基于LBP的人脸识别.doc

1、1基于 LBP 的人脸识别摘要：人脸识别作为模式识别领域的重要分支之一，以其不易伪装、识别便捷、较强的用户体验等特点逐渐成为近年来的研究热点，并陆续应用于商业系统以符合大众在安防领域的需求。 关键词：人脸识别；LBP 算子；直方图；识别率 中图分类号：TP301 文献标识码：A 文章编号：1009-2374（2013）11-0158-02 1 概述 为了在人脸识别领域得到更好的应用，Ahonen 等根据心理学上的研究将人脸进一步划分成不同的区域并赋予不同的权值加以区分，最终取得了良好的识别结果。在这基础上，后续的研究和改进不断出现。文中提出了多尺度区域 LBP（MB-LBP）的概念，该方法通过

2、统计区域内的像素均值而非单个像素值得到 LBP 模式，从而比原有的 LBP 方法更精确且考虑了更多的宏观信息。 在上述研究的基础上，Tan 等人提出了改进的 LBP 算子的 LTP 特征。LTP 特征的本质是将两单阈值的 LBP 算子分成双阈值算子并得到上下两个特征，这就能使提取的特征对单个像素点干扰更加稳定。这对基于 LBP纹理的人脸识别起到重要作用。本质上，通过不同区域的划分（Multi-block）来组成 LBP 特征的目的也是尽可能地考虑 LBP 模式间的位置关系，从而得到更有效的特征。文中提出的 Hierarchical Kernel Descriptor2的方法通过 SIFT、HO

3、G 等算子的层级组合得到一组新的特征，即在原有特征层基础上再次特征提取，从而实现大尺度信息提取。因此，应该关注模式间所组成的几何位置关系，即在 LBP 模式上再提取一层特征，从而以数量的形式反映模式间的几何位置信息。 2 CNCS 在 VM 中的应用 理论上，LBP 算子是用于提取图像的边缘和角点信息。显然，这些模式不仅仅只拥有数量关系，其位置的不同也将组合成新的不同的模式或图案，就如同近处看到的图案在远处只能表现为一个像素点，而这些像素点又可以组成新的模式、图案。另一方面，可以把纹理信息分成若干层，较低层的基元形成的某种模式作为较高描述层的次基元，并在一个更高层的描述层次上形成新的模式。因此

4、，不能仅用单个直方图来衡量一个区域的 LBP 模式。 本文提出了一种新的基于双层 LBP 的方法，用于提取更多 LBP 模式之间所具有的几何关系。首先对人脸灰度图像提取 LBP 特征并得到由该模式组成的图像，从而将特征从像素级提升到区域特征。其次，对 LBP模式组成的图像进一步提取 LTP 算子，从而得到又一组基于 LBP 模式的特征，用于描述模式间的几何位置关系。通过二者的结合来达到提升识别率的目的。 3 重定义 LTP 算子 传统的 LBP 特征实现了从像素级到区域级特征的转变，本文通过双层 LBP 特征实现对区域特征的进一步描述。LBP 特征实现了像素层特征的提取，而第二层的目的是实现

5、LBP 层的特征提取，以获得更多的宏观信3息。 可以采用与 LBP 算子相类似的思想，从 f1（x，y）提取不同模式之间的关系。通过二值化 33 的区域，可提取出不同模式之间相邻组合关系并统计成直方图。然而，对于灰度值的像素点来说，像素值之间的减法是存在几何意义的，它表示了不同像素点之间的像素差，对图像纹理而言具有物理意义，但对于 LBP 模式来说，数值只是一种标号，每个标号之间的简单相减不存在任何几何意义。值得注意的是，等号存在一定的物理意义，因此根据这一特性可以将模式数值分成两部分：等于中心点模式和不等于中心点模式。显然，此时两个标号相等意味着两个模式属于同一种模式。但是考虑到像素值可能存

6、在的干扰和误差最终将会影响 LBP 特征的准确性，对于编码相互接近的 LBP 模式需要区别对待。如二进制编号 11101111 的模式和二进制编号为 11111111 的模式都应该属于同一种模式，因为有极大的可能是由于第四位的像素干扰所引起的不一致。因此定义运算 d（x，y）表示两个模式标号之间的大小关系，当|d（x，y）|3 时，意味着两个模式是一致的。由此可以根据中心点的模式，将周围模式分为两类，|d（x，y）|3 及|d（x，y）|3。这与文提出的 LTP 有着相类似的分类方式。据此本文重新定义了 LTP 的算子。本文所定义的 LTP 算子如式（1）所示： 其中 d（x，y）表示两个编码

7、之间差异。上式中的 LTP 算子也是同样提取基于局部区域的特征，但特征提取的层面不同，体现的是不同模式之间的关系。对 LBP 模式而言，拥有相同直方图的两幅图像，其实际模式的排列组成方式却可能完全不同。因此，通过 LTP 模式，能够有效地4统计出某一模式周围其他模式的组成，从而得到更丰富的人脸信息。 4 结语 经典的 LBP 应用都是提取 LBP 及其他扩展的特征后组成直方图进行识别。由于单个 LBP 模式直方图只能反映不同模式之间的数量关系，缺少了几何位置信息，所以众多的研究通过多尺度的区域和 LBP 特征的方式来实现位置信息的融入。然而，这样的做法依然忽视了模式与模式之间的几何信息，模式之

8、上依然可能存在着某些模式。因此，本文提出了一种基于 LBP 模式的双层 LBP 的概念，通过重定义的 LTP 特征，在由 LBP模式组成的图像上进一步提取其特征模式从而构成新的特征，最终提到了识别率。实验表明，本文所提出的方法对于基于 LBP 特征的算法有一定的改善，通过重定义的 LTP 特征，能够在一定程度上提取模式间的几何位置关系，增加人脸识别的有效信息。 参考文献 1A.Pentland. Looking at people： sensing for ubiquitous andwearable computing. IEEE Transaction on Pattern Analysi

9、s and Machine Intelligence，2000， 22（1）：107-119. 2T. Kanade， Picture processing system by computercomplex and recognition of human faces， Ph.D.dissertation， Kyoto University， 1973. 3H.Chan， W.W. Bledsoe. A man-machine facial recognition system： some preliminary results. Technical report，Panoramic Research Inc.， 1965. 54A.J. Goldstein， L.D. Harmon， A.B. Lesk. Identificationof human faces. Proceedings of the IEEE，1971，59（5）：748-760. （责任编辑：周 琼）