徐金林　林玉娥

摘要：針對LBP算法的特征描述只與中間點和鄰域點的灰度值大小有關(guān)，而忽略了各個鄰域點之間灰度值相關(guān)性的問題，提出了一種改進的LBP算法。該方法在特征提取時，不再僅僅依賴于中心點，而是結(jié)合中心點與其相鄰鄰域點之間的關(guān)系，然后再利用PCA降維處理，算法不但降低了特征維度，而且提高了運算速度。OKL人臉庫上的實驗結(jié)果表明，改進的LBP算法與原始的LBP算法相比，在識別率上有所提高。

關(guān)鍵詞：局部二值模式；特征提??；主成分分析；降維；識別率

中圖分類號：TP391 文獻標識碼：A 文章編號：1009-3044（2017）17-0173-02

1概述

人臉識別，是對人的臉部特征信息進行身份識別的一種生物識別技術(shù)，它的應(yīng)用前景十分廣泛。如視頻監(jiān)控、公安、司法和刑偵等安全領(lǐng)域。人臉識別的關(guān)鍵是如何提取出合適的信息來識別人臉。在過去的幾十年里，相關(guān)的研究者們提出了許多有關(guān)于特征提取的算法?；趲缀翁卣鞯姆椒ā⒕€性鑒別分析法、特征臉方法和神經(jīng)網(wǎng)絡(luò)方法等能很好地將人臉的形狀、紋理等信息描述出來，但是這些方法很難處理維數(shù)過高的圖像，且容易受到光照等客觀因素的影響。近幾年，基于局部的方法越來越受到研究者的歡迎，這是由于基于局部的方法不但能解決數(shù)據(jù)維數(shù)過高的問題，而且對光照和表情等具有不變性。

局部二值模式（Local Binary Pattern，簡稱LBP）是一種很有效的紋理描述算子。LBP算法最初是被用于紋理描述中的，由于其計算簡單、特征分類能力強等特點而被用于人臉識別中。該算法首先計算圖像中每個點與其鄰域點在灰度上的二值關(guān)系；然后，對二值關(guān)系按照某種規(guī)則形成局部二值模式；最后使用得到的特征向量來描述圖像的特征。但是局部二值模式在計算LBP算子時會產(chǎn)生大量的噪聲信息，計算時又由于特征向量維數(shù)過大而使得計算量變大，影響識別效率。

基于以上問題，本文提出了一種改進的LBP算法并結(jié)合主成分分析方法（Principal Component Analysis，簡稱PCA）降維來描述和識別人臉信息。首先，將圖像中的每個點和與其相鄰鄰域點的灰度值相加；然后將計算結(jié)果與其相鄰的計算結(jié)果比較；再將比較的結(jié)果按一定規(guī)則形成局部二值模式；最后用PCA算法處理得到的特征向量，對人臉進行分類識別。

通過ORL人臉庫實驗驗證，與原始的LBP算法相比，改進后的算法對人臉圖像具有更好的表示和判別能力。

2基于改進的LBP和PCA算法的人臉識別

2.1 LBP算法

LBP是一種用來描述圖像局部紋理特征的算子；它擁有旋轉(zhuǎn)不變性以及灰度不變性等優(yōu)點。它是首先由T.Ojala，M.Pi-etikainen和D.Harwood在1994年提出，用于紋理特征提取。后來由于其獨特的優(yōu)勢，被用于人臉識別。

2.1.1 LBP特征的描述

原始的LBP算子是定義在九宮格里的，中間點的像素值叫做閾值，將其余8個相鄰鄰域點的像素值和閾值比較，如果相鄰鄰域點的像素值大于或等于閾值，那么這個像素點的值記做1，否則記做0。九宮格里的8個鄰域點經(jīng)過與閾值相比，得到的結(jié)果按某種順序排列，可以得到一個8位的二進制數(shù)，再將二進制值轉(zhuǎn)化成十進制，就得到了九宮格中心像素點的LBP值（共有256種），并用這個數(shù)值表示該區(qū)域周邊的灰度情況。如圖1所示：

循環(huán)遍歷整張圖像的每個像素點，即可得到該圖像的所有LBP值，即該人臉的特征向量，并對特征向量進行模式轉(zhuǎn)換，最后計算每個LBP特征之間的距離。

