张雪琴 林克正 李骜

摘 要：针对人脸图像在复杂光照环境下提取的特征不够丰富，导致识别率低的问题，提出一种稀疏表示的局部模式特征提取与识别算法。首先将图像进行分块，依次对每个子区域的像素进行阈值化处理，并将其与中心像素值比较的结果编码到中心对称局部二值模式算法中来实现特征提取;然后在此基础上采用中心对称局部方向模式算法提取二阶特征，得到最终的纹理特征;最后结合稀疏表示分类器对提取的特征进行分类识别。在Extended Yale B、CMU_PIE、AR数据集上的仿真实验验证了所提方法的有效性。

关键词：中心对称局部二值模式;中心对称局部方向模式;特征提取;稀疏表示

DOI：10.15938/j.jhust.2021.04.014

中图分类号：TP391.4

文献标志码：A

文章编号：1007-2683（2021）04-0102-07

Abstract：In order to solve the problem that the face image is not rich in features extracted under complex lighting environments， which leads to a low recognition rate， a local pattern feature extraction and recognition algorithm based on sparse representation is proposed. Firstly， the image is divided into several sub-images and the Dynamic Threshold Central-symmetric Local Binary Pattern（DTCLBP） algorithm is used to extract features by thresholding the pixels of each sub-block and encoding the results of comparison with the central pixel values into the Central Symmetric Local Binary Pattern（CSLBP）; and then second-order features are extracted from the processed image by the former step using the Central Symmetric Local Derivative Pattern（CSLDP）; finally， the sparse representation classification algorithm is used to classify and identify the extracted features. The simulation experiments on Extended Yale B， CMU_PIE and AR face databases validate the effectiveness of the DTCLBP-CSLDP-SRC.

Keywords：central symmetric local binary pattern; central symmetric local derivative pattern; feature extraction; sparse representation

0 引 言

近年来基于人脸的局部特征提取方法逐渐成为模式识别领域的研究热点。局部表示方法由于刻画了局部更细节的纹理信息，对光照变化往往表现得更为鲁棒，所以寻找一种高效、有鉴别能力的人脸局部特征描述算子是光照变化下人脸识别的一个关键挑战。Ojala等[1]提出的局部二值模式（local binary pattern， LBP）是一种能有效提取图像局部纹理特征的描述算子，它对灰度图像中局部邻近区域的纹理信息进行提取，方法简单有效，具有良好的灰度不变性，因此在人脸识别[2-5]中得到了广泛的应用。然而，LBP容易受噪声的影响，抗噪声能力弱，而且其对光照十分敏感，光照变化问题只能得到缓解，不能完全解决，因此研究出一种人脸……