一种融合改进LBP与主成分分析的人脸识别方法

朱 政

(安徽理工大大学 电气与信息工程学院， 安徽 淮南 232000)

近年来,伴随着信息化技术的发展，人脸识别成为了一个热门话题，成为视频图像、机器学习、神经网络以及生物识别等研究领域的重要课题之一。人脸识别技术在安全防务、信息鉴别、行为检测等方面有着非常普遍的应用。人脸识别的关键在于面部特征的提取，在这一关键步骤中，PCA(principal component analysis)主成分分析方法在当前的科学研究中起到了很好的效果。经过映射得到的全新正交特征在降低维数的同时将数据的损失降到了最低，有利于降低算法程序的计算开销。

针对PCA方法受到特征值计算量大等因素的影响从而导致过拟合现象的出现。张颖等[1]提出小波变换与重构PCA特征矩阵相结合的方法，最后通过VGG-16卷积神经网络分类。李嘉頔等[2]提出在利用PCA算子降维之前，先使用CS-LBP算子进行初步的人脸特征提取。印勇等[3]提出SVD(奇异值分解)与分块PCA算子相结合，在此基础上进行分类识别提高机器的识别率。赵鑫等[4]提出了改进模块的PCA并对传统PCA的前3个最大主成分加上小于1的权重。王春梦等[5]提出使用PCA和Gabor变换相结合的方法，将原始图像提取的Gabor特征与原图像特征相结合成新的融合特征后再利用PCA算子进行降维，在此基准上取得了很好的效果。

本文通过改进后的LBP特征提取算法与PCA相结合的方法，在ORL人脸库上通过实验，取得了最佳效果。

1 图像预处理

1.1 直方图均衡化

本文所采用的是包含400幅尺寸均为92 × 112的人脸灰度图像。图像预处理阶段的第一步是对每幅图像进行直方图均衡化处理。直方图均衡化的本质是调整图像像素点的灰度级分布，使得图像的直方图在区间内近似达到均匀分布从而避免出现颜色反差过大的问题，在保持图像原有强度特征的同时避免了整体变亮或变暗。处理前后的直方图以及图像效果如图1所示。

1.2 双边滤波去噪

传统的高斯滤波容易导致像素移位，均值滤波不能很好地保护图像细节并且耗时较长。双边滤波可以更好地确保图像边缘的完整性，作为一种非线性滤波器，在去噪的同时还综合考虑了图像的空间域和值域信息。

通常，双边滤波的定义式为：

(1)

式中各参数定义：

(2)

(3)

(4)

I(i,j)=f(i,j)+n(i,j)

(5)

双边滤波原理为两个函数的卷积，在滤除噪声的同时增加了对像素值的考虑。由式(1)可知，在实验过程中，设置空间域sigma、值域sigma、滤波领域半径3个参数的取值是关键。综合考虑滤波处理后的面部信息和处理时间，选取滤波领域半径为3，空间域sigma为75，值域sigma取值为3。

图1 直方图均衡化处理效果对比图

2 特征提取算法阐述

2.1 传统LBP特征提取算子

LBP算子是一种局部纹理特征描述子，优点在于图像在处理前后本身的灰度值不会发生改变。该算子的基本原理是以某一个像素点为中心，由中心向周围各方向扩展为8邻域。在计算时将中心点的灰度值作为阈值gc,分别与8邻域像素点的灰度值进行比较。若邻域点数值大于阈值gc,则在该邻域像素点位置记为数字1；反之，则记为0。将比较所得的8个数字按照顺时针顺序排列成为的二进制数转化为十进制数，所得的结果即为中心点的LBP特征。该算子的运算原理图如图2所示。

图2 LBP算子计算原理图

LBP原理：

(6)

(7)

式中:(xc,yc)为中心像素点，gi为中心邻域像素点的灰度值。通过遍历全图的像素点，最终即可得到整幅图像的LBP特征。经过LBP处理后的图像前后对比图如图3所示，处理前后的直方图如图4所示。