2.1.2改進的LBP算法

LBP算法雖然簡單有效，但是仍然有一定的局限性。算法只與中心像素點和各鄰域點灰度值的大小有關(guān)，并沒有考慮到各相鄰的鄰域點間的灰度相關(guān)性。針對該問題，本文提出了一個新的改進的LBP算法：比較鄰域點時不僅僅只依賴閾值點，而是將鄰域點與自己相鄰的下一個鄰域點來較。具體實現(xiàn)如圖2所示。

該算法使用原始圖像的中心點和它周圍各個鄰域點相加；再將各鄰域點得到的值按一定順序與其相鄰鄰域點的值比較；然后進行二值化處理。這樣既保證了其與中心像素點的關(guān)系，又體現(xiàn)了其與相鄰像素點間的聯(lián)系，能更好地反映該點的灰度情況。

2.2PCA算法

主成分分析（PCA）方法是目前應(yīng)用十分廣泛的一種代數(shù)特征提取的方法，是一種基于變量協(xié)方差矩陣處理、壓縮和抽提樣本中數(shù)據(jù)的有效方法。

主成分分析的原理是借助某個特殊的特征向量矩陣U，將一個高維的矩陣x投影到一個低維的特征向量空間中，稱作低維向量y，且損失了一些不重要的數(shù)據(jù)。即借助低維的向量y和特征向量矩陣U，就能夠大致模擬出所對應(yīng)的原始高維的矩陣x。

2.3結(jié)合PCA的LBP人臉識別過程

LBP算法雖然能很好地表示人臉信息，但是特征維度過高，計算難度較大，而PCA算法可以降低特征維度。因此，本文針對這一問題，提出了結(jié)合PCA的LBP人臉識別算法。具體實現(xiàn)過程如圖3所示。

主要過程包括：1）計算圖像的LBP描述子，統(tǒng)計出各圖像的LBP直方圖，并將每個圖像的LBP直方圖特征轉(zhuǎn)換成一維向量；2）將得到的LBP直方圖向量利用PCA算法做降維處理，得到人臉圖像的特征表達；3）用得到的人臉特征表達和數(shù)據(jù)庫中的人臉依次比較，計算識別的正確率。

3實驗結(jié)果與分析

本文采用ORL人臉數(shù)據(jù)庫對原始的LBP算法和改進后的LBP算法進行比較驗證。ORL人臉庫共有40個人臉。每個人臉有10幅圖像，一共由400張灰度圖像構(gòu)成，圖像的尺寸是92×112像素。其中每張人臉的表情和細節(jié)都有一定的變化，例如笑和不笑、睜眼和閉眼，戴和不戴眼鏡等，人臉的姿態(tài)也有一些變化，它的深度旋轉(zhuǎn)和平面旋轉(zhuǎn)可以達到20度，人臉的大小也有至多10%的變化。

本實驗將ORL人臉數(shù)據(jù)庫中的圖像分為訓(xùn)練樣本和測試樣本，實驗改變訓(xùn)練樣本數(shù)目（從2張到9張），其余的作為測試樣本，比較改進前后LBP算法的識別情況。實驗結(jié)果如圖4所示。

由實驗結(jié)果圖4可知，改進后的LBP算法較改進前的算法，在識別率上明顯有所提高，隨著訓(xùn)練樣本數(shù)目的增加，識別率也顯著增高。這主要是改進后的算法，結(jié)合了點與相鄰鄰域點之間的關(guān)系，使用了PCA降維處理，降低了特征向量維度，且去除了特征向量的冗余，提高了計算效率，能更準確的描述圖像的像素值。

4結(jié)束語

本文提出了一種基于改進LBP并結(jié)合PCA算法的人臉識別算法。該算法先結(jié)合每張圖像的每個像素點和與它相鄰鄰域點之間的關(guān)系；再用改進的LBP的方法求取每張圖像的LBP直方圖向量；然后結(jié)合PCA降維處理LBP直方圖特征向量；最后將其作為人臉的鑒別特征并用于人臉識別。實驗結(jié)果分析表明，本文提出的改進LBP算法對人臉有很高的鑒別性，并且對光照和人臉表情等具有較高的魯棒性。