未来智讯 > 人脸语音识别论文 > 基于LBP的人脸识别

基于LBP的人脸识别

发布时间:2018-12-01 01:06:04 文章来源:未来智讯    
    基于LBP的人脸识别作者: 茅瀚云   摘要:人脸识别作为模式识别领域的重要分支之一,以其不易假装、识别便捷、较强的用户体验等特点逐步成为近年来的研讨热点,并陆续应用于商业系统以适合大众在安防领域的需求。
  关键词:人脸识别;LBP算子;直方图;识别率
  中图分类号:TP301 文献标识码:A 文章编号:1009-2374(2013)11-0158-02
  1 概括
  为了在人脸识别领域得到更好的应用,Ahonen等根据心理学上的研讨将人脸进一步划分成不同的区域并赋予不同的权值加以区分,最后取得了良好的识别结果。在这基础上,后续的研讨和改进不时出现。文中提出了多尺度区域LBP(MB-LBP)的观念,该方法通过统计区域内的像素均值而非单个像素值得到LBP模式,从而比原有的LBP方法更精确且考虑了更多的宏观信息。
  在上述研讨的基础上,Tan等人提出了改进的LBP算子的LTP特征。LTP特征的性子是将两单阈值的LBP算子分成双阈值算子并得到上下两个特征,这就能使提取的特征对单个像素点干扰更加稳定。这对基于LBP纹理的人脸识别起到重要作用。性子上,通过不同区域的划分(Multi-block)来组成LBP特征的目的也是尽可能地考虑LBP模式间的位置关系,从而得到更有效的特征。文中提出的Hierarchical Kernel Descriptor的方法通过SIFT、HOG等算子的层级组合得到一组新的特征,即在原有特征层基础上再次特征提取,从而实现大尺度信息提取。因此,应该关注模式间所组成的几何位置关系,即在LBP模式上再提取一层特征,从而以数量的形式反映模式间的几何位置信息。
  2 CNCS在VM中的应用
  理论上,LBP算子是用于提取图像的边缘和角点信息。显然,这些模式不但仅只拥有数量关系,其位置的不同也将组合成新的不同的模式或图案,就如同近处看到的图案在远处只可表现为一个像素点,而这些像素点又能够组成新的模式、图案。另一方面,能够把纹理信息分成若干层,较低层的基元变成的某种模式作为较高描述层的次基元,并在一个更高层的描述层次上变成新的模式。因此,不能仅用单个直方图来衡量一个区域的LBP模式。
  本文提出了一种新的基于双层LBP的方法,用于提取更多LBP模式之间所具有的几何关系。最初对人脸灰度图像提取LBP特征并得到由该模式组成的图像,从而将特征从像素级提升到区域特征。其次,对LBP模式组成的图像进一步提取LTP算子,从而得到又一组基于LBP模式的特征,用于描述模式间的几何位置关系。通过二者的联合来达到提升识别率的目的。
  3 重定义LTP算子
  传统的LBP特征实现了从像素级到区域级特征的转变,本文通过双层LBP特征实现对区域特征的进一步描述。LBP特征实现了像素层特征的提取,而第二层的目的是实现LBP层的特征提取,以获得更多的宏观信息。
  能够选取与LBP算子相类似的思维,从f1(x,y)提取不同模式之间的关系。通过二值化3×3的区域,可提取出不同模式之间相邻组合关系并统计成直方图。但是,对于灰度值的像素点来说,像素值之间的减法是存在几何意义的,它表示了不同像素点之间的像素差,对图像纹理而言具有物理意义,但对于LBP模式来说,数值不过一种标号,每个标号之间的大略相减不存在任何几何意义。值得注意的是,等号存在一定的物理意义,因此根据这一特性能够将模式数值分成两局部:等于中心点模式和不等于中心点模式。显然,此时两个标号相等意味着两个模式属于同一种模式。然而考虑到像素值可能存在的干扰和误差最后将会影响LBP特征的正确性,对于编码相互接近的LBP模式需要区别对待。如二进制编号11101111的模式和二进制编号为11111111的模式都应该属于同一种模式,因为有极大的可能是由于第四位的像素干扰所引起的不一致。因此定义运算d(x,y)表示两个模式标号之间的大小关系,当|d(x,y)|≤3时,意味着两个模式是一致的。由此能够根据中心点的模式,将周围模式分为两类,|d(x,y)|≤3及|d(x,y)|>3。这与文提出的LTP有着相类似的分类方式。据此本文重新定义了LTP的算子。本文所定义的LTP算子如式(1)所示:
  其中d(x,y)表示两个编码之间差异。上式中的LTP算子也是同样提取基于部分区域的特征,但特征提取的层面不同,体现的是不同模式之间的关系。对LBP模式而言,拥有相同直方图的两幅图像,其实际模式的排列组成方式却可能完全不同。因此,通过LTP模式,可以有效地统计出某一模式周围其他模式的组成,从而得到更丰富的人脸信息。
  4 结语
  经典的LBP应用都是提取LBP及其他扩展的特征后组成直方图进行识别。由于单个LBP模式直方图只可反映不同模式之间的数量关系,缺少了几何位置信息,所以众多的研讨通过多尺度的区域和LBP特征的方式来实现位置信息的融入。但是,这样的做法依然忽视了模式与模式之间的几何信息,模式之上依然可能存在着某些模式。因此,本文提出了一种基于LBP模式的双层LBP的观念,通过重定义的LTP特征,在由LBP模式组成的图像长进一步提取其特征模式从而构成新的特征,最后提到了识别率。实验证明,本文所提出的方法对于基于LBP特征的算法有一定的改善,通过重定义的LTP特征,可以在一定程度上提取模式间的几何位置关系,增加人脸识别的有效信息。
  参考文献
  [1]A.Pentland. Looking at people: sensing for ubiquitous andwearable computing. IEEE Transaction on Pattern Analysis and Machine Intelligence,2000, 22(1):107-119.
  [2]T. Kanade, Picture processing system by computercomplex and recognition of human faces, Ph.D.dissertation, Kyoto University, 1973.
  [3]H.Chan, W.W. Bledsoe. A man-machine facial recognition system: some preliminary results. Technical report,Panoramic Research Inc., 1965.
  [4]A.J. Goldstein, L.D. Harmon, A.B. Lesk. Identificationof human faces. Proceedings of the IEEE,1971,59(5):748-760.
  (责任编辑:周 琼)
转载请注明来源。原文地址:https://www.7428.cn/page/2018/1201/49639/
 与本篇相关的热门内容: