基于LBP的人脸识别算法研究.docx

《基于LBP的人脸识别算法研究.docx》由会员分享，可在线阅读，更多相关《基于LBP的人脸识别算法研究.docx（14页珍藏版）》请在三一办公上搜索。

1、基于LBP的人脸识别算法研究基于LBP的人脸识别算法研究 一、应用背景 随着社会的发展以及技术的进步，人们对快速、高效的自动身份验证的要求日益迫切，生物识别技术在科研领域得到了极大的重视和发展。在人与人的接触中，人脸所包含的视觉信息占据了重要地位，它无疑是区分人与人之间差异的最重要特征之一。相对于指纹、虹膜、掌纹、步态、笔迹、声纹等生物特征，利用人脸来识别具有不可比拟的优势：操作隐蔽，特别适用于安全、监控、和抓逃工作；非接触式采集，无侵犯性，容易接受；方便、快捷、强大的实时追踪能力；符合人类识别习惯，交互性强；应用摄像头即可完成图像采集，设备成本较低。人脸识别属于计算机科研领域的一项热门技术，

2、它是一种基于生物特征的识别技术，利用计算机从图像或图像序列中检测出人脸，并判断其身份。 人脸识别目前主要运用在如下三个方面： 第一，刑侦破案方面。例如，公安部门获得案犯的照片之后，可以利用人脸识别技术在存储罪犯照片的数据库中找出最相像的人，即嫌疑犯。 第二，证件验证方面。如身份证、驾驶执照以及其他很多证件上都有照片，现在这些证件多是人工验证的，如果应用人脸识别技术，这项任务就可以交给机器去完成，从而实现自动化智能管理。 第三，人口控制方面。此应用范围很广，例如可以设在楼宇单位或者私人住宅入口的安全检查，也可以是计算机系统或者情报系统等的入口检查。 世界上很多国家都在积极地开展对人脸识别技术的相

3、关研究，不同的研究机构或研究人员按照不同的划分标准，对人脸识别的研究内容的分类不尽相同。在此处按其所研究得具体技术的范围可以大致将人脸识别分为如下四个方面的内容来进行阐述： 人脸检测，主要的方法有：基于轮廓信息人脸检测方法，基于 Adaboost算法人脸检测方法，基于支持向量机人脸检测方法以及基于神经网络的人脸检测方法等； 人脸特征描述与提取即特征提取，主要方法：基于局部二值模式纹理特征提取方法，基于人脸几何特征的特征提取方法，还有基于主成分特征特征提取方法，基于独立元特征的特征提取算法， 如 Gabor等，还有 2D 和 3D 形变模型方法等； 人脸特征降维，主要方法：线性降维方法如主成分分

4、析 PCA和 LDA (Linear Discriminate Analysis) 等发展到非线性降维方法如局部线性嵌入(LLE) 、等距嵌入1 (ISOMAP)、拉普拉斯特征映射(LE)、局部切空间调整(LTSA)、基于黎曼法坐标的快速流形学习(FMLBRNC)等； 人脸属性特征分类与人脸识别，主要的技术方法包括：最近邻和 K 近邻分类，线性判别方法，核线性判别方法，支持向量机方法，人工神经网络法，隐马尔可夫模型方法等； 人脸识别算法的选择深受人脸识别系统具体应用的环境的影响，同时不同的应用场景对人脸识别系统也有着不同的要求，因此不可能存在通用的人脸识别算法，而是需要综合所有的情况选择最适合

5、的人脸识别算法。 二、理论依据 2.1 基于几何特征的人脸识别方法 基于几何特征的人脸识别方法是最早出现的人脸识别方法之一，主要是利用人脸的五官的形状以及器官间的几何位置的关系，如嘴巴、鼻子、眼睛等人脸器官的局部形状特征以及其几何位置关系特征进行识别。几何特征的人脸识别方法主要是采用人脸器官的结构的先验知识来提取以器官形状以及器官间的空间位置关系为基础的特征，构成人脸特征向量，此类方法的实质就是提取出的几何特征向量间的匹配。基于几何特征的人脸识别方法原理比较简单，只是用到人脸器官的形状特征和器官间几何特征，算法思想也容易理解，但是识别效果不理想同时鲁棒性也较差。原因有二：第一，只是简单的采用人

