基于改进的HOG和LBP算法的人脸识别方法研究

姚立平; 潘中良

doi:doi:10.19453/j.cnki.1005-488x.2020.02.008

光电子技术, 2020, 40 (2): 114, 网络出版: 2020-08-13

基于改进的HOG和LBP算法的人脸识别方法研究下载： 731次

Research on Face Recognition Method Based on Improved HOG and LBP Algorithms

论文大纲

姚立平潘中良

作者单位

School of Physics and Telecommunications Engineering, South China Normal University, Guangzhou 510006, CHN

人脸识别局部二值模式特征方向梯度直方图特征二维主成分分析算法主成分分析算法 face recognition LBP feature HOG feature 2DPCA algorithm PCA algorithm

摘要

人脸识别技术易受光照、表情等因素影响，为充分提取人脸特征信息，提出了融合改进的局部二值模式(LBP)和梯度方向直方图(HOG)方法提取人脸图形纹理、细节特征，利用列方向压缩的2DPCA+PCA算法对人脸的特征空间进行降维处理，使用2DPCA算法降低了特征维度，解决了仅仅使用PCA方法，由于人脸图像特征维度高而造成求解模型复杂的问题，降低了计算规模，提高了运算速度。最后，使用ORL和Yale人脸数据库进行实验。结果表明，基于改进的LBP和HOG融合的特征提取具有一定的互补性，与其它的识别算法相比，该改进的算法识别率有了较大的提高，鲁棒性更强。

Abstract

Recognition rate of face recognition technology is vulnerable to illumination, expression and other factors. An image method based on the improved Local Binary Pattern (LBP) and Histogram of Oriented Gradient (HOG) for texture and details feature extraction was proposed, and 2DPCA+PCA algorithm of column direction compression was employed to reduce the dimensions of face feature space, so as to solve the problem that the PCA model was complex because of the high dimension of face image features, and to reduce the computing scale and furthermore to improve the computing speed. The testing results of experiments with ORL and Yale face database illustrate that the feature extraction based on the improved LBP and HOG fusion are complementary, and the recognition rate of the improved algorithm has been greatly improved compared with other recognition algorithms.

1 引言

1 特征提取

1.1　改进的LBP特征提取

传统的LBP算子 [18] 定义为3\times3大小的方形窗口，中心点的像素值为阈值，邻域8个像素值若是大于中心点值，则为1，否则为0，对变换后8个点进行计算，所得的结果作为该中心像素的LBP值。LBP值计算如 公式(1) 所示。

L B P (x_{c}, y_{c}) = \sum_{i = 0}^{7} s (g_{i} - g_{c}) \times 2^{i}

(1)

g_{c}

s (x) = \{\begin{array}{l} 1, x \geq 0 \\ 0, x < 0 \end{array}

使用原始图像的中心点与它周围各个邻域点相加，再将各邻域点得到的像素值按照一定的顺序与相邻邻域点的值比较，进行二值化处理，这样既考虑到了各相邻点像素值间的联系，又保证了与中心像素点的联系，改进的LBP如 图1 所示。

图 1. 改进的LBP算法图

Fig. 1. Diagram of improved LBP algorithm

下载图片查看所有图片

s (x)

s (x) = \{\begin{array}{l} 1, x \geq a \\ 0, x < a \end{array}

为了比较充分地提取图像的LBP特征，对图像进行了分块，对每一块的区域进行LBP特征提取，最终得到改进的分块LBP特征值。

1.2　HOG特征提取

HOG特征 [19] 是一种描述局部信息的描述符，其特征提取过程如下所示。

3.14.16 (1) 图像的灰度化和标准化Gamma空间

为了减少光照因素的影响，对图像进行归一化，Gamma校正公式如 式(2) 所示。

I_{b} (x, y) = c \times I {(x, y)}^{γ}

(2)

I_{b} (x, y)

图 2. Gamma图像校正

Fig. 2. Gamma image correction

下载图片查看所有图片

（ x, y ）

G_{x} (x, y) = H (x + 1, y) - H (x - 1, y)

G_{y} (x, y) = H (x, y + 1) - H (x, y - 1)

G_{x} (x, y) 、 G_{y} (x, y) 、 H (x, y)

G (x, y) = \sqrt[]{G_{x} {(x, y)}^{2} + G_{y} {(x, y)}^{2}}

(3)

α (x, y) = t a n^{- 1} (\frac{G_{y} (x, y)}{G_{x} (x, y)})

(4)

(3) 将图像分成大小相同的胞元，分别计算统计各个胞元内所有像素的梯度直方图，得到局部区域的特征描述。

L 2 ⁃ n o r m

f = \sqrt[]{\frac{v}{({‖v‖}_{2}^{2} + ε^{2})}}

(5)

v

图 3. 图像HOG特征提取效果显示图

Fig. 3. Images of HOG feature extraction effect

下载图片查看所有图片

2 降维处理

2.1　列方向压缩的2DPCA方法

传统的PCA在降维方面因为特征维数高造成计算量大且复杂。充分利用二维人脸图象的行与行或者列与列之间的相关性，可以使用行方向上压缩或者是列方向压缩的2DPCA方法。文章使用列方向上压缩2DPCA方法，有效地减少了特征数量和计算规模，且提高了识别率。

