基于LBP和几何混合特征的人脸识别

第20卷第1期2018年1月
大连民族大学%报
Journal of Dalian Minzu University
V〇1.20,N〇.1
文章编号:2096 -1=83(2018)01 -0065 -04
基于LBP和几何混合特征的人脸识别
苏日娜+ ’b，刘玉婷+ ’b，王堃妍+’b，于娜+ ’b，王存睿+’b，段晓东S
!大连民族大学a.计算机科学与工程学院;S.大连市民族文化
数字技术重点实验室，辽宁大连116605)
摘要:提出一种基于A S M几何特征和L B P局部特征的人脸识别新方法。

该方法首先使用A S M算法对
样本数据进行区域筛选，然后通过L B P特征与A S M特征构建融合特征对人脸进行识别。

本文使用
JAFFE人脸数据库和CK+数据库进行算法测试，实验结果表明本文提出的方法比单独使用A S M和LBP
特征在人脸识别率上有较大的改善。

关键词:人脸识别;A S M特征;L B P特征;人脸几何特征
中图分类号:TP391 文献标志码:A
Face Recognition Based on LBP and Geometric Hybrid Feature
S U R i- n a a b，L I U Y u- t in g a b，W A N G K u n- y a n a b，
Y U N a a，b，W A N G C u n- r u i a，b，D U A N X ia o- d o n g b
(a.School of Computer Science and Engineering；b.Dalian Key Lab of Digital Technology for
National Culture，Dalian Minzu University，Dalian Liaoning116605，China)
A b s t r a c t；T his paper presents a new metliod of face recognition based on ASM geometry features
and LBP local features.Firstly，the ASM algorithm is used to filter on the sample data.
the LBP features are combined witli the ASM features to build the fusion feature of face recogni­
tion.In this paper，the JAFFE face database and CK + database are used to test tiie algoritiim.
T he experimental results show that the method proposed in this paper has a greater improvement
of rate in face recognition than using ASM or LBP alone.
K e y w o rd s；face recognition；ASM features;LBP features;face geometric features
人脸识别技术是生物特征识别领域中重要研 究课题之一，IKrby和Turk等人提出的主成分分 析（Principal Components Analysis，PCA)方法通过 线性变换找到在最小均方意义下最能代表原始人 脸图像的正交基，使得图像数据从高维空间压缩 到低维空间，不仅得到了原始数据的紧致表达，而 且大大降低了计算复杂度(1-2)。

Bartlett等人提出 的独立成分分析（Independent Component Correla­tion Algoithm，ICA)方法是基于所有阶统计意义 下的去相关，它的计算复杂度要高于PCA，且在识 别率上没有优势[3]。

相对于全局特征来说，基于 局部特征的人脸表达对于光照、姿态的变化不敏 感[4]。

1997年，W ik o tt等人提出的弹性图匹配(EBGM)算法，他们用一组描述人脸局部特征的 Gabor小波变换系数对人脸图像各部分进行最佳 匹配，但它对特征点的选择和配准有较高要求，且 计算复杂[5]。

2004年，Ahonen等人提出基于图像 局部纹理特征（Local Binary Pattern，LBP)的人脸 表达方法，在FErET人脸库上得到了最好的识别 结果[6-7]。

2008年，Zhao等人提出的将LBP和 Gabor相结合的算法在表情识别上取得了相对于 其他算法较好的效果[8]。

人脸识别过程中，人脸不仅具有全局的几何 特征，同时很多局部的纹理特征也是人脸中的重 要标识特征。

因此，本文提出一种将全局几何特征与局 LBP特征相结 新人 识别 。

收稿日期:2017 -09 -25;最后修回日期:2017 -12 -06
基金项目：赛尔网络下一代互联网技术创新项目（NGII20160612);中央高校基本科研业务费专项资金资助 (DC201502100401)。

