摘  要： 針對(duì)MB_LBP算法對(duì)人臉特征提取維數(shù)較高，使用PCA方法會(huì)造成圖像原始空間結(jié)構(gòu)破壞和維數(shù)變得過(guò)大等問(wèn)題，提出一種基于多塊LBP（Multi-scale Block Local Binary Patterns， MB_LBP），結(jié)合改進(jìn)的Fast PCA算法進(jìn)行人臉特征提取的方案。首先用MB_LBP算法提取人臉圖像的特征，接著用本文所改進(jìn)Fast PCA方法加速計(jì)算矩陣S非零本征值所對(duì)應(yīng)的本征向量，對(duì)人臉特征進(jìn)行降維，最后在ORL人臉庫(kù)進(jìn)行驗(yàn)證。實(shí)驗(yàn)表明，該方法對(duì)后期人臉特征提取效果優(yōu)于改進(jìn)前的效果，很大程度上降低了提取時(shí)間，效果明顯。

　　關(guān)鍵詞： MB_LBP算法；改進(jìn)Fast PCA；人臉特征；維災(zāi)

0 引言

　　特征提取在人臉識(shí)別中應(yīng)用十分廣泛，如何更好地將圖像的特征提取應(yīng)用于人臉識(shí)別是當(dāng)前模式識(shí)別和人工智能領(lǐng)域的一個(gè)研究熱點(diǎn)，它涉及到計(jì)算機(jī)視覺(jué)、圖像處理、生理學(xué)等多個(gè)學(xué)科的知識(shí)背景。這種技術(shù)具有廣泛的應(yīng)用前景，如身份識(shí)別、視頻監(jiān)控、國(guó)家安全、信息安全等領(lǐng)域。

　　人臉特征提取和分析是人臉識(shí)別中的重要過(guò)程。局部二進(jìn)制模式（Local Binary Patterns，LBP）[1-2]的方法自從被Ahonen等人引入人臉識(shí)別后一直受到廣泛關(guān)注，它是最早作為一種有效紋理描述算子提出的，尤其對(duì)圖像局部紋理特征的卓越描述能力而獲得廣泛的應(yīng)用。前述的LBP可以很精細(xì)地描述圖像的局部紋理信息，然而，也正是由于這種特征的局部化特點(diǎn)，使其易受噪聲的影響而不夠健壯，缺乏對(duì)圖像整體信息的粗粒度把握，因此MB_LBP代替LBP來(lái)提取圖像的特征。盡管MB_LBP算法可以很好地對(duì)圖像特征進(jìn)行提取，但是此算法在提取圖像紋理特征時(shí)維數(shù)過(guò)高，對(duì)后期人臉識(shí)別計(jì)算量有所影響，會(huì)造成計(jì)算過(guò)程的復(fù)雜化。因此，在圖像特征提取時(shí)需要對(duì)其降維。PCA在特征降維中是一個(gè)經(jīng)典的重要方法。在參考文獻(xiàn)[3]中所涉及的LBP和PCA結(jié)合的特征提取算法，從一定程度上提高了識(shí)別率，但是PCA原理是將圖像展開(kāi)成高維的行向量和列向量，然后通過(guò)訓(xùn)練樣本來(lái)計(jì)算樣本協(xié)方差矩陣，并由協(xié)方差矩陣組成的投影矩陣把原始訓(xùn)練樣本中的高維向量投影成低維矩陣。但是這樣會(huì)造成圖像原始空間結(jié)構(gòu)破壞和維數(shù)變得過(guò)大。因此，本文提出改進(jìn)Fast PCA可加速計(jì)算矩陣S非零本征值所對(duì)應(yīng)的本征向量，降低提取時(shí)間。將其與MB_LBP算法結(jié)合，在ORL人臉庫(kù)上進(jìn)行實(shí)驗(yàn)，效果有一定的優(yōu)越性。

