頊聰，陶永鵬
?。ù筮B外國語大學 軟件學院， 遼寧 大連 116044）
摘要：局部二值模式(LBP)算法是人臉識別領域中的經典算法,能夠捕捉局部的細節特征，但其魯棒性和識別率易受外部環境變化的影響。文章深入研究了LBP算法，從LBP算子、直方圖特征提取對傳統LBP算法進行改進，并結合LIOP編碼方法，進一步提出了增強局部量化模式（ELQP）的人臉識別算法。實驗結果表明，改進的LBP算法具有更高的識別率和較強的魯棒性。
中圖分類號：TP391文獻標識碼：ADOI： 10.19358/j.issn.16747720.2016.23.005
引用格式：頊聰，陶永鵬. 基于改進的LBP人臉識別算法的研究［J］.微型機與應用，2016,35（23）：18-20,27.
0引言
人臉識別，特指利用分析比較人臉視覺特征信息進行身份鑒別的計算機技術。研究人臉識別重點在于對核心算法的研究,通過算法的改進使識別結果具有實用化的識別率和識別速度。當前人臉識別領域中，主要有以下核心算法研究［1］：（1）通過積分方式進行歐式距離表示,形成的基于幾何特征的算法，例如MIT的Brunelli和Poggio科研團隊。（2）利用模板匹配算法進行人臉特征提?。ㄈ缑济⒀劬喞奶卣魈崛。?，例如Harvard大學SmithKettlewell眼睛研究中心。然而目前面臨的主要問題是外界環境的不斷變化對人臉識別產生了巨大影響，加大了識別的難度。如何提出新算法或改進原有的算法進行有效的人臉特征提取是目前人臉識別技術研究的重點。
早期的研究提出了Eigenface方法［2］，主要是利用主成分分析（PCA）進行人臉特征提取，形成特征臉，因為初步提取的描述人臉外在變化的特征臉維度較高，所以要進行降維處理。在此基礎上進一步提出了Fisherface［3］方法，先應用PCA對特征向量進行降維，然后使用線性判別分析(LDA)使特征的類內差異減小并增大類間差異。但是這些基于全局特征的方法對于表情、光照、遮擋這些變化十分敏感，于是基于局部特征的人臉算法逐漸成為新的研究熱點。
1LBP的算法的改進
1.1LBP理論
局部二值模式(LBP)算法是一種典型的基于局部特征的識別算法［4］。LBP局部二值模式是一種基于灰度值比較的局部紋理結構表示方法，與灰度特征相比表示能力更強。它對于邊緣、角點和平滑變化的圖像區域都能良好地表示出來。對于任意圖像I來說，LBP通過比較中心像素點和鄰域像素點的值來對圖像進行重編碼，其定義如下：
其中φ(x)為閾值化函數，只有當x的值大于等于0時函數值為1，否則函數值為0；n代表LBP編碼總的鄰域點數；k表示第k個鄰域點；c代表中心像素點。
LBP算法計算方法簡單，不涉及到復雜的運算，但是本身存在兩個缺陷：
第一,隨著LBP的鄰域點數量增加，LBP的主模數量會成指數形式增加。
第二,LBP編碼雖然有一定的灰度不變性和旋轉不變性，但是對姿態變化和光照變化等外界環境依然不夠魯棒。
1.2LBP算子的改進
對于LBP算法的改進，目的是克服原有算法的不足，提高在復雜外界環境下人臉的識別率。
由于基于局部特征提取框架主要分為三個部分，因此主要的改進方向有：圖像濾波、模式采樣、模式編碼三個。
1.2.1圖像濾波上的改進
在不同的光照環境下得到的人臉圖像存在顯著的差異，為了消除這種差異需要對圖片進行預處理。具體來說就是對于圖像I使用濾波核w進行濾波處理，得到圖像f(I)，然后對f(I)進行LBP編碼。增強圖像細節。
1.2.2模式采樣的改進
LBP方法只使用了鄰域點與中心像素點的大小關系，沒有利用上鄰域點之間的大小關系，而且對于鄰域點之間的權重是相等的。因此如何利用鄰域點之間的大小關系進行編碼是重點解決的關鍵技術問題。考慮到局部序數模式算法可以對鄰域點按照一定的關系排序，因此本文采用該算法去改善模式的編碼。
1.2.3模式編碼上的改進