作者简介:苏日娜（199=-)，女，内蒙古乌兰察布人，北方民族大学计算机科学与工程学院硕士研究生，主要从事人 脸识别技术研究。

66大连民族大学学报第20卷
中几何特征特征维度、对光 敏感[9]。

L B P特征主要 光 敏感、变和灰
度不变性等显著的优点，可 描述局部细节纹理特征[$0]。

1基于人脸几何特征向量的人脸识别
A S M(A c tiv e Shape M o d e l)是一'种基于点分布 模型（P oint D is trib u tio n M o d e l)的算[11]，通 I 图像样本获取特征点 信息，并获
取特征点 在的变 ，实现在目标图像应的特征点 。

其优势在于可
确定 特征点 ，并 。

19基于A S M的定
在一组图像中识别某人，人们首先会识别该 人 特征。

，要一人，只需在该组内搜索所 人即可。

即人类面部几何特征可以缩小人脸识别范围。

本
用A S M特征点来构造人 何特征向，缩人取范围后，计算何相似度并与
L B P取 相似度结合，从识别人脸。

了提高人脸识别 和鲁棒性，首先
A S M取的特征点 ，去除一识别影
大和贡 特征点，然后用剩下的特征点构造人 何特征 。

特征点 取要5个要求：可 特征点保证足
信 人脸识别中最重要的特征;所 特征点构 何特征应该尽可能简单;对光 I 依赖 "对人 表情变 敏感;在 人变 度较大[12]。

本 了数百张人脸表情图片后，从A S M取的特征点中选取适用于 人脸识别的14 点，分别两只左右(8,8,8,8)、（8)、子两侧（8,8)、两侧两颊点(8，8)、下（8〇)、无表 与嘴平行下巴两侧点(8$，82)和左右眉毛各两个关键点 (8=，84)图 $。

图1人脸定位的特征点
图中所示的14个特征点均可由A S M模型提 取得到，选取8至8!特征点，可表示人脸，8-8特征点，可表示和鼻子长度，8= -84可表示两之间的长度。

本文未 特征点 取，主要原因是考虑到人在有表 候，度大，
大，除。

只要 特定
两个特征点 线则可以表示一 ，并可以描述人脸特征如图2。

图2人脸几何特征描述
本文需要利用选取的特征点来构造具有尺 、和 变 特征 。

由
人 型有所，为保结果更鲁棒性，本 用 特征 特征值，需要取面特征中最长的两个点 基准距离。

本文选取
8与8=，8>中间点连线距离 垂直基准距离/1，8和8之间的距离 平基准距离/!，共选取了 ％特征 见表1。

表1比例特征分量
比例特征分量描述
;1左眼宽度//2
右眼宽度//2
眉毛之间宽度//!
鼻子宽度//2
左脸颊长度[1
右脸颊长度[1
左下巴长度[1
右下长度[1
最后形成特征向量H= 0;，；，;=，；，；，；，；，;|，由特征在数 大 别，因们需要先对特征 数 一，即特征 一化[1=]。

最后利用归一化后的数据进相 度 算。

第1期
苏日娜，等:基于LBP 和几何混合特征的人脸识别67
1.2几何相似度计算
由于特征之间所占有的权 相同，若
使用特征
结 大 ，故需
要对每一个特征 权值确定。

本 用权
值空间搜索
权值确定，本
取20 人，
人三种 态 ，并给每一个特征
5 认 权值，通三 态确定相似度，取人
态时相似度最高
最终权值，每个特征权值
'={'1，.，'8|。

本文采用公式1计算两幅图
相似度3
8
3 &
⑴
式中：/S 示该特征是否占有一定的作用，有则为 1， 之 0。

r 〇 ( |r- _ I ' a v g (；-；))
& { 。

⑵
1( I ; - ; I <a —(; - ;T ))
式中：a g (;-;) 所有样本的（；-;)通过 到的平均值。

根据公式可得到几何人 之间 相 度%2
基于
L B P
的人脸局部特征提取
本文采用LBP 提取局部特征作为判别依据，
并将人脸图 块处理，每一块 一：
图，
，用PCA
数据降维，并使用
相 相似度计算。