6、脸器官的形状特征和器官间几何特征，人脸图像中保留的信息量过少，根本就不利于后期的人脸识别工作的展开；第二，由于人脸容易受环境因素的影响如光照、物体遮挡、姿态等，大部分情况下是很难进行五官特征的精确分割和提取工作。 2.2 基于统计特征的人脸识别方法 由于人脸图像容易受到环境因素的影响如光照、障碍物遮挡、姿态变化和表情变化等，另外人脸图像中富含丰富的特征信息，如采用像基于几何特征的方法很难去准确的描述人脸图像信息。而近年来比较流行的基于统计特征的人脸识别方法，可以得到不错的识别效果。基于统计特征的人脸识别方法通常是采用某种映射方法将原图像空间中的像素点映射到另一个投影空间中去，而原空间向量称之为

7、空间域向量，被映射 到的投影子空间的那个向量被称之为变换域向量，此方法的目的也显而易见，便是寻找一种两个空间域变换的最优表示，可以把这个经过空间域变换后的优化的那个向量称之为特征图像，经过空间域的变换使得每 类样本在变换后的分布更加具有规律可循，当然对于进行人脸识别也更加有利。基于统计特2 征的人脸识别的方法具有代表性的有主成分分析方法(PCA)、独立分量分析(ICA)以及线性鉴别分析方法(LDA)。 主成分分析方法 主成分分析(简称 PCA)是一种常用的基于变量协方差矩阵对信息进行处理、压缩和抽提的有效方法。我们从数学角度来进行定义解释 PCA 算法：假设给定 N 个点，X=x1,x2,xN

8、 ,each xiRD，然后将这些高维空间(D维)里的点被映射到低维空间(d维)后对应的点为Y=y,y,12映射到d维空间。 ,yN,eachyiRD，此处d0,x0f(gp-gcp 乘以相应的权值2，然后累加求和就可以得到以点g为中心，)cR为半径邻域的纹理特征T描述： 6 Tt(LBPP,R(xc,yc)LBPP,R(xc,yc)=0p-1f(gp-gc)2p接下来将求解该特征描述的直方图。将人脸图像设为，将其分解成不同的若干 个区域 ，则该图像的直方图定义如下： Hi,j=x,yIh(x,y)=iI(x,y)Rj, i=0,1,其中 ,n-1,j=0,1,D-1n 为LBP的统计模式Hi

9、,j表示从图像划分的区域 Rj中属于第i个 bin 的个数，特征个数，D为图像划分的区域的个数。 图 4-1人脸经统一模式 LBP 编码图 LBP直方图描述的整体统计纹理信息，可以用直方图去分别统计每个局部区域或重要特征区域的直方图信息，然后利用原先人脸图像的位置信息，拼接各个直方图信息，最后描述整幅人脸图像的纹理信息。整个分块uniform模式的LBP的空间增强直方图算法的效果如图 4-1 所示。人脸图像经uniform模式的LBP的空间增强直方图编码后人脸的眼镜、眉毛、鼻子、嘴巴等特征比较明显，而其他地方则大部分信息被滤除。 3.2.3 PCA特征降维 假设此时共有n幅样本人脸图片参与特征

10、提取工作，将图像的LBP模式直方图H看i,j做一向量，并把所有H合并为一矩阵H，那么H就是Dn的矩阵。现在就是要采用 PCA i,j算法对Dn的矩阵H进行降维，降维后的矩阵称之为H，使得H的矩阵规模远小于矩阵H的规模。令H=(WH)，其中 称之为投影变换矩阵。根据PCA降维理论，求解投影变换矩阵W需要以下步骤： 步骤1：计算散布矩阵S 步骤 2：计算散布矩阵S的本征值和本征向量 7 步骤 3：按本征值的大小，从大到小对其对应的本征向量进行排序。 步骤 4：选择其中最大的d个本征值对应的本征向量，并将其作为投影向量，构成Dd投影矩阵W。 经过上面的四个步骤LBP提取的特征矩阵H的D维向量，降维d

