基于单演主方向中心对称局部二值模式的单样本人脸识别

杨毅+杨恢先+唐金鑫+张书豪

摘要：本文针对单样本情况下传统人脸识别方法在姿态、表情和光照等变化下识别效果不佳的问题，提出一种基于单演主方向中心对称局部二值模式的单样本人脸识别模式的单样本人脸识别算法。首先用多尺度的单演滤波器提取人脸图像单演局部幅值和局部方向信息，并求取主方向，生成主方向模式图；然后用CS-LBP算子进行编码，得到特征；最后对不同单演尺度空间中的特征分块统计特征直方图并运用直方图相交进行分类识别。在AR、Extend Yale BA脸数据库的实验结果表明，该算法简单有效，对光照、表情、部分遮挡变化具有较好的鲁棒性。

关键词：人脸识别；单样本；单演信号；主方向模式；中心对称局部二值模式（CS-LBP）

DOI： 10.3969/j.issn.1005-5517.2017.8.016

引言

近年来，人脸识别由于具有友好、非侵犯性等优点成为机器视觉和图像处理领域的研究热点，并在经济、司法、安保领域得到了广泛的应用川。在多数实际的应用场合下，数据库只能采集到单幅人脸图像作为训练样本，如身份证、护照、驾驶证等数据库[2]。在这种单样本的情况下，一些具有代表性的传统人脸识别算法就很难取得理想的效果。目前，单样本人脸识别的研究主要集中在提取不变特征、样本扩张、特征子空间扩展、图像增强和三维识别等方面[3]。

中心对称局部二值模式（Center symmetric localbinary pattern，CS-LBP）是一种对LBP改进的有效局部纹理描述算子，CS-LBP的特征维数少于LBP，节省特征提取与匹配时间。文献[4]中，Ngoc-Son Vu等人提出了基于图像梯度的主方向模式（Patterns of DominantOrientations， PDO）特征提取算法，也取得了不错的识别效果。文献[5]提出一种基于Gabor的二元模式方法（Local gabor binary patterns，LGBP），虽然LGBP的识别率与鲁棒性比LBP大为增强，但得到40幅不同的Gabor特征，其时间和空间的复杂度是惊人的I6）。单演信号作为一维信号在二维空间的拓展，能夠有效地将图像正交分解为幅值，相位和方向信息[7]。单演滤波所需要的时间和空间复杂度远远小于Gabor滤波[8]。文献[9]将单演和局部二值模式（Monogenicbinary patterns，MBP）用于人脸识别，取得了很好的实验效果。但只是在像素层次对单演幅值进行编码，缺乏对区域变化信息的把握能力，且没利用到单演方向信息。为了能充分利用单演幅值和单演方向信息，且在文献[9]的启发下，提出了一种基于单演主方向中心对称局部二值模式 （Monogenic dominant orientations cente r-symmetriclocalbinary pattern，MDOCSBP）的单样本人脸识别方法。首先利用人脸图像的单演局部幅值和局部方向来获取主方向模式图，然后采用CS- LBP对主方向图进行编码得到MDOCSBP特征，最后分块统计MDOCSBP特征直方图并运用直方图相交进行分类识别。

1 单演信号

单演信号是一维解析信号的二维扩展，以一种旋转不变的方式来描述图像的局部幅度、局部方向和局部相位信息。单演信号是建立在Riesz变换的基础上的，Riesz变换是Hilbert变换的二维扩展。

若定义图像坐标z=G，y），Riesz核可表示为：

2 主方向的求取

2011年Ngoc-Son Vu等人提出了基于图像梯度的PDO特征提取算法。文献[9]中，主方向的计算是在图像的梯度图上完成的，是指细胞单元（cell）内像素的梯度方向累积变化最多的方向，即该cell的主方向。受其启发，本文对单演特征中的局部幅度和局部方向信息进行与之相似的处理。针对Cell内每个像素，以该像素处的单演幅值为权值，为该像素单演方向所在的直方

3 中心对称局部二值模式

4 人脸的MDOCSBP特征

5 人脸特征匹配

6 实验结果与分析

为验证MDOCSBP算法的有效性，实验在均已被剪裁好的AR人脸库、Extend Yale B人脸库上进行测试。

AR人脸库实验统一选取人脸库中每个人的第一幅图像作为训练样本，测试集由4个子集组成，分别为表情变化集、光照变化集、遮挡集A和遮挡集B。ExtendYale B人脸库实验分别从不同光照隋况下各子集随机选取3幅人脸作为测试集，识别率为测试20次的平均值。AR、Extend Yale B人脸库部分图像如图4、图5所示。

