一種融合改進LBP與主成分分析的人臉識別方法

朱 政

(安徽理工大大學 電氣與信息工程學院， 安徽 淮南 232000)

近年來,伴隨著信息化技術的發展，人臉識別成為了一個熱門話題，成為視頻圖像、機器學習、神經網絡以及生物識別等研究領域的重要課題之一。人臉識別技術在安全防務、信息鑒別、行為檢測等方面有著非常普遍的應用。人臉識別的關鍵在于面部特征的提取，在這一關鍵步驟中，PCA(principal component analysis)主成分分析方法在當前的科學研究中起到了很好的效果。經過映射得到的全新正交特征在降低維數的同時將數據的損失降到了最低，有利于降低算法程序的計算開銷。

針對PCA方法受到特征值計算量大等因素的影響從而導致過擬合現象的出現。張穎等[1]提出小波變換與重構PCA特征矩陣相結合的方法，最后通過VGG-16卷積神經網絡分類。李嘉頔等[2]提出在利用PCA算子降維之前，先使用CS-LBP算子進行初步的人臉特征提取。印勇等[3]提出SVD(奇異值分解)與分塊PCA算子相結合，在此基礎上進行分類識別提高機器的識別率。趙鑫等[4]提出了改進模塊的PCA并對傳統PCA的前3個最大主成分加上小于1的權重。王春夢等[5]提出使用PCA和Gabor變換相結合的方法，將原始圖像提取的Gabor特征與原圖像特征相結合成新的融合特征后再利用PCA算子進行降維，在此基準上取得了很好的效果。

本文通過改進后的LBP特征提取算法與PCA相結合的方法，在ORL人臉庫上通過實驗，取得了最佳效果。

1 圖像預處理

1.1 直方圖均衡化

本文所采用的是包含400幅尺寸均為92 × 112的人臉灰度圖像。圖像預處理階段的第一步是對每幅圖像進行直方圖均衡化處理。直方圖均衡化的本質是調整圖像像素點的灰度級分布，使得圖像的直方圖在區間內近似達到均勻分布從而避免出現顏色反差過大的問題，在保持圖像原有強度特征的同時避免了整體變亮或變暗。處理前后的直方圖以及圖像效果如圖1所示。

1.2 雙邊濾波去噪

傳統的高斯濾波容易導致像素移位，均值濾波不能很好地保護圖像細節并且耗時較長。雙邊濾波可以更好地確保圖像邊緣的完整性，作為一種非線性濾波器，在去噪的同時還綜合考慮了圖像的空間域和值域信息。

通常，雙邊濾波的定義式為：

(1)

式中各參數定義：

(2)

(3)

(4)

I(i,j)=f(i,j)+n(i,j)

(5)

雙邊濾波原理為兩個函數的卷積，在濾除噪聲的同時增加了對像素值的考慮。由式(1)可知，在實驗過程中，設置空間域sigma、值域sigma、濾波領域半徑3個參數的取值是關鍵。綜合考慮濾波處理后的面部信息和處理時間，選取濾波領域半徑為3，空間域sigma為75，值域sigma取值為3。

圖1 直方圖均衡化處理效果對比圖

2 特征提取算法闡述

2.1 傳統LBP特征提取算子

LBP算子是一種局部紋理特征描述子，優點在于圖像在處理前后本身的灰度值不會發生改變。該算子的基本原理是以某一個像素點為中心，由中心向周圍各方向擴展為8鄰域。在計算時將中心點的灰度值作為閾值gc,分別與8鄰域像素點的灰度值進行比較。若鄰域點數值大于閾值gc,則在該鄰域像素點位置記為數字1；反之，則記為0。將比較所得的8個數字按照順時針順序排列成為的二進制數轉化為十進制數，所得的結果即為中心點的LBP特征。該算子的運算原理圖如圖2所示。

圖2 LBP算子計算原理圖

LBP原理：

(6)

(7)

式中:(xc,yc)為中心像素點，gi為中心鄰域像素點的灰度值。通過遍歷全圖的像素點，最終即可得到整幅圖像的LBP特征。經過LBP處理后的圖像前后對比圖如圖3所示，處理前后的直方圖如圖4所示。

