NSST与CSLDP相结合的人脸识别_杨恢先

136
2016， 52 （8）
Computer Engineering and Applications 计算机工程与应用
识别， 取得了较好的识别效果。钟福金 [7] 等人提出一种 增强的局部方向主导模式 （Enhanced Local Directional ） ， 对边缘响应最大值对 Patterns dominant patterns， ELDPd 应的方向和第二大值对应的方向进行编码， 并通过统计分 析增强的局部方向模式在大量人脸图像中的发生率， 选 择出具有鉴别性的主导模式， 获得较好的人脸识别效果。 （HistoSchwartz 等 [8] 提出 Shearlet 变换系数直方图 grams of Shearlet Coefficients， HSC） 特征， 将 Shearlet 变换各层分解系数直方图级联起来形成 HSC 特征， 通 过纹理分类和人脸识别来评价 HSC 特征的优劣性， 取 得了较好的实验效果。周霞等 [9] 提出 Shearlet 多方向特 征融合与加权直方图的人脸识别算法， 充分证明加权融 合的 Shearlet 直方图特征在分类识别上的优势。非采样 Shearlet 变换 （ Nonsubsampled Shearlet Transform， NSST） 相对经典的 Shearlet 变换具有多尺度多方向性、 平移不 变性和稳定性等特点， NSST 在对图像的边缘和纹理等 特征的描述方面更为准确， 具有较强的抗噪能力
[2]
基金项目： 湖南省教育厅资助科研项目 （No.10C1263） ； 湘潭大学资助科研项目 （No.11QDZ11） 。 作者简介： 杨恢先 （1963—） ， 男， 教授， 主要研究领域为模式识别、 数字图像处理； 翟云龙 （1988—） ， 男， 硕士， 主要研究领域为模式 识别， E-mail： zhai_yun_long@ ； 蔡勇勇 （1988—） ， 男， 硕士， 主要研究领域为模式识别、 嵌入式系统； 奉俊鹏 （1990—） ， 男， 硕士， 主要研究领域为模式识别、 数字信号处理； 李球球 （1989—） ， 男， 硕士， 主要研究领域为模式识别。 收稿日期： 2014-06-04 修回日期： 2014-08-05 文章编号： 1002-8331 （2016） 08-0135-06 CNKI 网络优先出版： 2014-12-30, /kcms/detail/11.2127.TP.20141230.1655.003.html
[10-11]
3 中心对称局部方向模式 3.1 LDP
人脸图像的局部方向模式基本思想是图像 3×3 邻 域像素灰度值与 8 个 Kirsch 模板卷积得到相应方向的 将第 i 个边缘响应的绝对值 边缘响应 m i (i = 0 1 7) ，
|m i | 按顺时针方向与第 k 个绝对值最大的边缘界面等领域有广泛应
[1]
匀等问题， 人脸识别性能卓越， 受到了广泛关注。 Jabid[5] 等人提出更加鲁棒的局部方向模式 （Local Directional Pattern， LDP） 特征描述符， LDP 充分利用局部边缘梯度信 息表达人脸特征， 但是 LDP 仅考虑中心像素的 8 个边缘 响应绝对值与第 3 个绝对值最大边缘响应比较并编码， 没有充分考虑其他响应对特征模式的影响。 Rojas[6]等人 提出局部符号方向模式 （Local Sign Directional Pattern， LSDP） ， 使用方向的符号信息， 对边缘响应最大值对应 的方向和最小值对应的方向进行编码， 并应用到表情
与中心对称局部方向模式相结合的人脸识别算法。采用 NSST 分解人脸图像， 得到低频子带图像和高频子带图像， 计算子带图像中心对称局部方向模式， 分块统计直方图特征信息， 将直方图串接起来作为人脸图像的特征向量， 利 用最近邻分类器分类识别。在 ORL、 YALE 和 CAS-PEAL-R1 人脸库上进行测试， 实验结果表明所提方法简单有效， 且对姿态、 光照和表情变化具有较好鲁棒性。 关键词： 人脸识别； 非采样 Shearlet 变换； 中心对称局部方向模式； 最近邻分类器 文献标志码： A 中图分类号： TP391.41 doi： 10.3778/j.issn.1002-8331.1406-0009
比较， 大于或者等于 0 则二进制相应位取 1， 反之取 0， 得 到一个八位的二进制编码， 然后根据不同位置进行加权 求和， 所得的十进制数即为该像素点的 LDP 特征值。八 LDP 特征提 个方向的 Kirsch 模板 ( M 0 ~M 7) 如图 2 所示， 取流程如图 3 所示。
é- 3 - 3 ê- 3 0 ê ë- 3 - 3 东 M0 5ù 5ú ú 5û 5ù é- 3 5 ê- 3 0 5ú ú ê ë- 3 - 3 - 3û 东北 M1 é- 3 - 3 - 3ù ê5 0 - 3ú ú ê 5 - 3û ë5 西南 M 5 5 5ù é5 ê- 3 0 - 3ú ú ê ë- 3 - 3 - 3û 北 M2 é- 3 - 3 - 3ù ê- 3 0 - 3ú ú ê 5 5û ë5 南 M6 5 - 3ù é5 ê5 0 - 3ú ú ê ë- 3 - 3 - 3û 西北 M 3 é- 3 - 3 - 3ù ê- 3 0 5ú ú ê 5û ë- 3 5 东南 M 7
人脸图像经 NSST 变换后获得低频子带和一系列
