基于完备局部相位量化的低分辨率人脸识别

基于完备局部相位量化的低分辨率人脸识别
储久良;袁宝华
【摘要】为了提高用低分辨率图像的人脸识别的效果,提出了一种基于完备局部相位量化(CLPQ)的低分辨率人脸识别方法.该方法分别用CLPQ_P算子和CLPQ_M 算子提取低分辨率人脸图像的相位特征和幅值特征以形成CLPQ直方图作为图像的特征向量,然后进行直方图相似性比较,最后通过最近邻分类器进行人脸识别.实验表明,该算法对ORL和Yale低分辨率人脸图像的识别效果比LPQ方法更好,鲁棒性更高.
【期刊名称】《高技术通讯》
【年(卷),期】2014(024)011
【总页数】5页(P1115-1119)
【关键词】完备局部相位量化(CLPQ);特征提取;人脸识别;局部相位量化(LPQ)【作者】储久良;袁宝华
【作者单位】南京理工大学泰州科技学院计算机科学与技术系泰州225300;南京理工大学泰州科技学院计算机科学与技术系泰州225300
【正文语种】中文
近年来人脸识别( human face recognition)作为一种主要的生物特征识别技术备受关注[1]。

在特定约束环境下，人脸图像分辨率高、图像质量较好，因而人脸识别率较高。

但是在实际应用中会因光照、拍摄条件、表情、姿势等因素引起图像分辨率低、质量较差，导致人脸识别率不很理想[2]，因此低分辨率图像下的人脸识
别更有实际应用意义，低分辨率人脸识别研究逐渐成为人脸识别领域中的一个新热点。

Ahonen[3]等人利用局部相位量化(local phase quantization, LPQ)描述模糊人脸图像的特征，进而进行人脸识别，最终取得了较好的识别效果。

多年来，研究人员采用局部二值模式(local binary pattern，LBP)[4-6]提取人脸的纹理特征，这一方式在人脸识别领域中取得很好的应用效果，同时也研究出很多改良方法。

LBP方式由于具有实现原理简单、计算复杂度低、旋转不变性等特点而被广泛应用在人脸识别，边防出入检测，城市道路交通动态车辆检测与跟踪，生物、医学影像分析等领域。

但LBP算法在提取大尺寸目标对象的纹理特征上还存在局限性，为了保留纹理的完整信息，Guo等人在LBP方法的基础上提出了完整局部二值模式(Completed LBP，CLBP)提取方法，并将其应用在纹理分类中，该方法具有对光照和噪声的鲁棒性，其识别率优于LBP [7-10]。

局部相位量化(LPQ)方法采用局部相位信息进行图像纹理的描述，但它忽略了局部幅值信息。

本文借鉴CLBP方法[11]，提出了一种进行人脸识别的完备局部相位量化(completed LPQ, CLPQ)方法。

该方法将像素的频域信息中的相位和幅值分为两个独立的部分，分别记为CLPQ_P和CLPQ_M，通过CLPQ算子对低分辨率图像提取频域的幅值特征和相位特征并将其融合成CLPQ直方图作为人脸的特征向量，然后通过卡方距离进行直方图相似性比较，最后通过最近邻分类器进行人脸识别。

实验证明，这种方法的人脸识别率不仅高于LPQ方法，而且具有更好的鲁棒性和有效性。

1.1 人脸图像评价标准
人脸识别最终要应用到现实生活中，所以评价一个识别算法的优劣，主要考虑算法的识别率和识别时间两方面。

而算法的优劣由识别率决定，算法的实用性则由识别时间来衡量。

采用正确识别率对人脸识别系统的精度进行评价。

正确识别率是指正确识别的图像
数目占总图像样本数目的比例，公式为
人脸识别的时间由两部分组成：一是人脸识别系统对训练集进行处理，产生判别向量所需要的时间；二是人脸识别系统将测试样本向由判别向量组成的低维子空间投影，形成投影系数，并最终得出结果所需要的时间。

其中，第二方面是识别算法能否在现实中使用的决定因素。

1.2 LPQ算法
2008年Ojansivu等人提出了局部相位量化(LPQ)算法，它是一种具有模糊不变性的纹理特征描述算子，并对LPQ算子进行详细描述[12]。

对于图像f(x)，M×M邻域Nx采用离散的短时傅立叶变换[12]，如式所示：
式中u表示频率。

局部傅立叶系数通过u1=[a,0]T， u2=[0,a]T， u3=[a,a]T， u4=[a,-a]T四个频点来计算，a表示很小范围，a=1/M。

对于每个像素位置，通过向量表示：
F(x)=[F(u1,x), F(u2,x), F(u3,x), F(u4,x)]
傅立叶系数相位可以通过每个部分的实数和虚数的符号来表示：
其中gj是向量G(x)的第j个部分,G(x)如下式所示：
G(x)=[Re{F(x)}, Im{F(x)}]
然后qj对其进行二进制编码，由式
可计算出该点对应的LPQ值，取值范围为 0-255 之间的整数。

