一种基于中值思想的改进人脸识别方法

一种基于中值思想的改进人脸识别方法
郭浩;王国宇
【摘要】The principal component analysis (PCA) is a classical algorithm which can be used for the face recognition sys-tem. It extracts the main component in the sample face images by reducing the dimensionality, maps the face images which need to be identified to the training set, and then figures out the identification outcome by comparison. However, the illumination con-dition is a very important factor affecting the result of the discrimination. To solve this problem, a new method is proposed, in which gray images that are better than LBP are obtained first on the basis of the idea of intermediate values, some redundant fea-tures are removed by the aid of principal component analysis, and then the images are identified again by the PCA algorithm. The experimental results demonstrated the effectiveness of this method.%主成分分析(PCA)是一种经典算法,可用于人脸识别系统.它基于降维的方法提取样本人脸图像中的主要成分,并将待识别的人脸图像映射到训练集中,经比对后得出识别结果.但在此基本方法中光照变化是影响判别结果的一个重要因素.为克服此问题,在此提出一种新方法,即首先基于中值思想得出较局部二值模式改进的灰度图像,然后借助主成分分析思想去除一些冗余特征,并且再次用PCA算法对图像进行识别.
【期刊名称】《现代电子技术》
【年(卷),期】2013(036)002
【总页数】3页(P16-18)
【关键词】中值;人脸识别;主成分分析;光照条件
【作者】郭浩;王国宇
【作者单位】中国海洋大学信息科学与工程学院,山东青岛 266100;中国海洋大学信息科学与工程学院,山东青岛 266100
【正文语种】中文
【中图分类】TN919-34
0 引言
当今社会信息安全问题备受关注，使得人们对生物特征识别技术寄予厚望。

人脸识别是计算机视觉领域的重要研究内容，与其他生物特征识别技术相比具有独到的优势[1]。

近年来各种人脸识别算法相继被提出，主要分为以下几类：基于局部特征的算法，如局部二值模式法（LBP）[2]；基于人脸整体特征的主成分分析法（PCA）；基于整体与局部融合的算法，如特征脸与特征眼融合。

在各种识别方法中，光照是影响准确判别的重要因素[3-4]。

要尽量消除此影响一般有两种方法，一种是尽量得到不依赖于光照的图像或特征，如3D人脸信息，非紫外线光谱特征等[5]；另一种是基于光照不变模型，也就是尽量使算法对光照不具有敏感性。

局部二值模式（LBP），小波变换，边缘二值图像等具有此特点。

基于LBP的人脸识别对光照具有较强的鲁棒性，且算法复杂度不高，操作简便，因此得到了人们的广泛关注。

针对它依然存在的问题，提出一种基于中值思想的特征提取方法，使识别过程对光照有更强的鲁棒性。

对人脸库进行的实验证明了此方法的有效性。

1 PCA的简单介绍[6]
主成分分析法，顾名思义，提取的特征是原有特征中的主要成分。

它是人脸识别的一种基准算法。

通过其中降维的思想可以保留数据的主要信息，使用这些主要成分进行判别。

判别过程分为训练和识别两部分：
具体训练方法如下（假设有200幅训练图像）：
（1）得出训练样本矩阵：
（2）计算平均脸：
（3）计算每一张人脸与平均脸的差值：
（4）构建协方差矩阵：
（5）求C的特征值和特征向量，选取前p个特征值及其对应的特征向量，使训练样本在前p个特征向量集上的投影有99%的能量。

（6）将每一幅人脸与平均脸的差值脸矢量投影到“特征脸”空间，即：
识别方法如下：将待识别人脸图像与平均脸的差值脸投影到特征空间，计算与各个训练人脸差值脸投影的距离，欧式距离最小的即为识别结果。

