一种基于LBP―EHMM人脸识别算法.docVIP

一种基于LBP―EHMM人脸识别算法 　　摘要：针对实时人脸识别易受光照变化影响的问题，提出了一种将局部二值模式（Local Binary Patterns，LBP）与嵌入式隐马尔可夫模型（Embedded Hidden Markov Model，EHMM）相结合的人脸识别方法。该方法首先对输入的人脸图像进行LBP预处理，接着对其进行特征向量提取，最后把提取的特征观察向量送入EHMM进行训练或识别。在多个人脸数据库上进行了实验，结果表明该文算法对光照具有较好的鲁棒性，提高了识别率。 　　关键词： 人脸识别； LBP；特征提取；EHMM 　　中图分类号：TP391 文献标识码：A 文章编号：1009-3044（2013）07-1613-04 　　人脸识别是模式识别、人工智能等研究领域的热点。传统的方法多运用基于主成份分析和线性判别分析等特征提取方法的模板匹配来实现人脸识别。主成份分析（PCA）[1]是利用K-L变换抽取人脸的主要成份，构成特征脸空间进行处理，线性判别分析（LDA）[2][3]是通过最大化目标函数来将原始数据投影到一个转换空间中，并在新的空间里对原始数据进行划分，它们是从全局的角度对人脸图像进行描述，能较好地提取图像的全局特征，但是容易受到光照和位置的影响。经过了多年的发展，人脸识别技术已取得了长足的进步，在理想的情况下已经拥有较高的识别率，但是在实时的识别中由于人脸识别的复杂性和客观条件的多重影响，仍有许多问题没有得到很好的解决，比如光照变化、表情变化、遮挡等，其中以光照变化带来的干扰最为严重。 　　与传统的方法相比，嵌入式隐马尔可夫模型（EHMM）可以高效的表示动态时序信号，而且人脸特定的结构与EHMM中的马尔可夫链的状态序列相吻合。由于EHMM中DCT提取的特征观察向量对光照变化相对较敏感，所以本文用LBP作为图像的预处理来降低光照变化的影响。通过实验结果表明，该文提出的方法在降低光照变化影响的同时提高了人脸识别率。 　　1 相关理论 　　1.1 LBP 　　Ojala在文献[4]中提出，图像局部的纹理特征是由局部像素灰度值之间的关系来表现的，LBP算子的基本思想是将中心像素点的灰度值作为阈值，利用圆形邻域内的各像素灰度值与阈值比较，产生该区域的二进制模式来表述局部纹理特征。对于任意的LBP算子，其计算公式为： 　　一种基于LBP-EHMM的人脸识别算法 23%-2A7＼image7.pdf算子得到的值也是相同的，图2给出了求解过程。 　　1.2 隐马尔可夫模型（HMM） 　　HMM是用概率统计的方法来描述时变信号的一个双重随机过程，其中之一是Markov链即状态和时间都离散的Markov过程，这个是基本随机过程。另一个随机过程是描述状态和观察值之间的统计对应关系。一阶离散隐马尔可夫过程一般包括4 个方面：① N，隐含状态数；②M，是不同观测符号的总数；③A，状态转移概率分布或转移矩阵；④B，观测概率矩阵或称为发射矩阵。使用简写的记法，HMM 可表示为下面的三参数形式。Samaria最早在文献[5]中将HMM应用于人脸识别，并提出了HMM模型。它基于这样一种事实：正面人脸图像包含头发、额头、眼睛、鼻子、嘴巴和下巴6个显著特征区域，即使头部有一些偏转或倾斜，但它们的次序从上到下保持不变。 于是可以把这6个特征区域抽象为6个状态，观察到的序列是由6个状态产生的，这6个状态是抽象的不具有具体的意义，只能通过观察序列对它进行估计。它的状态结构图如图3所示。 　　1.3 EHMM 　　一维HMM对一维的信号处理比较擅长，因而其在语音领域取得了很大的突破。但对于图像处理和识别来说，由于图像是一个二维信号，虽然可以像求特征脸那样把它展开成一维数据，但展开的一维数据已经丢失了空间信息，而且在后期的计算中运算量很大，不适合实时应用。因此，在实时的人脸图像识别系统中，标准的一维HMM方法难以满足要求，需要寻找另一种二维的模型来对图像进行建模，以完成高效率高精度的识别。 　　EHMM最早由Nefian[6]将其用于人脸识别，取得了很好的效果。EHMM是在一维HMM的基础上，将一维HMM的每个状态中嵌套一个新的HMM而得到，一般将外层HMM的状态称为超状态，内层嵌入的HMM称为嵌入态。其可以用一个扩展的三元组 来表示。相关参数简要介绍如下： 　　EHMM在人脸识别系统中状态结构描述如图4所示。垂直方向的头发、眼睛等6个状态为超状态，水平方向嵌入的多组HMM称为嵌入态。EHMM可以在模型中反映人脸的二维方向的结构特征，而且水平方向的状态转移只限于在超状态内部，分析起来比一般性的二维HMM简单，是较好的描述和识别人脸的模型。 　　1.3.1 EHMM的训练 　　嵌入式隐马尔可夫模型的训练就是要为每一个人确定一组经过优化的EHMM参数，