郭正平 谢华 高宁化

摘 要：将人脸图像划分为互不相交的矩形块，提取各分块的LBP特征，并将各块LBP特征按序组合表征人脸图像。利用支持向量机（Support Vector Machine，SVM）算法对训练分类器，进行人脸识别。在YALE人脸库上进行的实验表明，基于局部LBP特征的支持向量机分类器的准确率能够达到93.33%。

关键词：人脸识别；支持向量机；LBP特征

人脸识别技术是近年来急速发展的一个领域，其利用计算机技术、图像处理技术、模式识别技术等对人脸进行图像定位、提取特征、识别等以完成身份识别。随着计算机技术的发展，人脸识别技术越来越受到人们的重视，已经成为生物识别领域中最为重要的研究方向之一。[ 1 ]

局部二值模式（Local Binary Pattern，LBP）由于其在描述圖片时具有的旋转不变性和灰度不变形等优点，在人脸识别中已经得到了较为广泛的应用[ 4，5 ]。在人脸识别过程中，提取LBP特征描述人脸图片，能够较好的描述人脸图片的局部纹理信息。

本文首先介绍对LBP算子进行简单介绍，然后分块提取人脸图像LBP特征，提取到的特征向量作为支持向量机的输入数据，并通过支持向量机算法训练分类器对人脸图像进行分类。

1 局部二值模式（LBP）

局部二值模式（LBP）能够描述图片灰度范围内的纹理特征。最为基本的LBP算子以局部3×3窗口为计算对象，根据窗口中心像素点的值，对周围8个像素进行标记。如果周围的8个像素中某个像素点的值大于中心点的值，则该像素位置用1进行标记，否则用0进行标记。经过这样的标记处理，图像3×3像素邻域内会产生一个8-bit的无符号数，然后按照位置顺序求和得到该窗口的LBP值，用以反映该窗口区域的纹理信息。LBP算子计算方式如图1所示。

在人脸识别过程中，针对人脸图像的每一个像素，计算每一个像素邻域的LBP值，这样就可以得到一张LBP特征值的响应图像，这些LBP值即为人脸图像的LBP特征。这些LBP特征描述整个人脸图像在不同区域的微小特点，例如光照亮点、暗点、边缘、平滑区域等等。但是这些LBP特征并不能较好的表现人脸的结构信息，而这些人脸结构信息才是人脸识别中最为重要的信息之一。如果针对一张人脸图像提取整个图像的LBP特征，并用以描述人脸图像，就会将人脸图像的结构信息丢失。所以，本文采用分块思想首先对人脸图像进行分块处理，然后再提取每块图像的LBP特征，再将所有子块的LBP特征按照一定的顺序连接成一个复合的特征向量，用其描述整个人脸图像的纹理特征和结构特征。分块LBP特征如图2所示。

2 基于LBP特征的人脸识别

人脸识别实质是一个多分类问题，最基本的人脸识别方式是利用最近邻分类器对人脸进行分类。而人脸识别的关键问题之一是如何提取人脸图像的特征[ 6 ]。本节首先对对人脸图像进行分块处理，然后针对每一块提取LBP特征，用这些特征描述人脸图像，再利用分类算法学习分类器对人脸图像进行分类，完成人脸识别过程。

2.1 人脸识别算法

本文提出的人脸识别算法如下：

第一步：对人脸图像进行分块处理。分块处理就是把人脸图像分割为若干个互不相交的区域。图像分割方法主要有：区域分割法、阈值分割法、边缘分割方法等等。本文利用区域分割法思想，采用最为简单的方法，根据图像的像素，平均的将图像分割为m×n块，在后面的实验过程，不同的实验中分别将人脸图像分割为2×2，4×4，6×6块。

第二步：提取人脸图像的LBP特征。人脸图像分割为m×n的形式后，通过LBP算法提取每一子块人脸图像的LBP特征。每一子块得到的LBP特征是一个N维行向量，将各个子块的LBP特征向量按照一定的顺序合并为一个特征向量，这个特征向量就可以描述整个人脸的纹理信息。整个人脸图像的LBP特征向量是一个m×n×N维的行向量。

第三步：将人脸图像的LBP特征向量作为支持向量机分类算法的输入，训练分类器，对人脸图像进行分类。

2.2 实验学习

为了测试本文提出算法的有效性，将YALE人脸数据库的15名志愿者的图像165张照片作为实验数据。随机抽取每人8张人脸图像，共120张人脸图像作为训练图像，每人所剩3张，共45张作为测试图像。

将YALE人脸数据库将图像分割成2×2、4×4、6×6的形式，实验结果如表1所示。

从表1可以看到，图像分块对人脸识别准确率有一定的影响，随着分块数据的增加，识别准确率有了明显的提高。但是，随着分块数目的增加，整个人脸图像的LBP特征向量维数也急剧增加，在训练分类器的过程中，数据存储量会大大增加。另一方面，随着特征维数的增加，分类器的训练时间也有了显著的增加。这是这种方法的劣势之一。

3 结论

为了提高人脸识别率，更好的体现LBP特征的人脸表示优势，在进行人脸图像LBP提取以前对人脸图像进行了分块处理，然后分块提取LBP特征，并将各块LBP特征按序组合表征人脸图像。在YALE人脸数据库上，利用SVM算法的分类结果表明，分块能大大提高人脸识别准确率，但是也增加了计算量，分类器训练时间显著增加。

参考文献：

[1] 王映辉.人脸识别——原理、方法与技术.北京：科学出版社，2009.

[2] 周激流，张晔.人脸识别论研究进展.计算机辅助设计与图形学学报，1999，11（2）：180-184.

[3] 刘青山，卢汉清，马颂德.综述人脸识别中的子空间方法.自动化学报，2003，29（6）：56-60.

[4] G.Y.Zhao，M.Pietikinen.Improving Rotation Invariance of the Volume Local Binary Pattern Operator.Conference on Machine Vision Application，2007：327-330.

[5] Ahonen T，Hadid A，Pietikainen M.Face Recognition with Local Binary Patterns.8th European Conference on Computer Vision，2004：469-481.

[6] Y. X. Li， W. G. Gong. Gabor Features Based Classification Using SVM for Face Recognition，2005，34（97）：118-123.