孙君顶　周业勇

(河南理工大学计算机科学与技术学院　河南 焦作 454000)



基于改进局部五值模式的人脸识别

孙君顶周业勇

(河南理工大学计算机科学与技术学院河南 焦作 454000)

摘要针对局部五值模式EQP(Elongated Quinary Pattern)采用全局阈值定义造成对图像灰度变化敏感以及在人脸识别中对图像不同分块同等对待问题，提出基于局部五值模式增强方法。首先，通过自适应方法来设置阈值，以提高其对图像灰度变化的鲁棒性；其次，通过特征块加权处理，融入每个分块结构对比信息，以突出不同分块的不同作用。采用在人脸识别领域广泛应用的ORL与YALE人脸库进行比较实验，实验结果表明，新方法明显提高了EQP算子的识别效果。

关键词人脸识别局部五值模式自适应阈值特征块加权

FACE RECOGNITION BASED ON IMPROVING ELONGATED QUINARY PATTERN

Sun JundingZhou Yeyong

(School of Computer Science and Technology,Henan Polytechnic University,Jiaozuo 454000,Henan,China)

AbstractElongated quinary pattern (EQP) adopts global threshold definition, which causes it being sensitive to the changes in image gray scale. On the other hand, it equally treats different sub-blocks of image in face recognition. Aiming at these problems, we proposed an EQP-based enhancement method. First, through adaptive approach we determined the threshold to improve its robustness on image gray scale changes. Then, through the treatment of feature blocks weighting we fused the structural contrast information of every sub-block in order to emphasise the different roles of different sub-blocks. We conducted the comparison experiments with the widely used ORL and YALE face database in face recognition field, and experimental results demonstrated that the proposed method greatly improved the recognition effect of EQP operator.

KeywordsFace recognitionElongated quinary patternAdaptive thresholdFeature blocks weighting

0引言

近年来，在各种人脸识别方法中，基于局部二值模式[1]LBP(Local Binary Pattern)的方法得到了广泛关注。LBP最初应用于纹理描述，但鉴于该算子简单有效的特点，目前已经在多个领域得到推广应用。Ahonen等[2]首先将LBP算子引入到人脸识别领域，此后，LBP算子引起了人脸识别研究者的广泛兴趣，各种针对LBP的改进方法相继被提了出来[3-8]。

为了提高LBP算子的抗噪性能，Tan和Triggs[9]提出了局部三值模式LTP(Local Ternary Pattern)；在此基础上，Nanni等[10]进一步提出了五值模式EQP。虽然LTP与EQP算子有效增强了原LBP算子的抗噪性能，提高了人脸识别的准确度。但是这两种算子在选择阈值时均采用全局阈值，因而降低了它们对于图像灰度变化的鲁棒性；另一方面，在利用这两种算子进行人脸识别时，往往对不同的人脸图像分块同等对待，没有考虑不同分块对人脸识别的不同贡献程度。

为此，本文针对EQP算子，提出一种鲁棒性方法REQP(Robust EQP)。一方面，新方法通过自适应方法来设置阈值，以提高算子对灰度变化的鲁棒性；另一方面，在对人脸分块的基础上，利用不同分块的结构对比信息作为权值进行加权处理，以突出不同分块特征对识别效果的贡献程度。采用ORL与YALE两个在人脸识别领域广泛应用的人脸库进行识别实验，结果表明，改进的方法对图像灰度变化具有更好的鲁棒性，也提高了人脸识别的准确度。

1相关工作

1.1LBP

LBP最初是由Ojala等人[1]提出，其基本原理是针对图像3×3的邻域，以邻域中心像素灰度值为阈值，将邻域像素的灰度值与其作比较，不小于该阈值的像素点被标记为1，否则标记为0；然后通过给不同位置赋予不同权重，从而将该8位二进制码转换为无符号的整数，并将该整数定义为该邻域的LBP值。

(1)

其中gc表示中心像素的灰度值，gp表示邻域像素的灰度值。基本的运算过程如图1所示。

图1　LBP编码示例

1.2LTP

由于直接利用局部邻域的中心像素的灰度值作为阈值，因此LBP对噪声比较敏感，中心像素灰度的小的变化就可能造成LBP值的改变。如图2所示，由于中心像素的灰度由35变为30，其LBP编码变得完全不同。为了提高LBP算子的抗噪性，Tan和Triggs[9]提出了局部三值模式LTP。