(a)原始图像 (b)处理后的图像

(a)处理前直方图 (b)处理后直方图

2.2 基于LBP改进的MBLBP算子

传统LBP算子原理简单、计算速度快，但是计算中只考虑了相关8邻域和中心阈值之间的关系，并未考虑到中心像素点以外的各邻域相关性。针对这一局限性，本文提出了一种基于LBP算子改进的MBLBP(Multi-Block Local Binary Pattern)多尺度区域局部二值模式算子。相较于传统的LBP方法，MBLBP算子在提取特征时进一步对每一个子空间进行均匀分块，分块后原像素点的灰度值被其子空间区域的平均值所取代。经过阈值比较和计算后，最终得到图像的MBLBP特征。该特征完全由图像的分块尺度所决定。一般地，分块尺度定义为S×S,该算子通常表示形式为MBs-LBP。MBLBP算子的计算原理图如图5所示。

图5 MBLBP算子计算原理图

2.3 PCA主成分分析法

PCA(Principal Component Analysis)方法是一种极小损失全局特征的降维方法。利用旋转坐标系进行特征空间变换是PCA算法的本质，这种变换可以极大程度地保留原始数据信息,同时降低原始空间的维数，在减少数据冗余的同时还能降低计算量。经过映射得到的全新正交特征称为主成分，这些正交特征在降低维数的同时将数据的损失降到了最低，有利于降低算法程序的计算开销。

PCA算法的具体运算过程：

(a)假设输入一个均值化处理后的n的样本数据矩阵;

(b)计算样本矩阵的协方差矩阵:

式中：矩阵C为实对称矩阵;

(c)求解特征值λi及对应的特征向量ξi,并且满足关系式

Cξi=λiξi(i=1,2,…,n)；

(d)构造出由前K个主成分所对应特征向量组成的矩阵P；

(e)计算降维投影后的矩阵Y，即为经过PCA处理后的数据矩阵:

Y=PX

降维处理后的前10张特征人脸图像如图6所示。

(a)Face1 (b)Face2 (c)Face3 (d)Face4 (e)Face5

(f)Face6 (g)Face7 (h)Face8 (i)Face9 (j)Face10

2.4 结合PCA的MBLBP人脸识别算法步骤

MBLBP算子可以很好地提取图片特征，但特征维数过高，会使计算量增大，计算时间也随之增加。针对这一问题，PCA可以通过实现高维数据的降维从而提高数据处理的运算速度，实现步骤如图7所示。

图7 人脸识别流程框图

实验仿真过程：

(1)统计每张经过预处理后图像的MBLBP直方图特征，然后按次排列；

(2)利用PCA算法对第一步得到的直方图特征进行降维处理；

(3)求解欧式距离，选择最近邻分类器对人脸特征进行分类并与数据集进行比对，将人脸识别的正确率作为最终的输出结果。

3 实验与结果分析

为了验证该算法的有效性，选用了诞生于英国剑桥Olivetti实验室的ORL人脸库。该数据库包含的400幅人脸灰度图像分属于不同的40个对象，每个对象包含姿势、神态以及拍摄角度均有所差异的10幅图像，每幅大小均为92×112。实验开始对所有图像进行直方图均衡化和双边去噪的预处理步骤，同时在PCA降维前，对图像进行MBLBP特征提取，不同分块尺度处理后的图像如图8所示。

选取的训练集为每个对象的前PH张人脸图像，测试集为选取后的(10-PH)张图像。根据图8所展示的图像纹理信息，选取的分块尺度为3×3。通过改变PH的取值来比较PCA、LBP+PCA、MBLBP+PCA共3种不同算法的识别率，如图9所示。3种算法的识别率在PH的取值从2到3时显著提高并且随着PH取值的增大，识别率均有提升。无论是在训练集数量较少还是较多的情况下，本文提出的方法相较于PCA与LBP+PCA方法都取得了最好的效果。

(a)原图 (b)3×3 (c)9×9 (d)15×15

图9 不同算法的识别率比较图

4 结 语

结合改进的LBP特征提取算子和主成分分析法的优点，通过两道预处理步骤初步处理含噪灰度图，在提取图像特征时对邻域像素点之间的相关性进行了补充，同时极大程度地保留了图像的细节信息与边缘信息，通过PCA算法对提取后的特征空间数据进行降维处理，避免因为维数过大造成过拟合。