基于多层加权局部二值模式的人脸识别算法外文翻译资料

英语原文共 4 页，剩余内容已隐藏，支付完成后下载完整资料

2015年第8届计算智能与设计国际研讨会

基于多层加权局部二值模式的人脸识别算法

张健，肖潇

四川师范大学物理与电子工程学院，中国成都

Sunflower_cwy@163.com

摘要——由于基本LBP算子刚性场点值为1和0，因此会产生一些误差，那就是不同的人脸图像有着相同的LBP码值，所以提出一种基于分层加权局部二值模式（MW-LBP）的人脸识别算法。首先，将原始的人脸图像分成小块，在每个小块中比较相邻像素值和中间像素值，使用多层加权LBP特征算法分别提取每个块的直方图，然后保持所有级别的分区直方图级联以形成层次结构直方图，每级直方图系列成一个一般的直方图矢量。最后，使用一个最近邻分类器和卡方作为相异衡量度来执行分类。该算法在ORL和YALE人脸数据库上进行了试验，实验结果表明，当与原始LBP算法相比，分层加权局部二值模式（MW-LBP）算法能够保持更好的识别率和好的识别效果。

关键词——多层加权；LBP；人脸识别

1. 介绍

自从20世纪60年代以来，Bledsoe提出一种人脸识别和特征提取方法的半自动系统模型，人脸识别已经经历数十年的发展，它是一种有广泛应用前景的生物识别技术，对维护国家安全和人身财产安全以及反恐具有重要意义。它和其他生物识别技术相比，比如指纹识别、虹膜识别、语音识别等，具有方便、快捷和无接触的优点。人脸识别的前提是人脸图像的特征描述和提取，并且根据特征提取方法的不同，人脸识别方法可以被分为两大类，即基于局部特征和基于全局特征。目前，基于全局特征的典型算法是基于Turk提出的K-L变换的主成分分析（PCA），线性判别分析（LDA），独立分量分析（ICA），人工神经网络方法等。基于局部特征的方法有Gabor小波，局部特征分析（LFA），局部二值模式（LBP）等。

局部二值模式（LBP）是几年来发展迅速的局部特征描述符，其最初的目的是用于描述图像纹理信息，它描述了图像灰度变化规律。它具有简单、灰度不变性、旋转不变性、强大的特征分析能力等的特性。然后它被Ahonen应用到人脸识别上。

他们将面部图像放入几个非重叠区域，分别计算LBP直方图，并讲直方图区域连接为面部识别特征。这种方法已经在FERET人脸数据库上取得良好的实验结果。之后，LBP算引起了大量研究者在人脸识别上的广泛兴趣。但是，LBP方法只考虑中间像素点和相邻像素点的关系的大小，而没有考虑他们之间的对比度，有时两个区域可能变化很大，但LBP值是相同的。

根据以上问题，我们提出一种新的独特特征来呈现面部特征，命名为多层加权局部二值模式（MW-LBP）算法。首先，面部图像划分为小区域，然后通过MW-LBP方法分别给每个区域编码，编码后我们能得到分层加权LBP直方图并且将每个块直方图级联成单个特征直方图，这个直方图能有效地代表脸部图像作为整个脸部的特征识别。最后，最近邻分类器用于分类。与原始的只考虑关系大小的LBP算法相比，基于多层加权LBP特征映射对比度到一个对比度等级，它可以给出定量描述并增加局部梯度信息，改善局部纹理特征描述能力。实验结果表明算法能显著提高人脸识别率。

1. 局部二值模式

局部二值模式是一种非参数运算符，它描述图像的局部空间结构。原始LBP算子是3*3矩形窗口，使用中心像素作为基准，与周围区域的八个像素灰度值大小相比，如果邻域像素值小于中心像素的值则标记为0，否则为1。然后根据二进制序列中的某个方向将八个二进制值转换为十进制值作为中心LBP值，其定义如下（1）。基本LBP算子仅覆盖固定半径内的小区域，为了适应不同尺度的纹理特征，Ojala [13]扩展了LBP算子，3 * 3区域扩展到任意，使用圆形区域代替矩形，圆形半径R和采样点P的数量是任意的，标记为。

对于，模型品种高达2^p，模式类型太多影响计算速度并包含大量冗余信息，为了解决二进制模式过多的问题，Ojala提出了“等价模式”来降维，它是标注的。Ojala发现绝大多数LBP模型最多只包含两个变化0到1或1到0，有时可以达到90％以上。所以Ojala将其定义为：当二进制串被认为是圆时，如果它包含从0到1的最多两个按位变换，或者反之亦然，则局部二值模式称为等价模式。例如00000000111111，1100111是等价模式，1.虽然等价模式大大减少模式的种类数，但只是从2^p模式减少到P*（P-1） 3种模式。

1. 使用MW-LBP进行面部描述

A、MW-LBP

传统的LBP方法只考虑像素之间关系的大小，但多少误差缺乏定量描述，即它没有考虑对比度。如图1所示，虽然两个图片的局部邻域像素之间存在很大差异，但它们的LBP值完全相同，而对于左图，100和64的像素值都被分配为1，忽略了非常重要的对比信息。

为了提取图像的局部纹理对比度信息，本文提出了一种改进的方法：将像素值之间的对比度映射到一定等级，提取每个级别的LBP码，每个级别的直方图被加权用于描述面部特征。具体步骤为：在半径R区域内，邻域点数P，设置L层，分别对大于（包括等于）或小于中心值的邻近像素值进行分层，每个分为L/ 2层 ，较大值的分层间隔等于最大像素MaxValue与中心像素值gc除以对应层之间的差值，即：

