongping， CHEN Shu. Face Recognition Based on Weighted Local Binary Patternwith Adaptive Threshold[J].Journal of Electronics andInformation Technology，2014，36（6）：1327.

[9] CHAKRABORTY S， SINGH S K， CHAKRABORTYP. R-theta Local Neighborhood Pattern for Unconstrained Facial Image Recognition and Retrieval[J]. Multimedia Tools and Applications， 2019， 78（11）：14799.

[10]ZHOU Ningning， CONSTANTINIDES A G， HUANG Guofang， et al.Face Recognition Based on an Improved Center Symmetric Local Binary Patter[J]. Neural Computing and Applications，2018，30（12）：3791.

[11]LI Jiadi， CHEN Zhenxue， LIU Chengyun.Low-resolution Face Recognition of Multi-scale Blocking CS-LBPand Weighted PCA[J]. International Journal of Pattern Recognition and Artificial Intelligence，2016，30（8）：1656005.1.

[12]ZHONG Rui， WU Huaiyu， HE Yun.Fast Face Recognition Algorithm Based on Local Fusion Feature and Hierarchical Incremental Tree[J].Computer Science，2018，45（6）：308.

[13]楊恢先， 賀迪龍， 劉凡， 等. 基于雙向梯度中心對(duì)稱(chēng)局部二值模式的單樣本人臉識(shí)別[J]. 計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)， 2017， 29（1） ：130.

YANG Huixian， HE Dilong， LIU Fan，et al. Face Recognition Based on Bidirectional Gradient Center Symmetric Local Binary Patterns[J].Journal of Computer-Aided Design and Computer Graphics， 2017， 29（1）：130.

[14]XUE Gengjian，LI Song，SUN Jun，et al. Hybrid Centersymmetric Local Pattern for Dynamic Background ?Subtraction[C]//IEEE International Conference on Multimedia and Expo.Barcelona：IEEE，2011：1.

[15]林克正，莊靚瑋，榮友湖，等.基于Gabor特征的全局加權(quán)稀疏表示[J].哈爾濱理工大學(xué)學(xué)報(bào)，2016，21（1）：40.

LIN Kezheng， ZHUANG Liangwei， RONG Youhu， et al. Based on Gabor Characteristics Global Weighted Sparse Representation[J]. Journal of Harbin University of Science and Technology，2016，21（1）：40.

[16]LI Chen， ZHAO Shuai， XIAO Ke， et al.Face Recognition Based on the Combination of Enhanced Local Texture Feature and DBN under Complex Illumination Conditions[J].Journal of Information processing Systems，2018，14（1）：191.

[17]ZHOU Lifang， LI Weisheng， DU Yuewei， et al.Adaptive Illumination-invariant Face Recognition via Local Nonlinear Multi-layer Contrast Feature[J]. Journal of Visual Communication and Image Representation，2019，64：10.

[18]SUN Kun， YIN Xin， YANG Mingxin， et al.The Face Recognition Method Based on CS-LBP and DBN[J]. Mathematical Problems in Engineering，2018（14）：1.

[19]PARKHI O M，VEDALDI A，ZISSERMAN A.Deep Face Recognition[C]//British Machine Vision Conference，2015：1.

[20]段紅燕， 何文思， 李世杰.改進(jìn)的單尺度Retinex和LBP結(jié)合的人臉識(shí)別[J]. 計(jì)算機(jī)工程與應(yīng)用， 2018， 54（23）：148.

DUAN Hongyan， HE Wensi， LI Shijie.Face Recognition Based on Improved Single Scale Retinex and LBP Algorithm[J]. Computer Engineering and Applications，2018，54（23）：148.

[21]KE Pengfei，CAI Maoguo，WANG Hanmo，et al. A Novel Face Recognition Algorithm Based on the Combination of LBP and CNN[C]//2018 14th IEEE International Conference on Signal Processing， Beijing， 2018：539.

（編輯：溫澤宇）