基于改进的局部二值模式和SVM的人脸识别

庙传杰， 史东承

(长春工业大学 计算机科学与工程学院， 吉林 长春 130012)

0 引 言

人脸识别在身份识别中有着重要的应用，这种方法主要是根据人脸视觉特征信息实现识别目的。人脸识别研究中，重点研究内容为设计出一些高性能的算法，从而更好满足识别结果相关要求。当前人脸识别领域中，相关的算法已经有很多[1]。

1)通过积分描述欧式距离，且据此确定出人脸图像的几何特征。

2)基于模板匹配提取面部的重要特征信息。目前此领域的重点问题是在外界环境明显改变情况下，如何高效准确地进行人脸识别。此外，引入其他领域的技术建立新算法或改进原有算法也是此领域的主要研究方向。起初一些学者建立了Eigenface方法[2]，在处理过程中基于主成分分析方法提取人脸特征，在此基础上建立特征脸，不过初步提取后还应该降低其维数。据此建立了Fisherface方法[3]，在处理过程中先对提取的特征向量主成分分析降维，接着基于线性判别分析方法降低特征的类内差异，据此提取的特征容易受到表情、光照相关因素的干扰，也不满足实际应用要求。因而一些研究者建立了基于局部特征的人脸图像识别算法。

文中对已有的算法进行对比分析，在LBP的基础上对图像进行分割[4]，通过加权的MB-LBP算子，再通过加权融合得到新的特征，这种方法在提取过程中先确定出采集所得图像的标准LBP分块，以及加权MB-LBP特征，然后设置合适的权重融合两种特征值，随后通过仿真验证算法的有效性，实验表明，这种方法得到的特征能更好地满足人脸识别要求。

1 LBP算法的基本原理

在模式识别领域，LBP算法有重要的应用[5]，局部纹理特征的描述能很好地表示出图像。初始LBP一般是在图像局部对比度领域有一些应用，其后一些学者对其进行改进而形成纹理描述算子，并通过其对图像的纹理信息进行描述，由于不容易受到外界光线变化影响，因而可很好地满足图像识别要求。

对初始LBP算子进行定义时，在3×3的范围里，取中心像素值为阈值，然后得到此范围周围的8个像素灰度值，分别与中心像素值作比较，如果中心像素阈值大于周围像素灰度值，则周围像素点的值被赋为0，而相反情况下设置为1。基于这种规则对此区域的8个周围像素进行转换处理，形成8个逻辑值，也就是此区域的LBP值,如图1所示。

图1 LBP算子

在实际应用中，受到3×3区域的旋转变化限制，文献[6]对此进行改进，建立了多分辨率LBP算子，这种算子是定义在圆形区域中，在圆周上等间隔放置P个像素点，通过分析圆周上点的像素灰度值与中心像素值的位置是否落在中心，如果没有在中心，则可基于双线性插值法进行处理。据此建立LBP算子表达式为:

(1)

(2)

几种圆形LBP算子如图2所示。

图2 几种圆形LBP算子

2 人脸LBP特征提取

2.1 加权MB-LBP算法介绍

在人脸识别过程中，人脸不同区域特征值的贡献值存在差异性，五官所在区域的贡献度更大，因而为有效满足识别精度要求，需要合理设置人脸分块图上不同区域的权重。其中鼻子、嘴巴所在区域的识别贡献度大，因而设置权重为3，眼睛、眉毛对应的区域设置为2，其余区域的贡献度低，设置为1，据此确定出权重结果如图3所示。

由于标准LBP算子在处理过程中所得到的直方图很稀疏，不满足统计要求，因而需要进行标准化处理[8]，在此基础上分别收集，也就是将前者相应的像素划分到一个收集箱，后一种模式的像素划分到一个公用收集箱。这样可有效降低特征数目，同时也提高了直方图的统计性能，为其后面的处理提供支持。

