基于LBP的图像集人脸识别算法

盖 健，刘小华，李锐杰，宁尚军

(吉林大学计算机科学与技术学院，吉林 长春 130012)

基于LBP的图像集人脸识别算法

盖 健，刘小华，李锐杰，宁尚军

(吉林大学计算机科学与技术学院，吉林 长春 130012)

针对基于仿射包的图像集人脸识别方法(AHISD)对于离散数据的敏感性，提出了一种加入LBP的方法.通过LBP的方法对图像进行特征提取，然后再将图像集用仿射包进行建模，在此基础上，通过计算2个模型之间的距离，以达到对人脸进行鉴别和分类的效果.用LBP方法视频数据库(Honda/UCSD)给出了检测结果，有效地提高了识别率.

人脸识别；图像集；仿射包；LBP

本文提出先对处理过的图像用LBP的方法进行特征提取，由于其分类能力较强，LBP算子[1-6]对单调的灰度变化具有不变性，因此光照对其影响减小.然后对图像集进行仿射包建模，达到分类的结果.

1 仿射包的识别方法

1.1 基于仿射包的识别

首先将图像集近似地建模成一个仿射包，即用每个集中所有样本构成的最小仿射包来描述整个图像集.那么每个图像集样本的仿射包定义为

(1)

其中：m=1，…，m表示样本中图像集的数量；xmk表示每个图像集中第k个人脸图像，每个图像集中共nm幅图像；αmk表示的是每幅图像在仿射包中的权值.仿射包模型描述的是一个人脸图像集样本中人脸图像的任意组合.(1)式给出了对数据比较松散的近似，所以在仿射空间中对于样本的位置不太敏感.

(2)

1.2 仿射包模型之间的距离

(3)

公式(3)变换另一种形式，定义为

(4)

(5)

将求解出来的V带入公式(4)可得最终距离

(6)

其中Q=U(UTU)-1UT是包含在2个空间内的联合方向的正交投影，I-Q是2个仿射空间的正交补空间的相应投影.求解时，如果UTU是不可逆的，Q可以通过U′U′T计算得到，U′是通过对U进行奇异值分解得到的正交基.

2 本文提出的方法

针对仿射包在建模以及识别的过程中有离散数据的问题，本文提出了将LBP的方法加入到仿射包的识别算法中.LBP是一种对单调的灰度变化具有不变性的纹理算子，其分类能力也比较强，所以在建立仿射包模型之前，要对图像集中的每幅图像通过LBP进行特征提取，使得图像的有效信息更加突出，使识别率有所提高.

2.1 局部二值模式

LBP算法主要描述的是图像的局部纹理特征，其算法的基本思想是：把图像中每个中心像素点灰度值[3-5]设为阈值，然后将其值与邻近的像素点的值进行比较，得到的值转化为二进制数，以此来表示一幅图像的局部纹理特征值[1-5].LBP算子的公式可定义为：

(7)

其中gr表示中心像素点的灰度值，gi是与中心像素点gr邻近的像素点的灰度值.计算过程：当邻近的像素点的灰度值大于中心像素点的灰度值时，将其值记为1；临近像素点的灰度值小于中心像素点的灰度值时，记为0.这样计算生成了一组二进制数，再将其转化为十进制数，即为这个像素点的LBP值.计算出每个像素点的LBP值，就会得到一幅用LBP数值表示的图像，我们称这样的图像为具有LBP特征的图像.因为LBP特征的提取与周围的点相关，所以LBP特征包含了图像的点、边缘和局部特征的信息.可以将图像分为多个子区域，LBP特征值用统计直方图表示出来.

2.2 灰度不变性和旋转不变性LBP算子

由于图像在收集的时候会受到光照等因素的影响，光照不同的时候得到的图像的纹理的灰度值也不同，即使是同一个人的图像，也会识别错误，为了在光照不同的时候得到的灰度值一样，可以将局部的纹理W定义为

W=w(gr，g0-gr，…，gn-1-gr).

(8)

假设w(gr)和w(gn-gr)是相互独立的，公式(8)变形为

W≈w(gr)w(g0-gr，…，gn-1-gr).

(9)

因为w(gr)与周围的关联性很小，它仅仅提供图片的亮度，所以可以忽略不计，最终的公式为

W≈w(g0-gr，…，gn-1-gr).

(10)

在对公式(10)进行二值化处理：

W≈w(f(g0-gr)，…，f(gn-1-gr))；

(11)

给每一个f(gn-gr)一个二项式系数2n加权、求和，即可得唯一的一个纹理特征LBP值

(12)

这样定义之后的LBP不仅和邻近的像素点有更强的关联，而且具有平移不变性和灰度变化不变性，使得图像不受光照的影响.

当中心像素的周围有n个点时，会有2n种LBP值，即当图片旋转[2，5]时，周边点的位置也会变化，所以生成的LBP值就不同，使得同一幅像生成的LBP值不同，造成识别错误.具体解决方案是同样的(n，r)(邻近点数量，半径)时，不管怎么旋转，都取最小值作为此模式下的LBP值.定义为

(13)

ROR函数为旋转函数，邻近像素点都是按照顺时针旋转计算的.如图1所示，其中n=8，r=1，二值为01 111 000，旋转变化有8种LBP值，最终取最小值作为LBP值，即为00 001 111，十进制数为15.达到了旋转不变的要求.其求解过程见图2.