PCA算法是一种经典算法，关于它的介绍有很多材料可查，这里只给出简单介绍，不做赘述。

TURK等首先将PCA用于人脸检测识别[7]。

2 局部二值模式[8]
局部二值模式是一种纹理特征提取方法，最先由OJALA等提出。

LBP算子以中心
灰度值作为阈值，是一个3×3窗口，将窗口内其他灰度值与中心灰度值作比较，
前者不小于后者时相应位置赋值为1，否则赋值为0。

然后从左上角开始顺时针依次加权20～27，转换为十进制数，将此数作为此像素的LBP值。

具体过程如图1所示。

图1 LBP算子的具体过程
所以此像素的LBP值为142。

由原始图像经过此种运算的结果如图2所示。

图2 运算结果图示（一）
直观上不难看出，光照对图的影响依然较大而且存在噪声。

3 基于中值思想的改进方法[9]
上文中阈值的选取对局部纹理结构不能有效反映，光照的影响比较大而且存在噪声。

为了更好地反映局部纹理且去除部分噪声的影响，采用中值滤波的思想来选取阈值。

即首先将3×3窗口内的灰度值由低到高进行排列，取排在中间的值作为阈值，然
后借鉴局部二值模式里面的加权方法得出新的LBP值。

图3 窗口举例
如图3所示，此窗口的中值为97，所以相应阈值就取97，从而得到新的LBP值
为156。

运算结果如图4所示。

图4 运算结果图示（二）
直观上看来，光照的信息基本被消除，从图中基本看不出光照的方向了。

各个LBP值有不同的发生概率，有的LBP值的出现是小概率事件。

如果都用一种
方法计算LBP值那么对于不同的纹理结构和光照条件则没有针对性。

所以为了避
免此问题并提出主要信息，借鉴上文PCA的思想，将所有LBP值按出现概率由高到低排列，选取前99%作为保留值，并将其他LBP值均赋值为0。

这样就在保留
主要细节的基础上降低了运算复杂度。

4 实验结果分析
AR人脸库由133个人的每人7幅脸部图像组成。

其中跟光照有关的有4幅，分别为：中性表情时候的中性光、左侧光、右侧光、正常光。

取正常光照下的中性表情作为训练集，比较不同方法的识别结果。

实验结果如表1所示。

表1 不同光照下不同算法的识别结果右侧光101119125 PCA LBP+PCA中值LBP+PCA中性光68113119左侧光86120126
从表1中可以看出，在AR中，对于原始的PCA算法对于3种不同光照的正确识别数目分别为68幅，86幅和101幅，对于改进的中值LBP和PCA法[10]配合使用可正确识别的数目分别为119幅，126幅和125幅。

该结果的识别率明显高于其他2种。

表明提出的这种算法对于光照有很强的鲁棒性，对比于其他方法更具实用性。

实验结果表明，对于光照变化的情况，中值LBP和PCA配合使用的方法与其他算法相比识别率有了明显的提升，可见所提出的算法能够很好地描述光照变化条件下人脸的主要个性特征，使PCA算法更有效率。

5 结语
通过分析LBP算子的优缺点，提出了改进型的基于中值思想的LBP算子，根据该算子得到人脸图像的灰度图，并采用PCA算法对一系列图像进行识别。

实验结果表明，在不同光照的条件下，该算法与传统PCA算法和LBP+PCA算法相比在不提高算法复杂程度的基础上有效提高了识别精度。

同时此种改进型LBP 图对于提取人脸的主要个性特征有着重要意义。

参考文献
[1]GRUDIN M A.On internal representations in face recognition
systems[J].Pattern and Vision Computing,2000（19）:1161-1177.
[2]AHONEN T,HADID A,PIETIK M.Ainen face recognition with local binary patterns[M].New York：Springer,2004.
[3]KAO W C,HSU M C,YANG Y Y.Local contrast enhancement and adaptive
feature extraction for illumination invariant face recognition[J].Pattern Recognition,2010,43（5）:1736-1747.
[4]ZOU X,KITTLER J,MESSER K.Illumination invariant face recognition:a survey[C]//Proceeding of IEEE.AC,UK:IEEE,2007:1-8.
[5]GEORGHIADES A S,KRIEGMAN D J,BELHUMEUR P N.Illumination cones for recognition under variable lighting face[C]//Proceedings of IEEE Conference on CVPR.Santa Barbara,USA:IEEE,1998:147-159.
[6]庞珊珊.基于肤色和主成分分析的人脸检测和识别的算法研究[D].青岛：中国海洋大学，2011.
[7]TURK M,PENTLAND A.Eigenfaces for recognition[J].Cognitive Neuroscience,1991,3（1）:71-86.
[8]OJALA T,PIETIKAINEN M,MAENPAA T.A comparative study of texture measures with classification based on feature distributions[J].Pattern Recognition,1996,29:51-59.
[9]GONZALEZ R C.Digital image processing[M].2nd ed.北京：电子工业出版社，2007.
[10]SONG Jia-tao,CHEN Bei-jing.Face recognition based on binary template matching[J].Lecture Notes in Computer Science,2007,4681:1131-1139.。