1 MB_LBP算法

　　局部二進(jìn)制模式（LBP）[4]是最早作為有效的紋理描述算子提出的，由于最初的LBP算法的映射過(guò)程相對(duì)簡(jiǎn)單，僅僅提取到所給范圍內(nèi)特征信息，對(duì)于類(lèi)內(nèi)的圖像識(shí)別具有一定的效果，但對(duì)于類(lèi)間圖像的識(shí)別效果很難令人滿(mǎn)意。LBP算法只提取圖像特征，并沒(méi)有實(shí)現(xiàn)先驗(yàn)信息的運(yùn)用。LBP算法是直接在灰度圖像上實(shí)現(xiàn)特征提取，通過(guò)比較中心像素和鄰域像素之間的灰度值來(lái)實(shí)現(xiàn)二值化。一般采用固定大小（如3×3）的矩形方塊，對(duì)應(yīng)窗口的局部紋理的分布則可以假設(shè)是局部區(qū)域內(nèi)像素的聯(lián)合分布密度，以圖像的某個(gè)像素為中心點(diǎn)gc，對(duì)周?chē)?個(gè)像素點(diǎn)g0，g1，…，g7的紋理T的分布定義如下：

　　T~（g0-gc，…，g7-gc）（1）

　　然后令中心點(diǎn)gc的灰度值作為參考，對(duì)鄰域8個(gè)像素點(diǎn)進(jìn)行二值化處理，方法為：

　　T≈t（s（g0-gc），…，s（g7-gc））（2）

　　圖1給出一個(gè)基本LBP算子，圖中的3×3區(qū)域中心點(diǎn)以其灰度值88作為閾值對(duì)其8鄰域進(jìn)行二值化，并且從左上點(diǎn)開(kāi)始按照順時(shí)針?lè)较驅(qū)⒍祷Y(jié)果組成一個(gè)二進(jìn)制數(shù)10001011，即十進(jìn)制139，作為中心的響應(yīng)。在整個(gè)逐行掃描過(guò)程結(jié)束后，會(huì)得到一個(gè)LBP響應(yīng)圖像，稱(chēng)為L(zhǎng)BP統(tǒng)計(jì)直方圖，也稱(chēng)為L(zhǎng)BP特征。

　　由于LBP的映射過(guò)程太簡(jiǎn)單，并且易受噪聲干擾，穩(wěn)定性不強(qiáng)，所以利用MB_LBP[5-6]算法。該算法是在LBP算法的基礎(chǔ)上提出來(lái)的，把LBP算法中一個(gè)中心像素的應(yīng)用開(kāi)展到含有眾多像素的矩形區(qū)域，把該矩形區(qū)域的灰度平均值作為其閾值。用MBs_LBP表示像素塊大小為S×S的LBP算法。圖2為MB_LBP算法特征的圖像表示。

　　MB_LBP算法公式：

　　式中，gc表示圖像某個(gè)像素的中心點(diǎn)，gi表示周?chē)?個(gè)像素點(diǎn)。

　　由圖3可以看出，隨著像素塊大小S的增加，響應(yīng)圖像中紋理增粗，并趨于穩(wěn)定，說(shuō)明較大的像素塊有利于圖像中的粗粒度信息的把握。

2 Fast PCA算法

　　前面已講過(guò)單方面用MB_LBP算法提取的人臉特征維數(shù)較高，如果直接計(jì)算，計(jì)算量會(huì)很大，復(fù)雜度也很大。為了提高這一特性，本文將改進(jìn)后的Fast PCA運(yùn)用到特征提取過(guò)程中，提高識(shí)別效果。

　　特征提取過(guò)程包括了兩個(gè)方面[7]：訓(xùn)練和識(shí)別。在訓(xùn)練過(guò)程中，系統(tǒng)需要識(shí)別到樣品數(shù)據(jù)，并將這些樣品創(chuàng)建成一個(gè)特征矩陣，把圖像空間里的樣本轉(zhuǎn)換成特征空間里的點(diǎn)。把這些圖像樣本作為灰度圖像，并通過(guò)保持列向量的連續(xù)性，將樣本圖像從二維矩陣轉(zhuǎn)變成N2×1列向量一維矩陣。最后把這n幅圖像的列向量排列成維數(shù)為N2×n的圖像組X。

　　令m為矩陣X中數(shù)據(jù)向量的均值向量，定義如下：

　　通過(guò)X矩陣的所有列向量減去均值向量m，將數(shù)據(jù)矩陣的列向量視為中心，經(jīng)過(guò)以上操作，從而得到協(xié)方差矩陣ST。定義為：

　　對(duì)其進(jìn)行特征值分解，如下：

　　公式中V是與特征值?撰相關(guān)的特征向量組，根據(jù)從高到低對(duì)應(yīng)的特征值設(shè)定特征矩陣的順序。其中特征向量的矩陣就是特征空間V，數(shù)據(jù)矩陣X被投影到特征空間，從而獲取由n列組成的P：

