基于正交梯度差局部方向模式的人脸识别算法 下载: 842次
1 引言
人脸识别由于其自然性和不被被测个体察觉的特点,一直以来是模式识别和机器视觉领域的研究热点,但人脸容易受到光照、噪声、表情和遮挡等的影响,如何有效获取人脸特征信息一直是人脸识别研究重点[1]。根据人脸表示数据空域特性,可将人脸描述方法大致分为两类:1) 人脸整体特征提取[2-4],往往全局表示方法对光照、姿态、表情以及遮挡等复杂变化比较敏感;2) 人脸局部特征提取,局部表示方法由于刻画了局部更细节的纹理信息,对光照、姿态、表情复杂变化往往表现得更为稳健。其中,局部二值模式(LBP)[5]的特征提取方法在人脸识别应用中取得了显著的成果,并涌现出很多新的改进方法[6-10],虽然在一定程度上对光照和噪声较稳健,但还远远不够。Jabid等[11]提出一种基于局部方向模式(LDP)的人脸表示方法,由于边缘梯度值比灰度像素值更稳定,表现出对光照、噪声和遮挡更强的稳健性,但也存在识别效果不理想和识别时间较长等缺点。之后,在LDP算法的基础上出现了一些改进算法[12-16]。其中,李照奎等[17]提出一种基于差值局部方向模式(DLDP)的算法,虽然提取了梯度空间人脸特征信息,并且近邻边缘响应值之间作差可以减少部分噪声的干扰,识别效果得到了增强,但只考虑同一半径内近邻边缘响应值之间的强度变化,特征提取还不够充分,不能解决光照对人脸的影响,特征维度还比较高。在此基础上,王晓华等[18]提出的一种梯度中心对称局部方向模式(GCS-LDP)的算法,既考虑了梯度空间幅值信息,也考虑了强度空间方向信息,但在强度空间上编码时,提取方向信息采用中心对称方式,存在提取信息不充分和稳定性差等问题。
为了解决DLDP算法识别效果的问题,本文提出一种基于正交梯度差局部方向模式(OGDLDP)的人脸表示方法。为了使人脸特征信息得到充分的提取,将3 pixel×3 pixel和5 pixel×5 pixel的相邻边缘响应值作差,将不同尺度之间的人脸特征信息考虑进来。该方法仅考虑两组边缘响应差值的最大值情况,突出了最主要边缘梯度信息,又避免了受不重要信息干扰的影响,对噪声有一定的稳健性。最后,将两组边缘响应差值水平和垂直方向人脸特征信息构成正交形式,研究了梯度脸对光照的稳健性。
2 OGDLDP算法
2.1 DLDP算法
DLDP算法是LDP算法的改进,基本构造思想是采用Kirsch算子模板,如
式中
2.2 OGDLDP算法
DLDP算法还存在如下问题:1) 只考虑了同一个3 pixel×3 pixel相邻边缘响应值之间的影响,没有考虑相邻的不同半径领域的边缘响应值之间的影响,人脸特征提取还不够充分;2) 当相邻的两个边缘响应值一个受到噪声干扰,另一个没有受到噪声干扰时,仅仅依靠相邻边缘响应值之间作差,是不能达到减少噪声效果的;3) 并没有很好地减少光照因素对人脸识别效果的影响,对光照的稳健性较差;4) DLDP码是一个八位二进制数,特征模式数较高,识别时间较长。OGDLDP算法是针对DLDP算法以上4方面问题进行改进的一种新型算法,如
OGDLDP算法具体步骤如下:
1) 将3 pixel×3 pixel领域像素灰度值
式中
2) 将3 pixel×3 pixel领域得到的近邻边缘响应值
第
3) 取两组边缘响应差值的最大值对应的方向下标,组成一个二位八进制数,形成OGDLDP码,其计算方法为
式中OGDLDP(
3 OGDLDP算法的人脸识别
3.1 OGDLDP特征提取
采用OGDLDP算法对人脸图形进行特征提取,如
3.2 2DPCA降维
由于PCA转化为一维之后,维数过大,计算量变大,识别率不是很高,并且PCA训练是非监督的,即PCA无法利用训练样本的类别信息。所以采用二维主成分分析法(2DPCA)[3]算法对人脸的特征向量进行降维处理。
3.3 人脸匹配
采用最近邻分类器对人脸进行识别与匹配,通过匹配 BGCSBP 直方图序列特征的相似度实现人脸分类和识别, 实验采用直方图相交[20]衡量两个直方图之间的相似度:
式中
4 仿真实验结果与分析
4.1 实验环境说明
实验的运行环境为Matlab2014a,64位Windows7系统,Intel(R)Core(TM) i5-3230,2.6 GHz,4 GB内存。
4.2 人脸库的选择和说明
考虑光照、遮挡和表情等情况,以及人脸大小和肤色,因此选择在YALE人脸库和AR人脸库进行相关实验。其中,YALE人脸库由耶鲁大学计算视觉与控制中心创建,包含15个人,每人11幅的165张图片,包含光照、表情和姿态。实验中随机选择该人脸库每个人的2到5幅图像作为训练样本,其余图像作为测试样本。AR人脸库共包含超过4000幅来自126个人的欧洲人脸图像,从AR人脸库中选择50名男性和50名女性,每人13幅人脸图像进行实验,按照表情、光照、遮挡等变化分为4个子集作为测试样本,每组选取其中的3幅和1幅原型正脸图作为测试集。所有图像均以眼部为中心将人脸裁剪为100 pixel×100 pixel的大小,部分人脸库图像如