较小值的分层间隔是gc和最小值MinValue除以层之间的差值：

对应于各种像素灰度值范围的gc的邻域值是：

对应于各种级别的像素灰度值范围的小于中心像素值gc是：

因此我们得到一个LBP图，它将邻域像素映射到L层，然后我们提取每个级别的二进制值，提取方法是如果邻域像素属于该层然后它被分配1，所有其他级别分配0，获得L级二进制值，将每个级别级联在一起形成。以下是4层的MW-LBP过程：

用块处理人脸图像，提取每个块的所有层的MW-LBP特征值，计算直方图矢量，将每个层的分区直方图连接在一起形成层次面直方图，然后根据信息的级别来增强相应的水平直方图，增加的权值是L / 2，L / 2-1 ... 1,1,2 ... L / L / 2-1,2（对应的层1,2,3 ... L，即更大的间隙给出更高的权重），然后每层的增强直方图被级联作为测量面部图像的特征，下面表示获得MW-LBP特征的详细流程图。

1. 面部特征匹配

面部的分类是通过匹配LBP直方图序列的相似性。在常用的几种直方图距离计算方法中，本文采用卡方统计，即通常采用方法的小样本集，即：

为了测量两个样本之间的直方图相似性，通过计算测试样本和所有训练样本的MW-LBP直方图特征值，然后最近邻规则将测试样本分类为最小值的类。

1. 实验与分析

为了测试所提算法的有效性，在ORL和YALE人脸数据库上进行了测试。使用LBP和MW-LBP（4层）算法分别获得面部图像的直方图序列进行比较。训练样本在ORL和YALE数据库上进行2至9次，其余的面部图像作为测试样本进行人脸识别模拟实验。

1. ORL数据库

ORL人脸数据库包括40人，每人10张人脸图像，共400件。具有不同的特征，例如照明，面部表情，发型以及是否佩戴眼镜，以及一定的侧角，每个图像是灰度图像，缩放到112像素高，92像素宽。部分ORL人脸数据库图像，如图4所示。

在实验中，LBP和HSLGBP，MTLBP和MW-LBP算法进行了比较，面部图像分割后，人脸识别率如图5所示：

Fig.5 The recognition rate under different training sample(ORL)

图5显示了在本文中在ORL数据库上为特征提取提出的多层加权算法，在训练样本为2~9的情况下，与LBP及其改进算法相比具有更高的识别率，它可以改善基本LBP的特征提取和特征的识别能力，从而验证了算法的有效性。

1. 耶鲁数据库

YALE人脸数据库中包含15人的灰度图，每人有11个不同的图像，共有165个图像，每个人的图像都具有各种表现和照明的特征。每个图像尺寸为100像素高，100像素宽。部分图像如图6所示。

在实验中，比较了LBP和HSLGBP，MTLBP和MW-LBP算法，在人脸图像分割后，人脸识别率如图7所示：

图7还表明，本文提出的分层加权算法在YALE数据库中进行特征提取，在训练样本为2~9的情况下，与LBP及其改进算法相比具有更高的识别率。

为了验证MW-LBP特征提取算法的有效性，我们将其与ORL和YALE数据库上的其他方法进行了比较，结果如表1所示，从表1可以看出采用分层加权LBP特征算法，增加人脸的特征信息，高识别率可以通过人脸识别获得。 因此，使用MW-LBP算法描述人脸图像的纹理特征具有较强的实用性。

1. 结论

本文提出了一种人脸识别算法的多层加权LBP特征。通过选择合适的块数，以及提取人脸图像局部特征的综合层次结构，提高了提取特征的识别能力。 该算法在ORL和YALE人脸数据库中获得了较高的识别率。与其他算法相比，识别率也增加了。实验数据表明，该算法可以提取更完美的面部局部特征，提高人脸识别率。

致谢

感谢四川省教育厅重点基金项目，批准号为13ZA0151。

参考

[1] W. W. Bledsoe, H. Chan, “ A Man-Machine Facial Recognition

System—Some Preliminary Results”, Panoramic Research, Inc, Palo

Alto, California, Technical Report PRI A, 1965, vol.19.

[2] M. Turk, A. Pentland, “Eigenfaces for recognition”, Journal of

cognitive neuroscience, 1991, vol.3, no.1, pp. 71-86.

[3] P. N. Belhumeur, J. P. Hespanha, D. J. Kriegman, “Eigenfaces vs.

fisherfaces: Recognition using class specific linear projection”,

Pattern Analysis and Machine Intelligence, IEEE Transactions on,

1997, vol.19, no.7, pp. 711-720.

[4] M. S. Bartlett, “Independent component representations for face

recognition”, Face Image Analysis by Unsupervised Learning.

Springer US, 2001, pp. 39-67.

[5] T. Kohonen, “Self-organization and associative memory”, Springer,

2012.

[6] J. G. Daugman, “Uncertainty relation for resolution in space, spatial

frequency, and orientation optimized by two-dimensional visual

cortical filters”, JOSA A, 1985, vol.2, no.7, pp. 1160-1169.

[7] P. S. Penev, J. J. Atick, “Local feature analysis: A general statistical

theory for object representation”, Network: computation in neural

systems, 1996, vol.7, no.3, pp. 477-500.

[8] T. Ojala, M. Pietikauml;inen, D. Harwood, “A comparative study of

texture measures with classification based on featured distributions”,

Pattern recognition, 1996, vol.29, no.1, pp. 51-59.

[9] T. Ahonen, A. Hadid, M. Pietikauml;inen, “Face recognition with local

binary patterns”, Computer

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[20091]，资料为PDF文档或Word文档，PDF文档可免费转换为Word