　　P=VTX（7）

　　在識(shí)別階段，正如上面說(shuō)的，圖像S將被轉(zhuǎn)換成一維向量并形成J，然后都在映射到特征空間獲得Z。

　　Z=XTJ（8）

　　其中有個(gè)歐式距離d，它是Z和P中所有的投射樣品的距離。d用L2來(lái)計(jì)算，L2是圖像A和B的規(guī)范的歐氏距離：

　　最后把投射測(cè)試圖像與每個(gè)投影訓(xùn)練圖像作比較，發(fā)現(xiàn)訓(xùn)練圖像更加接近被用來(lái)識(shí)別的訓(xùn)練圖像的測(cè)試圖像。

3 一種Fast PCA改進(jìn)方法

　　3.1 預(yù)處理

　　本文針對(duì)Fast PCA[8-9]提出的改進(jìn)方法是在訓(xùn)練和識(shí)別階段中同時(shí)加進(jìn)預(yù)處理這一過(guò)程。對(duì)于此方法，通過(guò)直方圖均值化過(guò)程進(jìn)行結(jié)果比較，從而通過(guò)增加局部比較來(lái)調(diào)整圖像。這一過(guò)程對(duì)輸入圖像的灰度值進(jìn)行了再分配，從而輸出圖像擁有了統(tǒng)一的灰度值分布。并且通過(guò)式（10），降低圖像灰度值變化和光不對(duì)稱(chēng)效果的影響，將圖像進(jìn)行歸一化：

　　式中：std和m分別表示標(biāo)準(zhǔn)差和輸入圖像灰度值的均值，ustd和um分別表示所期望的標(biāo)準(zhǔn)差和均值。

　　3.2 改進(jìn)后算法流程

　　這一改進(jìn)算法包括下面幾個(gè)步驟：

　　第一步：運(yùn)用直方圖均值化和歸一化過(guò)程，對(duì)數(shù)據(jù)組訓(xùn)練圖像進(jìn)行預(yù)處理。

　　第二步：運(yùn)用第2節(jié)中所提的MB_LBP進(jìn)行特征提取，并在特征矩陣中存儲(chǔ)期望的值。

　　第三步：在特征矩陣中，根據(jù)不同特征的分類(lèi)將其訓(xùn)練圖像放到不同子集中，然后把這些值存儲(chǔ)到特征向量的一個(gè)列向量中。

　　第四步：輸入測(cè)試圖像。

　　第五步：像上面第二步和第三步一樣，將測(cè)試圖像進(jìn)行特征提取和分類(lèi)。

　　第六步：在同一組的訓(xùn)練圖像作為測(cè)試圖像裝載到圖像組中。

　　第七步：在已有的圖像組中，運(yùn)用Fast PCA去識(shí)別這些測(cè)試圖。

4 實(shí)驗(yàn)及結(jié)果分析

　　本次實(shí)驗(yàn)是在ORL人臉庫(kù)中進(jìn)行的，旨在將MB_LBP與改進(jìn)后的Fast PCA結(jié)合的方式在人臉特征提取方面的性能與其他傳統(tǒng)方式進(jìn)行比較。該試驗(yàn)方法是在MATLAB上選取30個(gè)不同人的灰度圖像完成的。原始圖像如圖4，30個(gè)訓(xùn)練樣本圖像如圖5。

　　使用MB_LBP對(duì)如圖5的灰度圖像進(jìn)行處理，用于對(duì)其提取特征，MB_LBP對(duì)于特征提取比以往的方法更加健壯，且對(duì)整體把握度更好，并且它的計(jì)算量不是很大。本文提出的針對(duì)于人臉識(shí)別的算法，在時(shí)間和維數(shù)上都有很好的效果。一張人臉包含了很多特征信息，例如眼睛、鼻子和嘴等，而且每個(gè)特征都有相應(yīng)的一些值和權(quán)重。本次實(shí)驗(yàn)中選用鼻子和嘴處紋理信息，在本次改進(jìn)算法中，在訓(xùn)練樣本數(shù)據(jù)中，根據(jù)這些特征的權(quán)重對(duì)人臉進(jìn)行預(yù)分類(lèi)，每個(gè)人臉將與一個(gè)特征子集相匹配[10]。