11、维的特征矩阵为H，其中dD。 图原始人脸 图经分块 uniform 模式 LBP 的空 图PCA 特征 间增强直方图算法提取后的特征图像 图 4-2 基于 PCA 降维和分块 LBP 特征提取人脸效果图 实验结果如上图所示，图是原始人脸图像，图是采用分块 uniform 模式的 LBP图像的空间增强直方图算法就行特征提取的人脸图像，图是经过 PCA 降维的特征图像。可以看出经过 PCA 降维的人脸的眼、鼻和嘴等重要部位特征依然被保留在图像中，而图像中的总体的信息量已明显减少，说明经 PCA 降维的特征提取取得了良好的效果。 3.2.4 SVM 分类识别模块 由PCA特征降维可知，人脸图像特征矩

12、阵H的D维向量，降维d维的特征矩阵为H。对于特征矩阵H的 n 类样本分类求解问题，可以把这n类分类划分为多个两类分类问题，每类分类问题可以构建一个最小支持向量机，那么对于 n 类分类问题需要构建N=n(n-1)/2个最小支持向量机。在构造任意两类样本的最小支持向量机分类器时如p 和q类，可以选取将属于第p类的训练样本数据标记记为+1，将属于第q类的训练样本数据标记为-1，这样就可以训练出这两类样本数据的最小支持向量机用于人脸分类。 8 当人脸待测样本经过N=n(n-1)/2个这样的两类最小支持向量机分类之后，便可确定其所属人脸样本库的最终类别，即达到人脸分类识别的目的。 四、实验结果及分析 为

13、了从整体角度去考察上述人脸识别算法所实现的人脸识别的性能和准确率，依次完成人脸特征库的建立、特征训练和特征分类识别，输出识别结果和统计结果。本文还将是否采用 PCA 算法进行降维，进行了对比测试。此处我们选用ORL人脸库提供的4010幅图片，分别从这40个人的人脸库中选出6张作为训练人脸样本，剩下的4张作为待识别人脸样本，如下图 4-1 所示。 图 4-1 人脸样本图 采用如上方法对该算法进行测试，并对测试的结果进行统计，结果如下表 4-2 所示。 表 4-2 人脸识别系统的性能测试结果9 从表 4-2 可以看到该智能人脸识别算法的平均识别速度大概在 0.332s 左右，识别率为 93.13%

14、。1）如果不采用 PCA 算法进行降维，由于此时人脸特征信息冗余度比较大，当然包含的人脸信息业较丰富，虽然人脸识别率可以较采用 PCA 算法进行降维的方法提高了 1.5 个百分点，但是每幅图片所用的识别时间提高了将近一倍；2）如果不采用 Adaboost 算法进行人脸重要特征区域的提取，而是直接采用LBP8对人脸进行提取纹理信息之后再进行 1PCA降维，虽然每幅图片的评价检测速度有所提升，但是识别的准确率下降了 7 个百分点，因此本识别算法既拥有着良好的识别率同时识别速度也较快。 五、改进 人脸识别技术发展至今，已有几十年的历史，取得了很多卓越的成绩，已经成功运用于 多个领域和行业。本文虽通过

15、虽然通过对现有技术进行了研究，提出和实现了一种基于 adaboost 人脸检测、LBP 特征提取、PCA 特征降维和 SVM 特征分类等人脸识别方案，并达到了一定的准确率、执行速度以及对人脸姿态的鲁棒性，但是经过长期的对人脸识别技术的研究，发现仍然可以从以下几个方面有所突破和改进： Adaboost 人脸检测：在训练分类器的时候，基本上都是采用现有的 MIT 或者 CMU 公布的人脸检测训练样本集，如果想要提高分类器的分类性能，可以从训练样本集上进行考虑； 特征提取：由于 LBP 算法更主要的是关注图像的局部纹理信息，虽然引入了 LBP 直方图，使其具有了一定的总体的特性，但是应该是有一定的缺陷的，后期可以尝试和图像的整体信息的特征提取技术相结合进行特征提取； 数据降维：本文主要采用的是 PCA 方法，然而 PCA 方法只能对线性数据进行降维，非线性数据是无法达到降维的目的，而我们知道一幅图像中既包含线性数据也包含非线性数据，所以可以考虑采用线性降维和非线性降维相结合的技术，比如 PCA 算法和拉普拉斯特征映射方法相结合进行数据降维，应该可以得到更加准确的人脸描述特征。 10