最大的边缘响应比较并编码， 没有充分考虑原始值的 正负号， 也忽略了其他响应对特征模式的影响。原始 卷积结果的正负符号可能包含更多的信息， 因为它表示 梯度幅值增大、 减小两个相反的趋势[12]。参考文献[13]提 出的中心对称局部二值模式 （Center-Symmetric Local Binary Pattern， CS-LBP） ， 同 时 考 虑 到 3×3 邻域 中心像 素与邻域像素均值之间的大小关系同样包含重要的鉴 别人脸特征的信息， 提出 CSLDP。 中心对称局部方向模式基本思想是人脸图像 3×3 子 邻 域 与 Kirsch 八 个 模 板 卷 积 得 到 八 个 边 缘 响 应 m i
*{ M i}
图3
LDP 特征提取流程
LDP 计算如式 （1） 所示：
LDP k = å b i (|m i | - |m k |) ´ 2i ， b i ( x) =
i=0 7
{
1 x 0 0 x < 0
（1）
3.2
CSLDP
LDP 仅利用 8 个边缘响应的绝对值与第 3 个绝对值
2
非采样 Shearlet 变换
。
针对 LDP 的不足， 提出一种中心对称局部方向模式 （Center-Symmetric Local Directional Pattern， CSLDP） ， 为了更有效地提取人脸图像各尺度各方向信息， 提高识 别率， 首 先 用 NSST 分 解 人 脸 图 像 获 得 非 采 样 Shearlet 系数 （Nonsubsampled Shearlet Coefficient， NSC） 矩阵， 然后提取 CSLDP 特征， 并分块统计直方图特征， 最后将 所有子块串接起来组成人脸 NSC 中心对称局部方向模 式 直 方 图 特 征（Histogram of NSC Center-symmetric Local Directional Pattern， HNCLDP） ， 并用最近邻分类 器实现人脸特征匹配。
Computer Engineering and Applications 计算机工程与应用
2016， 52 （8）
135
NSST 与 CSLDP 相结合的人脸识别
杨恢先， 翟云龙， 蔡勇勇， 奉俊鹏， 李球球
YANG Huixian, ZHAI Yunlong, CAI Yongyong, FENG Junpeng, LI Qiuqiu
湘潭大学 材料与光电物理学院， 湖南 湘潭 411105 Faculty of Material and Photoelectronic Physics, Xiangtan University, Xiangtan, Hunan 411105, China YANG Huixian, ZHAI Yunlong, CAI Yongyong, et al. Face recognition based on NSST and CSLDP. Computer Engineering and Applications, 2016, 52 （8） ： 135-140. Abstract： To overcome the limitations of traditional face recognition methods under variations in position, illumination and expression, a novel method of face recognition based on Nonsubsampled Shearlet Transform （NSST）and Center-Symmetric Local Directional Pattern （CSLDP）is proposed. A face image is decomposed with NSST and CSLDP operator is utilized to get CSLDP feature maps from sub-images. CSLDP feature maps are divided into several blocks and the concatenated histogram calculated over each block is used as the face feature. Nearest neighbor classifier is used to classify the faces. Experimental results on ORL, YALE CAS-PEAL-R1 face databases demonstrate that the proposed descriptor is simple and effective, and also robust to variations of posture, illumination and face expression. Key words：face recognition; Nonsubsampled Shearlet Transform （NSST） ; Center-Symmetric Local Directional Pattern （CSLDP） ; nearest neighbor classifier 摘 要： 针对人脸识别中姿态、 光照和表情等变化造成的识别率不高的问题， 提出一种非采样 Shearlet 变换 （NSST）