LBP編碼的主模數與鄰域點數之間存在指數關系，然而為了增強判別能力不得不使用較大的鄰域點數。因此如何降低主模數量是重點解決的關鍵技術問題。針對這個問題HUSSAIN S U提出了LQP，通過使用離線K均值距離建立一個碼本，并將二進制序列分成K個子類來編碼主模。
1.3直方圖特征提取
改進LBP算子后，需要進一步進行直方圖下的特征提取。如圖1所示。
?。?）直方圖特征度量
基于圖像分塊的直方圖特征提取是一種局部建模方法，計算得到空間直方圖對于表情、飾物、光照、姿態等的變化不敏感。為了對直方圖特征進行相似度比較，因此需要使用一定的度量標準。對于圖片的直方圖特征表示來說，傳統的歐氏距離度量不再適用于直方圖相似度的計算，直方圖相交距離［5］可以有效表示其直方圖特征的類似狀況，因此本文加以采用，并給出直方圖相交距離的數學定義：
（2）直方圖權重度量方法
人臉不同的部位對于身份的辨別具有不同的重要性。不同的直方圖特征對應的判別能力也不同，因此需要對不同的直方圖塊賦予不同的權重。整體的直方圖特征就是由每一個區域的直方圖連接起來的。為了體現不同直方圖塊在整體人臉的不同部位的重要性，需要進行權重的分配。而目前關于權重的設置并沒有一個很好的方案，人工指定的方法過于復雜，對于各個區域權重的取值過于隨意，取值全靠經驗。因此針對不同的直方圖特征對應的判別能力的不同，本文改寫了上面直方圖相交的公式，加入了權重后其直方圖相交距離為：
就是第i塊直方圖對應的權重值。
（3）直方圖特征的降維方法
直方圖特征維數過高不利于后續的識別和實際應用中實時計算的要求，因此有必要對直方圖特征進行降維處理。本文利用特征降維法PCA［6］，算法步驟為：①計算散布矩陣S；②計算散布矩陣S的本征值和本征向量；③按本征值的大小，從大到小對其對應的本征向量進行排序；④選擇其中最大的d個本征值對應的本征向量，并將其作為投影向量，構成D×d投影矩陣W。
測試結果如圖2所示。
圖2（a）是原始人臉圖像，圖2（b）是采用分塊的 LBP圖像的空間增強直方圖算法進行特征提取的人臉圖像，圖2（c）是經過 PCA 降維的特征圖像?？梢钥闯鼋涍^ PCA 降維的人臉的局部細節特征依然保留，但數據量降低，說明經 PCA 降維的特征提取取得了良好的效果。通過降維后人臉圖像特征矩陣識別將轉化為樣本分類的求解問題，本文則通過構建最小支持向量機來進行分類。
2增強局部量化模式（ELQP）人臉識別算法
2.1概述
因LBP的鄰域編碼能力比較弱化，依然影響最終人臉的識別，所以本文在改進LBP算法的基礎上進行更進一步的研究，提出增強局部量化模式（ELQP）的人臉識別算法。
LIOP［7］是用鄰域序數關系代替LBP的鄰域編碼，具有更強的判別能力，LQP是一種通過查表的方式對特征向量進行編碼的方法，可以在不增加計算復雜度的情況下對更大的鄰域進行采樣編碼。因此結合LIOP和LQP的優點提出了ELQP算法進行人臉識別。
2.2LIOP主模數指數級增加的解決
LIOP也會遇到隨著鄰域點數的增加，主模數呈指數級增加的問題。應用局部量化模式可以在一定程度上解決這個問題。局部量化模式通過預先建立的查找表來對特征向量進行量化編碼，設計分為訓練和編碼兩個階段。訓練階段提取所有圖像的鄰域特征向量，應用K均值聚類算法得到一個碼本。編碼階段使用查表法將特征向量編碼成碼本中對應的碼字，從而獲得LQP編碼圖。
2.3融合LIOP和LQP的特征提取方法
增強局部量化模式是融合LIOP與LQP的特征提取方法。如何進行融合是問題處理的關鍵。本文設計的ELQP編碼選用16個鄰域點構成的鄰域向量計算離線碼本。為了降低計算量，此處將圖像分成6×6的子塊，分別為每一個子塊計算一個碼本。鄰域點的定義如圖3所示。
2.4似度量與降維方法