4.3 分块
对图像进行恰当地分块能有效地提取图像的局部纹理特征。在进行直方图统计时,不同的分块数对识别效果有较大的影响,分块数过少,则不能很好地体现人脸的局部纹理细节,而分块数过多,又会产生特征冗余而降低识别效果,同时也会使特征维数增加。在YALE人脸库和AR人脸库上, OGDLDP算法对于不同分块数的实验结果如
由
图 7. 部分(a) YALE和(b) AR人脸库不同分块识别率
Fig. 7. Part of different block recognition rates of (a) YALE and (b) AR face databases
4.4 各算法识别率以及实验分析
为了验证本文算法的有效性,将其与局部方向模式(LDP)[10]、快速局部方向模式(FLDP)[13]、增强局部方向模式(ELDP)[14]、局部方向数字模式(LDN)[15]、差值局部方向模式(DLDP)[16]、中心对称局部方向模式(CSLDP)[17]和梯度中心对称局部方向模式(GCSLDP)[18]算法进行对比。取最大识别率对应的分块为最佳分块,取重复实验50次的均值作为最终识别率,YALE和AR人脸库实验结果分别如
表 1. 各种算法在YALE人脸库的识别率
Table 1. Identification rate of YALE face database with different algorithms
|
由
由
表 2. 各种算法在AR人脸库的识别率
Table 2. Identification rate of AR database with different algorithms
|
LDP、ELDP、LDN、FLDP和CSLDP算法是将图像3 pixel×3 pixel邻域像素灰度值与8个Kirsch算子卷积,得到8个方向的边缘响应值,再分别采用不同的编码方式进行特征提取,本质上是在强度空间提取人脸特征信息;DLDP算法是将8个方向的近邻边缘响应值之间相应作差,对应8个方向的边缘响应差值,再取最大3个绝对边缘差值的方向下标进行编码,本质上是在梯度空间提取人脸特征信息。上述这些算法提取人脸特征都是在单一的人脸信息空间进行采样,都没有考虑不同半径领域之间像素点特征信息,特征提取手段比较单一,采样还不够充分。GCSLDP是在强度空间提取了人脸强度信息和在梯度空间提取了人脸方向信息。首先,方向信息采用中心对称编码方式取最大值方向,可能会造成信息的错误,比如当两个值都是正的最大边缘响应值作差后值不一定大于其他正边缘响应和负边缘响应差值;当两个值都是负的最大边缘响应值作差后值不一定大于其他负边缘响应和正边缘响应差,所以很难通过方向信息情况反应出边缘梯度信息。其次,也没有考虑不同半径领域之间像素点特征信息。OGDLGP算法首先利用相邻边缘值作差运算,保留了像素之间内在的关系,获取边缘响应值之间更丰富的细节特征。考虑了同一半径近邻边缘响应值之间的人脸内在梯度差信息和不同半径的边缘响应值之间人脸外在的差值信息,通过内外差值人脸信息的结合使人脸特征得到了更充分的提取。最后,3 pixel×3 pixel和5 pixel×5 pixel相邻边缘响应差值分别是由水平和垂直方向构成,并且3 pixel×3 pixel和5 pixel×5 pixel内外差值正好构成正交形式。正交梯度脸对光照人脸具有更好识别效果,表现出对光照更强的稳健性。所以,在光照、表情、遮挡情况下,本文算法具有更好的识别效果。
4.5 噪声实验
在YALE人脸库进行加入噪声实验,噪声模型选择高斯白噪声,均值为0,归一化方差分别为0.0001、0.0002、0.0003、0.0004、0.0005。每人随机取3幅训练样本图像,其余图像为测试样本,取重复实验50次的均值作为最终识别率。加噪声后,各算法识别率结果如
由
5 结论
提出OGDLDP人脸识别方法,相比同类基于LDP的单一人脸识别算法,不管是特征提取还是对噪声的稳健性,该方法都具有一定的优越性。实验结果表明:1) OGDLDP算法是同一半径内在差值人脸信息和不同半径外在差值人脸信息的一种结合,可以使人脸特征信息得到充分的提取;2) 利用相邻边缘值作差运算,可以保留像素之间内在关系,获取边缘响应值之间更丰富的细节特征,并且可以相互抵消部分相邻值受光照和噪声等外界因素的影响;3) OGDLDP算法仅考虑近差值的最大值情况,突出了最主要边缘梯度信息,同时又避免了受不重要信息干扰的影响;4) 内外差值是由水平与垂直方向构成的正交形式,表现出对光照具有更强的稳健性。在深度学习大趋势下,接下来重点将考虑与深度卷积神经网络进行结合。
[1] Lu JW, WangG, Deng WH, et al. Simultaneous feature and dictionary learning for image set based face recognition[C]. European Conference on Computer Vision, 2014: 265- 280.