LBP 算子的主要思 设中心像素 度值阈值，以该像素点为中心点，；为圆半径， 像素点个数为P 的圆形区域，依
圆
：域
内的像素点与阈值的大小，得到二进制码用来更 新中 像素值，该像素值可以表述局部纹
特征[14]。

三种LBP 模式如图3。

任
LBP 算子，可由公式（3) 表示。

其中5
围像素
度值乂为中心像素的灰
度值，最终算出的值为该 纹理特征。

心
=0
(5 -，
6
(g ) ={$，:'0 ⑶
LBP 具体过程描述如图4。

图4 L B P 过程描述
本 了提高识别 ，将人图片均设
成大 210x 210像素的图片， 图像 LBP 直方图，可 维数
而失
要的信息，
这样也
忽视局
信息。

所
了更 描述人脸， 由 ：人 区 LBP 特征相 ! 人
干小块，本文将图
7x 7块，并
块图 LBP 直方图 相连， 后'
图过长， 算 ，本 用 59种二进
制的均勻模式LBP ( uniform LBP )对图像进行LBP 编码，可
数据的冗余度、减高
带来的并提高
，后将各
图进
用PCA . 图 维， 描述人
特征
，处
图5。

(+)人脸图片分割 （S )L B P 后的人脸图片 （c )直方图连接 （d )P C A 降维后形成的直方图
图5 L B P 处理人脸过程本文通 数据相
，
两幅图 $ = 0K 1 1，…，K 11，/2 = 0K 12，.，K 2|，特征
图的相似度，设两幅图
应LBP 特征
用公式(4
)计算两幅图片相似度）：
i =1i =1i =1
=!n n
---丨"n%槡"(K)2 *( "K")2 !槡"(K)2 *("K)2
⑷
3基于全局和局部特征的人脸识别方法由于面部近似度相 在少数，纹理相同或相近的人也 ，单独用两种方式都无法精一个人，故本 这两种 二为一，先运用几何特征 相似度 何特征相近的人，再通 LBP特征 张图片相似度，通过二 加权求和，最相似度，从
相近的人。

用先LBP后几何 式，由于局部特征 应全局特征，且无在数据库中使用 范围缩小后结果造 精确，如寻
一 用LBP算 圆
，了系 也增加了 可靠因素。

本 全局几何特征与局部LBP特征相结 人脸识别算 图6。

图6算法流程图
Step 1:利用ASM标定被测人脸几何特征点，
构造一组几何特征 ;
Step2:历数据库图片，计算被测人脸图片 与数据库图片的相似度，相度大于阈值图;
Step3 :提取Step2所筛选图片LBP特征，使
用P C A对特征 维；
Step4:计算 后 图片与待测图片的
相 度;
Step5 :将通 ASM和LBP所提取图像的相似度进行加权求和，计算最终相似度，输识别结果。

本文采用线 式确定二者权值，图像数据库为JAFFE表情数据库[15]，用 图为
测试图片，数据库中 一个人随机选取10张图
片与该人测试图 何和LBP相似度计算，LBP相似度结 G = 0G，.，G…1，何相似度结
1=01,…，1…1，归一处理后采用线归
式 ，后结
1&K' G)9。

(5)式中:9— (G)表示几何相似度的均值，9— (1)表示 LBP相似度的均值。

n
"G - n ■a v g(g)■
K= ^-----------------------
n
'"G - n *9—(g)2。

（6)
51
9 =1 - K *G
拟合后公式为1 =-1.246g+ 1.458,最后计 算相似度公式为皿9<; =0. 686i +0•855g，之后 一人的与数据库中 ，获取前
最大的；备选，并采用投 式
人物定位。