(a)原始圖像 (b)處理后的圖像

(a)處理前直方圖 (b)處理后直方圖

2.2 基于LBP改進的MBLBP算子

傳統LBP算子原理簡單、計算速度快，但是計算中只考慮了相關8鄰域和中心閾值之間的關系，并未考慮到中心像素點以外的各鄰域相關性。針對這一局限性，本文提出了一種基于LBP算子改進的MBLBP(Multi-Block Local Binary Pattern)多尺度區域局部二值模式算子。相較于傳統的LBP方法，MBLBP算子在提取特征時進一步對每一個子空間進行均勻分塊，分塊后原像素點的灰度值被其子空間區域的平均值所取代。經過閾值比較和計算后，最終得到圖像的MBLBP特征。該特征完全由圖像的分塊尺度所決定。一般地，分塊尺度定義為S×S,該算子通常表示形式為MBs-LBP。MBLBP算子的計算原理圖如圖5所示。

圖5 MBLBP算子計算原理圖

2.3 PCA主成分分析法

PCA(Principal Component Analysis)方法是一種極小損失全局特征的降維方法。利用旋轉坐標系進行特征空間變換是PCA算法的本質，這種變換可以極大程度地保留原始數據信息,同時降低原始空間的維數，在減少數據冗余的同時還能降低計算量。經過映射得到的全新正交特征稱為主成分，這些正交特征在降低維數的同時將數據的損失降到了最低，有利于降低算法程序的計算開銷。

PCA算法的具體運算過程：

(a)假設輸入一個均值化處理后的n的樣本數據矩陣;

(b)計算樣本矩陣的協方差矩陣:

式中：矩陣C為實對稱矩陣;

(c)求解特征值λi及對應的特征向量ξi,并且滿足關系式

Cξi=λiξi(i=1,2,…,n)；

(d)構造出由前K個主成分所對應特征向量組成的矩陣P；

(e)計算降維投影后的矩陣Y，即為經過PCA處理后的數據矩陣:

Y=PX

降維處理后的前10張特征人臉圖像如圖6所示。

(a)Face1 (b)Face2 (c)Face3 (d)Face4 (e)Face5

(f)Face6 (g)Face7 (h)Face8 (i)Face9 (j)Face10

2.4 結合PCA的MBLBP人臉識別算法步驟

MBLBP算子可以很好地提取圖片特征，但特征維數過高，會使計算量增大，計算時間也隨之增加。針對這一問題，PCA可以通過實現高維數據的降維從而提高數據處理的運算速度，實現步驟如圖7所示。

圖7 人臉識別流程框圖

實驗仿真過程：

(1)統計每張經過預處理后圖像的MBLBP直方圖特征，然后按次排列；

(2)利用PCA算法對第一步得到的直方圖特征進行降維處理；

(3)求解歐式距離，選擇最近鄰分類器對人臉特征進行分類并與數據集進行比對，將人臉識別的正確率作為最終的輸出結果。

3 實驗與結果分析

為了驗證該算法的有效性，選用了誕生于英國劍橋Olivetti實驗室的ORL人臉庫。該數據庫包含的400幅人臉灰度圖像分屬于不同的40個對象，每個對象包含姿勢、神態以及拍攝角度均有所差異的10幅圖像，每幅大小均為92×112。實驗開始對所有圖像進行直方圖均衡化和雙邊去噪的預處理步驟，同時在PCA降維前，對圖像進行MBLBP特征提取，不同分塊尺度處理后的圖像如圖8所示。

選取的訓練集為每個對象的前PH張人臉圖像，測試集為選取后的(10-PH)張圖像。根據圖8所展示的圖像紋理信息，選取的分塊尺度為3×3。通過改變PH的取值來比較PCA、LBP+PCA、MBLBP+PCA共3種不同算法的識別率，如圖9所示。3種算法的識別率在PH的取值從2到3時顯著提高并且隨著PH取值的增大，識別率均有提升。無論是在訓練集數量較少還是較多的情況下，本文提出的方法相較于PCA與LBP+PCA方法都取得了最好的效果。

(a)原圖 (b)3×3 (c)9×9 (d)15×15

圖9 不同算法的識別率比較圖

4 結 語

結合改進的LBP特征提取算子和主成分分析法的優點，通過兩道預處理步驟初步處理含噪灰度圖，在提取圖像特征時對鄰域像素點之間的相關性進行了補充，同時極大程度地保留了圖像的細節信息與邊緣信息，通過PCA算法對提取后的特征空間數據進行降維處理，避免因為維數過大造成過擬合。