LPQM表示窗口大小为M×M的算子，5×5的LPQ算子窗口，如图1所示。

研究结果证明LPQ算法在人脸图像纹理特征描述中识别效果比较理想。

由于算法实现前提是在均匀光照条件下采集图像，而实际上采集图像时存在环境光亮度有差异性，造成LPQ算法对图像的纹理特征描述不够准确，从而使人脸图像局部细节的失真。

同时由于LPQ算法以直方图序列作为人脸的特征描述，高维的图像特征提取需要进行大量运算的和较多存储空间，这样会影响算法的识别性能。

所以
LPQ算法在不均匀光照条件下存在人脸图像识别率低的问题，需要对LPQ算法进行优化改进，达到提高低分辨率的人脸图像的识别率。

1.3 CLPQ
LPQ算子在提取人脸纹理特征时，在式(3)中只利用了频谱的相位信息，丢失了幅值信息。

完备局部相位量化(CLPQ)中不仅保留相位信息，而且还保留幅值信息。

对于频域中F(u,i)点，用Fp(u,i)表示其相位，Fm(u,i)表示其幅值。

像素i邻域采用F(u, j)来表示，对应的相位则是Fp(u, j)，幅值则是Fm(u, j)。

CLPQ中CLPQ_P算子如下式所示：
CLPQ_
其中
S(Fp(u, j), Fp(u, i))=
CLPQ_P编码如图2所示。

CLPQ中CLPQ_M算子如下式所示：
CLPQ_
其中
S(Fm(u, j), Fm(u, i))=
CLPQ_M编码如图3所示。

完备局部相位量化(CLPQ)算法原理：首先对人脸图像进行一系列的预处理，然后对预处理后的人脸图像采用CLPQ_P算子和CLPQ_M算子提取特征后分别形成两个不同的直方图，融合成CLPQ直方图，进行直方图相似性比较，最后通过最近邻分类器进行分类识别，如图4所示。

采用与CLBP直方图融合相同的方法[10,13-15]：一种是串接，例如CLPQ_P和CLPQ_M串接成新的一维直方图，记为CLPQ_P_M；另一种是联合，例如CLPQ_P和CLPQ_M联合成二维直方图，记为CLPQ_P/M。

该算法CLPQ_P部分能描述图像的相位特征，CLPQ_M部分又能描述图像的幅值
特征，因此该算法能全面地反映频域的整体信息。

CLPQ的人脸算法包括如下几个主要步骤：
步骤1:对人脸图像进行Gamma校正和直方图均衡化等一系列的预处理。

步骤2:分别提取预处理后的人脸图像CLPQ_P和CLPQ_M直方图特征。

步骤3:将直方图融合成CLPQ_P_M、CLPQ_P/M。

步骤4:将训练图像和测试图像直方图采用卡方距离进行直方图相似性比较。

步骤5:通过最近邻分类器进行识别。

对标准人脸库ORL、Yale的人脸图像进行Gamma校正、差分高斯滤波、直方图均衡化等一系列方法对人脸图像进行预处理，能够在一定程度上消除光照和噪声对图像的影响，如图5所示。