(2)

图2　噪声对LBP算子影响

其中T为阈值。显然，LTP算子的特征维数达到38，为了降低特征维数，Tan等进一步提出将LTP编码分解为两个LBP编码的形式，如图3所示。

图3　LTP编码示例

1.3EQP

对LTP来说，在图像灰度差异小的区域，噪声对其还具有明显的影响，为了进一步提高算子对噪声的鲁棒性，Nanni等人[10]提出EQP算子：

(3)

其中T1、T2为阈值。为了降低特征维数，借助于LTP的编码方式，EQP编码被分解为4个LBP编码的形式，如图4所示。

图4　EQP编码示例

2改进的EQP方法

2.1自适应阈值

对于LTP和EQP算子而言，所设定的阈值T、T1、T2均为全局阈值，因此局部灰度的变化可能会导致编码的不同，如图5(a)和(b)所示，两个邻域的灰度仅有微小差异，但却得到不同的编码。为此，文献[11]提出通过局部邻域灰度的方差来自适应确定LTP的阈值T。本文首先基于该方法针对EQP来设置自适应阈值，其定义如下：

Ti=αi×σ0<α≤1

(4)

其中，σ表示局部灰度均方差，αi为比例因子。由于σ随着局部邻域灰度的变化而变化，因此相对于EQP的T1与T2取固定值来说，这里的阈值随着σ的变化而变化，具有自适应性。图5(c)所示，两个邻域的编码没有受到灰度微小变化的影响(取α1=0.1,α2=0.3)，因此新方法具有更好的鲁棒性。

图5　LTP、EQP以及改进方法编码示例

2.2特征块加权

在进行人脸图像分块时，文献[10]中没有考虑不同分块的结构对比信息，将高对比结构和低对比结构分块同等对待，没有考虑不同分块对于人脸识别的不同影响。如人眼睛、鼻子、嘴巴等高频特征区域往往也是高对比结构区域，这些区域的差异性明显，用于人脸识别时效果突出。为此，本文在将人脸图像进行分块后，为不同分块设置了不同的权重。权重设置如下所示：

(5)

3人脸特征匹配

为实现人脸识别，首先采用REQP算子得到的直方图特征作为人脸描述，其次通过式(5)计算不同分块的权重。因而，人脸的分类识别变为通过匹配REQP直方图特征的相似度来实现。目前常用的直方图间距离计算方法有直方图相交、Log概率统计和卡方概率统计等方法，但由于本文在特征块中融入了结构对比信息，因此采用加权卡方法[12]来计算特征相似度，其定义如下：

(6)

其中，SLH1和SLH2分别是训练样本特征直方图和测试样本特征直方图，i表示图像分块号，j表示特征维数,wi为分块权重。在此基础上，文中采用最近邻分类器实现人脸分类。

4实验结果

为了测试本文方法的性能，实验选用ORL和YALE的两个在人脸识别领域广泛应用的人脸库分别进行识别实验。实验中，分别从两个人脸库中的每类随机选择1到7幅图像作为训练样本，其余作为测试样本进行分类实验。每个实验均包含三部分：

(1) 测试在不分块的情况下，REQP与EQP算子的对比；

(2) 测试在选择不同分块数目情况下，REQP与EQP算子的对比；

(3) 测试融入结构对比信息即特征块加权后REQP算子的识别效果。

上述实验分别进行10次测试，并取10次的平均值作为最终结果。

4.1针对ORL人脸库

ORL人脸库包含40类、每类包含10幅在不同的光照与姿态下的人脸图像，图像大小为92×112。

(1) 在不分块的情况下，REQP算子和EQP算子的对比如表1所示。可以看出， REQP的总体识别率高于EQP算子，同时也可以看出选择不同的系数(α1与α2)以及阈值(T1与T2)对识别效果也存在一定的影响。

表1　不分块的情况下EQP和REQP对比

(2) 将人脸图像划分为2×2、3×3两种不重叠的分块形式，REQP和EQP的识别效果分别如表2和表3所示。可以看出，分块的数目对于识别率的影响较大，划分为3×3分块的识别效果明显优于2×2的效果，但划分分块越多，将导致特征维数的增加。