图1 旋转不变性求解图

2.3 本文算法识别过程

(1) 对视频中提取出来的图像进行人脸检测，进一步对图像进行简单的处理，使图像变成灰度值图像.

最邻近的图像即为同一个人的图像.

3 实验与分析

3.1 实验与处理

在Honda/UCSD视频库，对加利福尼亚大学圣地亚哥分校脸部追踪视频数据库进行实验，视频库中包含了20人的59个视频，录像中每个人都有不同的姿势、表情、光照等.选取20人的视频作为训练集，剩下的39人的视频作为测试集.首先用经典viola-jones方法对视频集进行人脸检测采集，其人脸检测方法是利用经典的Adaboost算法训练分类器.采集的图片有不同角度、姿势、表情、关照、遮挡等.对采集到的人脸图像进一步处理，将其调整成40像素×40像素的灰度值图像.再用LBP算法对其进行特征提取及用仿射包的方法对图像集进行建模，最后进行人脸匹配.

将训练集和测试机都分为5种，每种图像集的图像数量分别为10，20，50，70和100.每种情况测10次，取平均值.实验分为2种情况：一种是没有加入噪声实验，将人脸检测到的模糊、遮挡图像人为去掉；另一种是加入噪声实验，人脸检测过程中由于遮挡、照相模糊和光照黑暗等因素引起的噪声图片，不对其进行处理.实验结果见图2和3.

3.2 实验结果分析

(1) 根据图2可以发现，LBP-AHISD的方法识别率要高于其他2种方法，随着图像数量的增加，识别率也会越来越高.加入了LBP特征提取的算法在特征提取时，其对图像特征描绘得更好，分类能力极强，所以，识别率比其他方法高.

(2) 对于加入噪声的实验，从图3中可以发现，加入噪声之后的识别率会明显低于没有加入噪声的识别率，LBP-AHIDS的识别率相对其他2种方法更好.随着图像数量的增加，识别率会慢慢升高.

图2 训练集和测试集都没加入噪声的识别率

图3 训练集和测试集都加入噪声的识别率

综上所述，噪声对识别率有一定的影响，但是随着图像数量的增加识别率会提高.这是因为图像数量的增加，图像集中的动态信息和有效信息相对较多，使得质量不好的数据影响相对减少.但是，LBP-AHISD算法在加入和不加入噪声的情况下识别率都会比另2种方法的识别率高，证明LBP提取特征的优越性，对单调的灰度变化具有不变性的纹理算子，使人脸识别分类能力增强，具有较好的稳定性.

4 总结

本文在仿射包的基础上，提出了加入了LBP的方法.LBP是一种对单调的灰度变化具有不变形的纹理算子，很好地描述了图像的局部信息，其分类能力较强，使得仿射包的方法有所改进，并在Honda/UCSD视频库上进行了实验，得到了很好的识别率.

[1] AHONEN T，HADID A，PIETIKAINEN M.Face recognition with local binary patterns[J].Proc European Conf Computer，2006：469-481.

[2] 毛科.基于局部二值模式的人脸识别算法研究[D].广州：华南理工大学，2010.

[3] OJALA T，PIETIKAINEN M，HARWOOD D.A comparative study of texture measures with classification based on feature distributions[J].Computer Vision and Pattern Recognition，1996，29(1)：51-59.

[5] OJALA T，PIETIKAINEN M，MAENPAA T.Multiresolution gray-scale and rotation invariant texture classification with local binary Patterns[J].IEEE Trans PAMI，2002，24(7)：971-987.

[6] AHONEN T，HADID A，PIETIKAINEN M.Face description with local binary patternsapplication to face recognition[J].IEEE Trans PAMI，2006，28(12)：2037-2041.

(责任编辑：石绍庆)

Face recognition algorithm of image set based on LBP

GAI Jian，LIU Xiao-hua，LI Rui-jie，NING Shang-jun

(College of Computer Science and Technology，Jilin University，Changchun 130012，China)

For affine hull face recognition based on image set (AHISD) is sensitive to outliers，this paper puts forward a new method to joint LBP with image set.Characteristics of the image are extracted by the method of LBP，and then the image set is modeled as affine model.Based on this，calculate the distance between the two models to achieve the face identification and classification.Experiments using this method in the Honda/video database show that it is effective to improve the recognition rate.

face recognition；image set；affine hull model；LBP

1000-1832(2015)04-0084-04

10.16163/j.cnki.22-1123/n.2015.04.018

2014-05-13

国家自然科学基金资助项目(61175023)；吉林省生物识别新技术重点实验室项目(20082209).

盖健(1988—)，女，硕士研究生；刘小华(1971—)，女，副教授，主要从事计算智能、模式识别研究.

TP 393 [学科代码] 520·60

A