本 用C K+数据库随机选取 150张图 测试[16]，经实验证明，本 式取得了 ，识别率见表2。

表2 CK+中的识别率
方法本文ASM LBP LBP + ASM ASM + LBP 识别率76_82.9%859%90.1%
4结论
本文通过对LBP和ASM算法的分析与研究，在此基础上提出LBP与ASM算法相结合的全新 算法，并在 代表 人脸数据库中 实验
和测试，该算 可 验证，同样地，为了验证本文算 ，本文与传统独 用 LBP特征或 ASM 特征 人 表 识 别 了，实验结果表明多特征信息融高人脸识别的识别率，优 LBP 特征，ASM特征人脸识别 。

(下转第78
页）
document analysis [C]// International Conference on Document Analysis and Recognition.IEEE Computer So­ciety, 2003：958 -963.
[7] 王会靖.基于局部特征的复杂背景图像内文本识别
研究与实现[D].上海:上海交通大学,2010.
[8]周兴华，李敏，郑蕊蕊，等.印刷体满文文字数据库的
构建与实现[J].大连民族学院学报，2015(3):270 - 273.[9] JAMES M C.Distorting the MNIST Image Data Set^EB/
0L](2014 -07)[2016-12-13].https://m S /en- us/magazine/dn754573. aspx.
[10] RAFAEL C G，R IC H A R D E W.数字图像处理[M].
阮秋琦，译.北京:电子工业出版社，2011.
(责任编辑王楠楠）
(上接第68页）
参考文献：
[1] K I RBY M，S I R0V I CH L.Application of the Karliunen
-Loeve procedure for the characterization of human
faces[J].I EEE Transactions on Pattern Analysis and
Machine I ntelligence，1990，12(1)： 103 -108.
[2] TURKM，PENTLANDA.Eigenfaces for recognition[J].
Journal of Cognitive Neuroscience， 1991，3(1): 72 -
86.
[3] BARTLETT M S，LADES H M，SEJN0WSK I T J.I nde­
pendent component representations for face recognition
[J].Pro- ceedings of SPIE，1998, 3299(3): 528 -
539.
[4] 李云峰.基于Gabor小波变换的人脸识别[D].大连：
大连理工大学，2005.
[5] 恽鸿峰.基于Gabor小波变换的人脸识别研究[D].
长春:吉林大学，2005.
[6]AH0N E N T，HAD I D A，P I ET I KA I N E N M.Face recog­
nition with local binary patterns[C]//ECCV.8t h Euro­
pean Conference on Computer Vision.Prague:ECCV，2004: 469 -481.
[7] AH0NEN T，HAD I D A，P I ET I KA I NEN M.Face de­
scription with local binary patterns:Application to face
recognition[J].I EEE Transactions on Pattern Analysis
and Machine Intelligence，2006，28(12): 2037 -2041.
[8]T A N G H L，S U N Y F，Y IN B C，et al.Face recognition
based on Haar LBP histogram[J].ICACTE， 2010，6: 235 -238.
[9] 吴巾一，周德龙.人脸识别方法综述[J].计算机应用
研究，2009(9):3205 -3209.
[10] 王宪，张彦，慕鑫，等.基于改进的L B P人脸识别算法
[J].光电工程.2012(7):109 -114.
[11]黄飞，谭守标.基于改进主动表观模型算法的人脸特
征定位[J].计算机工程与应用，2015(16):204 -209. [12] 刘晓亮.一种改进的核FIS H ER鉴别分析算法在人
脸识别中的应用[D].广东:广东工业大学，2009. [13] 肖汉光，蔡从中.特征向量的归一化比较性研究[J].
计算机工程能与应用，2009(22):117 -119.
[14] 牛丽平，付仲良，魏文利.人脸识别技术研究[J].电
脑开发与应用，2006(5):8 -10.
[15] M IC H A E LJ L，JULIEN B，SHIGERU A.Automatic
classification of single facial images[J].IE]EE Transac­
tions on Pattern Analysis and Machine Intelligence，1999, 21 (12) : 1357 -1362.
[16] Cohn- Kanade AU- Coded Expression Database[EB/
0L].(2017 -03 -16)[2017 -03 -20]. http://www.
/ 〜emotion/ck- spread,htm.
(责任编辑王楠楠）。