图中的原始样本经过一系列的预处理后，能够消除光照，突出图像边缘特征，为后续的特征提取做好了一致化的输入。

然后对预处理后的图像进行下采样后，得到不同分辨率的样本，然后分别采用CLBP、LPQ及CLPQ算法进行人脸识别。

ORL人脸库包括40个不同年龄、不同性别和不同种族的人，每个人共10幅图像，每幅图像均为112×92的灰度图像。

图像中以人脸正面为主，旋转角度不超过20度，人脸尺寸变化不超过10%。

实验中选作测试样本的灰度图像分为四组，其分
辨率不同，分别为112×92、56×46、28×23和14×12，具体如图6所示。

Yale人脸数据库包含了15个人，每人11幅，共165幅的灰度图像。

所有人脸都是正面人脸，包括不同光照变化和表情变化。

实验中选作测试样本的灰度图像分为四组，其分辨率不同，分别为100×100、50×50、25×25和15×15。

在Intel(R)Core(TM)*******************内存，Matlab7.1的计算机上进行仿真实验。

在ORL人脸库中选取40人的图像中任意一副作为训练集，其
余的作为测试集；实验中CLPQ和LPQ算子采用窗口半径M=5提取，CLBP方
法采用P=8，R=1。

实验结果是采用不同的训练集情况下的识别率的平均值，结果如图7所示。

在Yale人脸库中选取15人的图像中任意一副作为训练集，剩余的作为测试集，实验中CLPQ和LPQ算子窗口半径M=7提取，CLBP方法则P=8， R=1。

实验结果是采用不同的训练集情况下的识别率的平均值，结果如图8所示。

实验中在高分辨率情况下，四种算法性能相差不大，但是在分辨率逐渐降低时，四种算法的识别率均有所降低。

CLPQ在低分辨率下，表现的性能均比CLBP M/C/S 和LPQ要好。

CLPQ方法中融合后的CLPQ_P/M识别率要优于CLPQ_P_M。

实验表明CLPQ方法对于光照变化以及图像分辨率变化不敏感，能够有效地提取低分辨率图像的鉴别信息。

本文提出了一种基于完备局部相位量化(CLPQ)的低分辨率人脸识别算法，与其他算法相比，该算法增强了对光照变化和低分辨率的鲁棒性。

许多研究表明幅值信息和相位信息都能表征人脸的纹理信息。

CLPQ算法通过将幅值信息CLPQ_M和相位信息CLPQ_P两者融合，能够获得比局部相位量化(LPQ)算法更好的识别率。

从仿真结果看出，CLPQ算法对低分辨率图像的识别率要优于其他方法，具有更好的鲁棒性和有效性。

To effectively realize the face recognition from low resolution images, a face recognition method based on completed local phase quantization (CLPQ) is presented. The new method uses the operators of CLPQ_P and CLPQ_M to extract the phase features and the magnitude features from low resolution face images respectively, so as to form the CLPQ histogram as the feature vector of face images. Then, it performs the similarity comparison for the histogram, and finally, uses a nearest neighbor
classifier to achieve face recognition. The results of the experiments on the low resolution face images from the ORL and Yale databases illustrate that the presented method has the better recognition rate and robustness than the LPQ method.
【相关文献】
[ 1] 张翠平，苏光大. 人脸识别技术综述. 中国图象图形学报, 2000，5(A版)(11):885-894
[ 2] Zhao W, Chellappa R, Philips P J, et al. Face recognition:a literature survey. ACM Computing Surveys, 2003,35(4):399-458
[ 3] Ahonen T, Rahtu E, Ojansivu V, et al. Recognition of blurred faces using local phase quantizaion. ICPR 2008
[ 4] Timo Ahonen, Abdenour Hadid, et al. Face description with local binary patterns: application to face recognition. IEEE Transactions On Pattern Analysis And Machine Intelligence, 2006,28(12):2307-2041
[ 5] Heikkilä M, Pietikäinen M, Schmid C. Description of interest regions with local binary patterns. Pattern Recognition, 2009,42(3):425-436
[ 6] Zhang B C, Gao Y S. Local derivative pattern versus local binary pattern: face recognition with high-order local pattern descriptor. IEEE Transactions on Image Processing, 2010,19(2):533-544
[ 7] Pedone M, Hei kkilä J. Local phase quantization descriptors for blur robust and illumination invariant recognition of color textur. In: Proceedings of the 21st International Conference on Pattern Recognition, Tsukuba, Japan, 2012. 2476-2479
[ 8] Jabid T, Kabir M H, Chae O. Facial expression recognition using local directional pattern. In: Proceeding of IEEE 17th International Conference on Image Processing, Hong Kong, China, 2010. 1605-1608
[ 9] Guo Z H, Zhang L, Zhang D. A completed modeling of local binary pattern operator for texture classification. IEEE Transactions on Image Processing, 2010,19(6): 1657- 1663
[10] 宋克臣,颜云辉,陈文辉等. 局部二值模式方法研究与展望. 自动化学报, 2013,39(6):730-744
[11] 王宪,秦磊,孙子文等. 基于局部Shearlet相位量化特征的人脸识别算法. 光电工程,
2013,40(4):106-112
[12] Ojansivu V, Heikkila J. Blur insensitive texture classification using local phase quantization. In: Proceeding of the Image and Signal Processing，Cherbourg-Octevile，France， 2008, 5099:236-243
[13] Tan X Y, Triggs B. Enhanced local texture feature sets for face recognition under
difficult lighting conditions. IEEE Transactions on Image Processing, 2010,19(6):163-165
[14] 袁宝华,王欢,任明武. 基于完整LBP特征的人脸识别. 计算机应用研究, 2012,29(4):1557-1559
[15] Guo Z H, Zhang L, Zhang D. Rotation invariant texture classification using LBP variance (LBPV) with global matching. Pattern Recognition, 2010,43(3): 706-719。