表2　分块2×2情况下EQP和REQP对比

表3　分块3×3情况下EQP和REQP对比

(3) 选择3×3不重叠划分的方式，并融入结构对比信息后即对不同分块进行加权处理，REQP识别效果如表4所示。同表3对比，可以看出融入了结构对比信息有效提高了识别率。

表4　融和结构对比信息REQP的识别效果

4.2针对YALE人脸库

YALE人脸库中包含15类、每类包含11幅具有不同姿态及不同光照效果的人脸图像，图像的大小为100×100。

(1) 在不分块的情况下，REQP算子和EQP算子的对比如表5所示。可以看出，REQP的识别效果明显优于原EQP算子，同时也可以看出选择不同的系数(α1与α2)以及阈值(T1与T2)对识别效果的影响。

表5　不分块的情况下EQP和REQP对比

(2) 将人脸图像划分为2×2、3×3两种不重叠的分块形式，REQP和EQP的识别效果分别如表6和表7所示，实验结果也同针对ORL的实验结果一致。

表6　分块2×2情况下EQP和REQP对比

表7　分块3×3情况下EQP和REQP对比

(3) 选择3×3不重叠划分的方式，并融入结构对比信息后即对不同分块进行加权处理，REQP识别效果如表8所示，可以看出，融入结构对比信息后，有效提高了算子的识别效果。

表8　融入结构对比信息REQP的识别效果

5结语

针对EQP算子采用全局阈值进行定义以及在进行人脸识别时对不同分块同等对待的问题，提出了鲁棒性更强的REQP算子。该算子通过设置自适应阈值，提高其对局部灰度变化的鲁棒性；通过融合局部分块的结构对比信息，提高对比结构区域在人脸识别中的作用。采用ORL与YALE两个人脸库进行识别实验，实验结果验证了改进的REQP算子有效提高了原EQP算子的性能。

参考文献

[1] Ojala T,Pietikanten M,Hawood D.A comparative study of texture measure with classification based on featured distributions[J].Pattern Recognition,1996,29(1):51-59.

[2] Ahonen T,Hadid A,Pietikainen M.Face description with local binary patterns:Application to face recognition[J].IEEE Transactions on PAMI,2006,28(12):2037-2041.

[3] 赵怀勋,徐峰,陈家勇.基于多尺度LBP的人脸识别[J].计算机应用与软件,2012,29(1):257-259,279.

[4] 王宪,张炎,幕鑫,等.基于改进的LBP人脸识别算法[J].光电工程,2012,39(7):110-114.

[5] Moore S,Bowden R.Local binary patterns for multi-view facial expression recognition[J].Computer Vision and Image Understanding,2011,115(4):541-558.

[6] Yan Ouyang,Nong Sang,Rui Huang.Robust automatic facial expression detection method based on sparse representation plus LBP map[J].International Journal for Light and Electron Optics,2013,124(24):6827-6833.

[7] Luo Yuan,Wu Caiming,Zhang Yi.Facial expression recognition based on fusion feature of PCA and LBP with SVM[J].International Journal for Light and Electron Optics,2013,124(17):2767-2770.

[8] Gao Tao,Feng X L,Lu He,et al.A novel face feature descriptor using adaptively weighted extended LBP pyramid[J].International Journal for Light and Electron Optics,2013,124(23):6286-6291.

[9] Tan X Y,Triggs B.Enhanced local texture feature sets for face recognition under difficult lighting conditions[J].IEEE Transactions on Image Processing,2010,19(6):1635-1650.

[10] Nanni L,Brahnam S,Lumini A.Local binary patterns variants as texture descriptors for medical image analysis[J].Artificial Intelligence in Medicine,2010,49(2):117-125.

[11] Liao Wenhung.Region description using extended local ternary patterns[C]//20th International Conference on Pattern Recognition,Istanbul,2010:1003-1006.

[12] 李杰,徐汀荣.基于Adaboost和LDP改进算法的人脸检测与识别研究[D].江苏:苏州大学,2013.

中图分类号TP391.41

文献标识码A

DOI:10.3969/j.issn.1000-386x.2016.02.035

收稿日期：2014-07-23。河南省骨干教师计划项目(2010GGJS-059)；河南省国际合作项目(134300510057)；河南省基础与前沿基金项目(112300410281)。孙君顶，教授，主研领域：图像处理与模式识别。周业勇，硕士生。