6.1 不同参数对识别率的影响

6.1.1通道数dr对识别率的影响

为了找到MDOCSBP算法最佳通道数，在AR人脸库上，固定分块数为11 ×11； Extend Yale B上固定分块数为15×15；

由图6和图7可知，AR人脸库光照子集在dr取6时有最佳识别：表情子集在dr取7时有最佳识别率；遮挡集A和遮挡集B均在r取5时有最佳识别率；Extend Yale B各子集人脸库在通道数dr在9左右都取得了不错的识别效率。通道数dr在4、5、6B寸，由于通道数过少，寻找的单演主方向过于粗糙，导致不同人脸库的识别率都变化较大。

6.1.2 不同分块数对识别率的影响

为了找到MDOCSBP算法最佳分块数，在AR人脸库上，固定通道数为6；Extend Yale B上固定通道数为9；

由图7和图8可知，AR人脸库的最佳分块数在13 ×13左右，Extend YaleB人脸库的最佳分块数为isxis：合理的分块方式能有效的提取图像的局部纹理特征，过少的分块数不能很好的体现人脸的局部纹理细节，而过多的分块数又会产生特征冗余而降低识效果，同时也会使特征维数增加，计算花费时间也越长。endprint

6.2 不同算法识别性能比较

为了验证MDOCSBP算法的有效性，分别与文献提出的CS- LBP算法、MBP算法、PDO算法、LGBP算法进行对比实验。MDOCSBP算法在AR人脸库上分块数取13 ×13，通道数dr分别取各子集的最优值；在Extend Yale B人脸库上分块数取15×15，各子集的通道数dr取9。不同算法在AR人脸库、Extend Yale B人脸库上的识别率如表1、表2所示。

从表1，表2可以看出，MBP算法、PDO算法、LGBP算法、MDOCSBP算法在AR人脸库上都取得不错的识别效果，但在遮挡子集上，算法MDOCSBP和MBP算法表现的更为突出。在复杂光照条件下的ExtendYale B人脸库结果显示，各算法在光照条件良好的子集1、子集2、子集3都表现出较高的识别效果，但在光照变化较大的子集4和子集5，算法CS LBP、MBP、LGBP都受到剧烈影响，PDO算法识别率也有一定幅度的下降，而MDOCSBP算法表现优异。CS- LBP算法直接对图像像素进行编码，提取特征比较单一：MBP对图像进行单演滤波来获得不同尺度下的多种局部模式图在AR人脸库取得了较好的识别效果，但对光照变化较大的图像便显得乏力。PDO算法是对图像的梯度信息求取主方向进行特征提取，对光照变化有一定的鲁棒性。LGBP算法提取的是Gabor变换后5个尺度8个方向的特征，在AR人脸库上取得了较好的识别效果，但特征维数及计算时间较大。算法MDOCSBP利用单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，识别效果好，对光照鲁棒性强。

6.3 特征维数与时间分析

为对比各算法的复杂度，以AR人脸库每人第一幅图像作训练样本，光照集作测试集，所有方法的分块数均为8x8，测试各算法完成对一张人脸图像进行识别需要特征提取与匹配時间。

由表3可以看出，在相同分块数的情况下，MDOCSBP算法无论特征维数还是各阶段的所需时间都小于MBP和LGBP算法，尤其是LGBP算法由于提取的特征过于冗长，导致特征提取及匹配时间不如人意；与PDO算法相比，MDOCSBP算法由于特征长度较小，在匹配阶段也有一定优势。由以上分析可知，MDOCSBP算法相比对比算法具有较小时间和空间复杂度。

7 结论

在单演滤波的基础上提出了基于单演主方向中心对称局部二值模式的单样本人脸识别的方法， MDOCSBP算法充分利用人脸图像单演局部幅值与局部方向信息，采用CS- LBP算子进行编码，最终通过分块直方图进行识别。在AR、Extend Yale B人脸库各子集都有较高识别，且对光照有不错的鲁棒性，证明了MDOCSBP算法的有效性。

参考文献：

[1]李康顺，李凯，张文生一种基于改进BP神经网络的PCA人脸识别算法[J]计算机应用与软件，2014.（01）：158-161

[2]杨恢先，翟云龙，蔡勇勇，等基于中心对称梯度幅值相位模式的单样本人脸识别[J]光电子 激光，2015（05）：969-977

[3]高涛，马祥，白磷采用自适应加权扩展LBP的单样本人脸识别[J]光电子 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，胡全胜，阎刚，等基于」GBP特征和稀疏表示的人脸表情识别[J]计算机工程与设计，201305（05）：1787-1791

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

[8]闫海停，王玲，李昆明，等.融合MBP和EPMOD的人脸识别[J].中国图象图形学报，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