　　最后的比較結(jié)果如圖6和圖7所示。計(jì)算量在實(shí)際人臉識(shí)別應(yīng)用中是相當(dāng)重要的因素。從圖6可以看出，原來(lái)的Fast PCA的計(jì)算量比改進(jìn)后的要大得多，時(shí)間隨著訓(xùn)練集中的圖像數(shù)的增加比改進(jìn)后的快得多，這里的時(shí)間是指消耗在訓(xùn)練數(shù)據(jù)和識(shí)別上的總時(shí)間。在圖7中也可以看出，改進(jìn)后算法的特征空間的維數(shù)很低，變化趨于穩(wěn)定，而改進(jìn)前的維數(shù)隨著訓(xùn)練圖像數(shù)的增加越來(lái)越大。

　　為了說(shuō)明Proposed Fast PCA的優(yōu)越型，本文做了Fast PCA特征的人臉識(shí)別與Proposed Fast PCA特征的人臉識(shí)別比較試驗(yàn)。結(jié)果如表1所示。

　　由表1可以看出，在ORL人臉庫(kù)上進(jìn)行實(shí)驗(yàn)，本文所提改進(jìn)算法識(shí)別率最高，但由于實(shí)驗(yàn)方法是MB_LBP算法與Proposed Fast PCA算法的結(jié)合，識(shí)別時(shí)間有些變長(zhǎng)，但是可以發(fā)現(xiàn)，運(yùn)用本文算法可以避免維數(shù)災(zāi)難性增長(zhǎng)的發(fā)生，人臉識(shí)別率明顯提高。后期隨著實(shí)驗(yàn)平臺(tái)的提升，所提算法的人臉識(shí)別時(shí)間會(huì)有所減少，可見(jiàn)，本文算法具有一定的實(shí)用價(jià)值。

5 總結(jié)

　　通過(guò)實(shí)驗(yàn)結(jié)果可以看出本文算法在計(jì)算量和特征空間維數(shù)方面有很好的效果。所改進(jìn)的方法比較簡(jiǎn)單，更重要的是對(duì)于特征提取進(jìn)行了降維，識(shí)別率提升效果明顯。此方法更好地避免了維數(shù)災(zāi)難，更有利于后面的人臉識(shí)別的進(jìn)行。在以后的工作中將對(duì)算法進(jìn)行進(jìn)一步改進(jìn)，以達(dá)到更好效果。

參考文獻(xiàn)

　　[1] 李良，高娜.基于LBP層次特征的表情識(shí)別算法[J].河南理工學(xué)報(bào)，2013，32（6）：732-735.

　　[2] 歐陽(yáng)琰，桑農(nóng).基于面部動(dòng)作組合特征的表情識(shí)別[J].中國(guó)體視學(xué)與圖像分析，2011，16（1）：38-43.

　　[3] LI W M， LI Y F， WU Y. A mode based method for overall well focused catadioptric image acquisition with multi-focal images[C]. proc of ICCAIP， 2009：648-653.

　　[4] 郭艷榮，蔣建國(guó)，郭世杰，等.基于LBP文理特征的隨機(jī)游走圖像分割[J].電路與系統(tǒng)學(xué)報(bào)，2013，18（1）：357-364.

　　[5] 盧桂馥，林忠，金忠，等.基于最大差值的二維邊界Fisher的人臉識(shí)別[J].計(jì)算機(jī)科學(xué)，2010，37（5）：251-253.

　　[6] FANG Y C， LUO J， LOU C S. Fusion of multi-driectional rotation invariant unform LBP features for face recognition[C]. Proceedings of the 3rd International Conference on Intelligent Information Technology Application， NJ， USA， 2009：332-335.

　　[7] SAJID I， AHMED M M， TAJ I. Design and implementation of a face recognition system using Fast PCA[J]. IEEE Translation on Computer Society， 2008，16（8）：126-130.

　　[8] TUCK M， PENTLAND A. Eigenfaces for Recognition[J].Cognitive Neuroscience， 1999，3（1）：71-86.

　　[9] 褚玉，李妮妮，劉軍清，等.基于均值濾波分頻的直方圖均衡方法[J].中山大學(xué)學(xué)報(bào)：自然科學(xué)版，2013，52（4）：71-75，85.

　　[10] 張錚，王艷平，薛桂香.數(shù)字圖像處理與機(jī)器視覺(jué)[M].北京：人民郵電出版社，2010.