一种基于改进LBP特征人脸识别.docVIP

一种基于改进LBP特征的人脸识别 　　摘 要： 传统的LBP算子只利用了局部的信息，而忽略了全局信息。MB_LBP算子虽然充分考虑了全局信息，但对局部信息的表示不足。在此提出一种改进后的LBP特征的人脸识别方法，改进后的LBP算子不仅能够利用局部特征，同时也兼顾了全局信息。该方法首先将人脸图像分块，对于每个分块，计算LBP特征，对于得到的LBP特征，根据其中心像素和分块灰度均值关系重新进行计算得到改进后的LBP特征，最后采用最近邻分类器进行识别。在ORL和YALE标准人脸数据库上的实验表明，改进后的识别效果优于使用传统LBP算子和MB_LBP算子。采用改进后的LBP算子，能够明显提高识别率，在ORL和YALE的实验显示能提高3%～8%左右的识别率。 　　关键词： LBP； 人脸识别； 特征提取； 人脸数据库 　　中图分类号： TN919?34； TP391.4 文献标识码： A 文章编号： 1004?373X（2015）04?0098?04 　　0 引 言 　　从Ahonen等人将局部二值模式（Local Binary Pattern，LBP）应用到人脸识别领域以来[1?2]，该方法在人脸识别领域取得了很大的成功。用局部二值模式来表示人脸图像的特征，采用X2统计作为相似度量来进行人脸识别。由于其训练样本要求小，计算简单等特点使其在人脸识别以及纹理识别等领域取得很好的识别率。 　　LBP在纹理分析方面有着广泛的应用，在人脸识别领域的成功使得其在近几年有了很大的发展。从LBP到MB_LBP再到后来的完整LBP（Completed Local Binary Pattern）[3]，每一次都在人脸识别领域取得了较大的成功。考虑到LBP算子仅考虑了周围像素并没有考虑全局的灰度分布，MB_LBP充分考虑了全局结构信息而忽略了一部分局部信息。考虑到完整LBP使用多个字节来表示一个像素，其对存储空间要求过大，并且有着复杂的计算过程。本文提出了一种改进的LBP算子进行人脸识别。为了考虑LBP在全局上的分布，将分块后的图像灰度均值作为阈值将LBP特征重新分散到指定范围。由于LBP只是考虑了周围像素与中心像素的差值，所以不同灰度的中心像素可能会得到相同的LBP特征，为了区分不同灰度的LBP特征，将LBP特征根据分块的全局灰度重新离散到特征范围。改进后的LBP算子保持了原始LBP的存储空间小的特点，同时又能兼顾局部信息和全局信息。 　　1 LBP简介和人脸识别 　　1.1 LBP 　　LBP 算子是一种描述纹理特征的强有力的方法。原始的 LBP算子为图像的每个像素定义了一个以该像素为中心的 3×3 的窗口，然后根据中心像素和周围像素的差值进行二值化，然后根据像素的位置以及二值化的结果进行加权求和得到该像素的LBP值。图1为基本LBP算子的计算过程。 　　式中[iP]为周围像素灰度值；[iC]为中心像素灰度值。 　　S（x）定义为： 　　[s（x）=1，0， x≥0x0] （2） 　　后来LBP被扩充为半径为R的圆周长取P个邻域的LBP算子。 　　[LBPP，R（xc，yc）=p=0P-1s（iP-iC）2p] （3） 　　式中[xp]，[yp]分别定义为： 　　[xp=xc+Rcos（2πpP）yp=yc-Rsin（2πpP）] 　　根据LBP算子的定义可以看出，LBP算子共有[2P]种模式。常用的LBP算子有[LBP18]，[LBP216]，[LBP324][LBP28]等如图2所示。 　　将LBP特征用于人脸识别，典型的方法是将人脸图像进行分块，对于每个小块进行提取LBP特征直方图，最后形成表示人脸的LBP特征直方图。 　　1.2 改进LBP算子 　　由于LBP算子只考虑周围像素的影响，在提取特征时丢失了一部分信息，两个不同结构的中心像素可能会得到相同的LBP特征。如图3所示。虽然两个不同区域的像素能得到相同的LBP特征值，但是对于全局结构信息而言应该区分这种情况。 　　MB_LBP（Multi_Block LBP）改进了传统LBP算子[6]，考虑LBP特征提取过程中丢失了全局信息，先将人脸图像进行分块，MB_LBP使用分块的灰度均值作为分块灰度值进行二值化。虽然MB_LBP增加了分块结构信息[6]，但是一些明显的局部特征会被忽略。有时候明显的特征对识别更有帮助。 　　本文考虑分块信息，同时考虑局部特征，提出一种根据中心像素和分块灰度均值将LBP特征值重新离散化的改进LBP算子。考虑所有的中心像素和LBP模式的组合共有[256×2P] 模式，如此多的模式对识别而言并不会带来好处[4?5]，所以考虑根据中心像素和分块灰度均值进行离散化。为了能够表示这种特征，提出一种三段线性离散的方法。 　　离散到3个