所有圖像提取特征向量后都需要比較圖像之間的相似度。考慮到識別過程的計算效率，針對直方圖特征一般使用直方圖相交度量來計算相似度。如何定義兩個直方圖的特征向量并計算直方圖相交距離是重點解決的關鍵問題。同時利用Fisher［8］進行特征向量的權重的分配。對于降維處理本算法采用了WPCA［9］降維。
3實驗參數與結果
實驗中的所有算法使用直方圖相交度量的結果如表1所示。表2給出了各算法的特征提取時間和維數。
從表1的實驗結果發現，本文方法的識別率在遮擋、表情、年齡、背景和距離5個測試集上的結果優于與之對比的PCA、LBP、Fisherface算法。
表2的結果表明本文算法ELQP在高維度下提取時間用時很少，效率高于PCA及Fisherface算法。這說明了本文算法的實用性較強。
4結論
人臉識別是一個具有巨大挑戰力的課題，雖然近十幾年來得到了非常大的關注，也取得了很多的研究成果，但是仍然沒有在本質上有很大的突破。本文通過分析局部二值模式(LBP)算法在人臉識別中的問題，針對LBP算子在圖像濾波、模式采樣、模式編碼三個方面進行了改進，以提高在多變環境下LBP算法的人臉識別率。在改進的局部二值模式(LBP)算法基礎上，本文針對LBP編碼時鄰域特征向量的關系進行深入研究，結合LIOP和LQP算法的優點，提出了增強局部量化模式（ELQP）算法。并通過實驗進行了驗證，證明了本算法的優越性。
參考文獻
?。?］ 山世光.人臉識別中若干關鍵問題的研究［D］. 北京:中國科學院計算技術研究所,2004.
?。?］ 張寶昌.人臉特征提取和非線性識別方法的研究［D］.哈爾濱：哈爾濱工業大學, 2006.
?。?］ ZHAO W, CHELLAPPA R, PHILLIPS P J, et al.Face recognition: a literature survey［J］.ACM computing surveys (CSUR), 2003, 35(4): 399-458.
?。?］ 雷震.人臉識別關鍵問題和算法研究［D］. 北京:中國科學院計算技術研所,2010.
?。?］ HARMAON L D, KHAN M K, LASCH R, et al. Machine identification of human faces［J］. Pattern Recognition, 1981, 13(2): 97-110.
?。?］ CHELLAPPA R, WILSON C L, SIROHEY S. Human and machine recognition of faces: a survey［J］. Proceedings of the IEEE, 1995, 83(5): 705-741.
?。?］ PENTLAND A, MOGHADDAM B, STARNER T. Viewbased and modular eigenspaces for face recognition［C］.Computer Vision and Pattern Recognition, 1994. Proceedings CVPR'94., 1994 IEEE Computer Society Conference on. IEEE, 1994: 84-91.
［8］ BELHUMEUR P N, HESPANHA J P, KRIEGMAN D J. Eigenfaces vs. fisherfaces: recognition using class specific linear projection［J］. Pattern Analysis and Machine Intelligence, IEEE Transactions on, 1997, 19(7): 711-720.
［9］ 謝術富.人臉識別中的局部表示方法研究［D］.北京:中國科學院計算技術研究所,2010.