[2] 李雅倩, 李颖杰, 李海滨, 等. 融合全局与局部多样性特征的人脸表情识别[J]. 光学学报, 2014, 34(5): 0515001.
[4] Li M, Yuan B Z. 2D-LDA: A statistical linear discriminant analysis for image matrix[J]. Pattern Recognition Letters, 2005, 26(5): 527-532.
[6] 夏军, 裴东, 王全州, 等. 融合Gabor特征的局部自适应三值微分模式的人脸识别[J]. 激光与光电子学进展, 2016, 53(11): 111004.
[7] 林森, 徐天扬, 王颖. 基于Gabor小波和NBP算法的手掌静脉识别[J]. 激光与光电子学进展, 2017, 54(5): 051002.
[10] Zhao SQ, Gao YS, CaelliT. High-order circular derivative pattern for image representation and recognition[C]. 2010 International Conference on Pattern Recognition, 2010: 2246- 2249.
[11] JabidT, Kabir MH, ChaeO. Local directional pattern (LDP) for face recognition[C]. 2010 Digest of Technical Papers International Conference on Consumer Electronics, 2010: 329- 330.
[12] 钟福金, 张家树. 基于ILDP的噪声鲁棒人脸识别[J]. 光电子·激光, 2012, 23(8): 1570-1575.
Zhong F J, Zhang J S. Noise robust face recognition based on improved local directional pattern[J]. Journal of Optoelectronics·Laser, 2012, 23(8): 1570-1575.
[13] 惠晓威, 张俊宇, 林森, 等. 改进局部方向模式在掌脉识别中的应用[J]. 激光与光电子学进展, 2015, 52(7): 071001.
[16] 杨恢先, 翟云龙, 蔡勇勇, 等. 基于中心对称梯度幅值相位模式的单样本人脸识别[J]. 光电子·激光, 2015, 26(5): 969-977.
Yang H X, Zhai Y L, Cai Y Y, et al. Face recognition based on center-symmetric gradient magnitude and phase pattern[J]. Journal of Optoelectronics·Laser, 2015, 26(5): 969-977.
[17] 李照奎, 丁立新, 王岩, 等. 基于差值局部方向模式的人脸特征表示[J]. 软件学报, 2015, 26(11): 2912-2929.
Li Z K, Ding L X, Wang Y, et al. Face feature representation based on difference local directional pattern[J]. Journal of Software, 2015, 26(11): 2912-2929.
[18] 王晓华, 李瑞静, 胡敏, 等. 融合局部特征的面部遮挡表情识别[J]. 中国图象图形学报, 2016, 21(11): 1473-1482.
Wang X H, Li R J, Hu M, et al. Occluded facial expression recognition based on the fusion of local features[J]. Journal of Image and Graphics, 2016, 21(11): 1473-1482.
Article Outline
杨恢先, 刘建, 张孟娟, 曾金芳. 基于正交梯度差局部方向模式的人脸识别算法[J]. 激光与光电子学进展, 2018, 55(4): 041008. Huixian Yang, Jian Liu, Mengjuan Zhang, Jinfang Zeng. Face Recognition Algorithm Based on Orthogonal Gradient Difference Local Directional Pattern[J]. Laser & Optoelectronics Progress, 2018, 55(4): 041008.