2.2 加权MB-LBP算法特征提取

传统的LBP算子性能很有限，单纯可对局部信息进行描述，因而需要改进。文献[8]研究发现，即使不同的结构，对中心像素而言，也有很大可能导致出现相同的LBP特征。为了应对此种情况，分块LBP应运而生，但是LBP分块就会导致丢失一些纹理细节。文中对此进行综合分析，提出了特征加权融合方法，也就是综合LBP及加权MB-LBP的优势，有效地提高了算子的整体识别要求，提高了其应用性能。

文中进行LBP特征或MB-LBP特征提取过程中都选择了图像分区思路，实际应用结果表明，分区提取可有效地避免单个LBP提取过程中丢失局部差异信息的缺陷，其处理流程如下：

1)对目标图像进行划分，形成一定量块区域；

2)对其中各块区域提取，确定出相应的 LBP特征；

3)联合全部区域的直方图特征，将所得结果作为整体图像的这种特征。

文中建立的这种算法通过支持向量机(SVM)[9]进行特征分类，这种工具可有效地进行样本分类，且分类后相应的类间隔最大。对于支持向量机，肯定会对线性可分和线性不可分进行解决。在可分条件下，通过一个最优分类面就可以进行两种类别样本的划分，且可满足经验风险相关要求，此分类超平面表达式为

w·x+v=0。

在如下函数最小基础上就可以使得两类的分类间隔最大

(3)

式(3)的约束条件为yi(w·x+b)≥1,∀i∈{1,2,3,…,n},引入Langrange乘子ai，从而得到

(4)

(5)

2)将提取的这两个特征分别输入支持向量机，确定出与此相关的投票结果矩阵，可通过如下表达式确定：

(6)

(7)

式中:N----相应样本类别总数;

(8)

式中：θ1+θ2=1，最终取MAX(vote)作为最终的投票结果。

3 实验仿真与分析

3.1 人脸数据集

对这种算法的性能检测测试，文中选择了AR、ORL人脸库来仿真分析。其中ORL人脸库是剑桥研究者建立的，这个库有40个对象，他们的年龄种族都不同，并且每个人都有10幅不同的图像，图像背景是黑色，下面是人脸库的一部分。AR人脸库中总共包含100个对象的人脸图像，其中男性图像50幅，女性图像50幅，并且每人不同姿态的人脸图像各26幅。ORL人脸数据库部分人脸图像如图5所示。

1.jpg 2.jpg 3.jpg 4.jpg 5.jpg

文中主要分析光线对人脸识别的影响情况，因而筛选处理后得到各对象的14幅图像来仿真分析，其中一些人脸图像情况如图6所示。

1.jpg 2.jpg 3.jpg 4.jpg 5.jpg

3.2 实验结果与分析

根据以上图像分析可知，ORL人脸库中，各对象的10幅图像没有出现明显光照变化，而在另一个人脸库中，这种差异很显著，根据文中的研究目标和要求，选择传统LBP、MB-LBP以及加权的MB-LBP用于实验，具体实验训练样本数和识别率分别见表1和表2。

表1 ORL人脸库不同算法的人脸识别率 %

表2 AR人脸库不同算法的人脸识别率 %

在AR人脸库中，基于文中算法进行仿真分析，检测了各权重条件下人脸识别率，且进行对比分析，其中训练集设置了8幅图像，据此进行识别,AR人脸库不同权重的人脸识别率见表3。

表3 AR人脸库不同权重的人脸识别率 %

从表2可以看出，在复杂光照的影响下较表1识别率有所下降，加权MB-LBP仍能取得较好的识别率。表3可以看出，用加权融合方法能够提高识别率，在权重比(0.4∶0.6)均衡的时候识别率最高。在光照复杂的情况下，LBP和加权MB-LBP经过加权融合特征能够提高人脸识别率。

4 结 语

进行了光线干扰情况下的人脸识别研究，在对比已有算法基础上建立了一种基于LBP特征和加权融合的特征提取算法。这种方法在特征提取过程中，先提取标准LBP和加权分块特征，再设置合适的权重系数来融合提取的两种特征，融合处理后的特征可更好地描述局部纹理信息，同时还可以对全局信息进行高效的描述，有效降低了光线的干扰。通过ORL和AR人脸库测试分析发现，和传统的LBP特征相比，改进算法的人脸识别率提高了很多。