基于列方向压缩的2DPCA方法的基本原理为：

M

P = \frac{1}{M} \sum_{i = 1}^{M} (X_{i} - μ) (X_{i} {- μ)}^{T}

(6)

P

2.2　PCA降维方法

经过列方向压缩的2DPCA方法后，人脸图像的特征空间已经大大减小，为了进一步减少数据的冗余度提高识别率效果，再使用PCA方法进行降维处理。PCA算法处理步骤为：

x_{i}

X = [x_{1}, x_{2}, . . ., x_{k}, . . . x_{l}], x_{k} \in R^{n}, \bar{x} = \frac{1}{l} \sum_{k = 1}^{l} x_{k}

(7)

x_{k}

S_{r}

S_{r} = \sum_{k = 1}^{l} (x_{k} - \bar{x}) (x_{k} {- \bar{x})}^{T}

(8)

S_{r}

d

d

{x_{k}}^{*} = (U^{*})^{T} x_{k}, k = 1,2, . . ., l

(9)

3 实验结果与分析

3.1　改进的LBP算法实验

\times

图 4. Yale人脸库改进前后LBP算法识别率

Fig. 4. Recognition rate of LBP algorithm before and after the improvement of Yale’s face database

下载图片查看所有图片

使用ORL人脸库对改进前后的LBP算法进行比较验证，ORL人脸库共有40人，每人10张图像，人的脸部表情和脸部细节有着不同程度的变化。实验改变训练样本每个样本的数目(从2张到9张)，其余作为测试样本，比较改进前后的LBP算法的识别情况，实验结果如 图5 所示。

图 5. ORL人脸库改进前后LBP算法识别率

Fig. 5. Recognition rate of LBP algorithm before and after the improvement of ORL’s face database

下载图片查看所有图片

从实验结果 图4 、 图5 可知，LBP人脸识别应用随着训练样本数目的增加，识别率也逐渐提高，改进后的LBP在识别率上明显有了提高。

3.2　HOG特征提取实验

64 \times 64

D_{H O G} = 9 \times 4 {N_{b}}^{2}

(9)

16 \times 16

表 1. Yale人脸库不同区域块HOG+SVM识别率

Table 1. Yale人脸库不同区域块HOG+SVM识别率

区域块尺寸 /像素	区域块个数 $N_{b}$	特征维数 $D_{H O G}$	识别率 /(%)
$32 \times 32$	$3 \times 3$	$324$	87.0
$16 \times 16$	$7 \times 7$	$1 764$	93.0
$8 \times 8$	$15 \times 15$	$8 100$	90.5
$4 \times 4$	$31 \times 31$	$34 596$	82.0

查看所有表

表 2. ORL人脸库不同区域块HOG+SVM识别率

Table 2. ORL人脸库不同区域块HOG+SVM识别率

区域块尺寸 /像素	区域块个数 $N_{b}$	特征维数 $D_{H O G}$	识别率 /(%)
$32 \times 32$	$3 \times 3$	$324$	90.0
$16 \times 16$	$7 \times 7$	$1 764$	85.0
$8 \times 8$	$15 \times 15$	$8 100$	71.8
$4 \times 4$	$31 \times 31$	$34 596$	46.2

查看所有表

3.3　PCA和2DPCA算法实验

使用Yale人脸库中每个样本的5张作为训练样本集，其余作为测试集，比较了传统的PCA、行方向2DPCA、列方向2DPCA的识别情况，如 图6 所示。

图 6. Yale人脸库PCA和2DPCA主成分贡献率与识别率关系图

Fig. 6. Diagram of principal component contribution rate and recognition rate by PCA and 2DPCA in Yale face database

下载图片查看所有图片

使用ORL人脸库中每个样本的5张作为训练样本集，其余作为测试集，比较了传统的PCA、行方向2DPCA、列方向2DPCA的识别情况，如 图7 所示。

图 7. ORL人脸库PCA和2DPCA主成分贡献率与识别率关系图

Fig. 7. Diagram of principal component contribution rate and recognition rate by PCA and 2DPCA in ORL face database

下载图片查看所有图片

图6 、 图7 的实验结果表明，基于列方向压缩的2DPCA算法、基于行方向压缩的2DPCA算法、传统的PCA算法随着主成分贡献率的增加，其识别率也不断地增加，使用的基于列方向压缩的2DPCA算法对人脸图像的降维识别率远远大于传统的PCA的人脸识别率，且波动范围比较小，该算法较为稳定。

3.4　人脸库识别实验

Yale人脸数据库总共有165个样本,取该数据集中的75个样本作为训练集，剩余的90个样本作为测试集，各算法的识别结果如 表3 所示。

表 3. Yale人脸库各算法识别率

Table 3. Yale人脸库各算法识别率

算法	识别率/(%)
HOG+KNN	87
改进LBP+KNN	86
改进LBP+HOG+KNN	89
改进LBP+HOG+PCA+KNN	92
改进LBP+HOG+基于列方向压缩2DPCA+KNN	94
改进LBP+HOG+基于列方向压缩2DPCA+PCA+KNN	97

查看所有表

ORL人脸库总共有400个样本，取该数据集中的200个样本作为训练集，剩余的200个样本作为测试集，各算法识别结果如 表4 所示。

表 4. ORL人脸库各算法识别率

Table 4. ORL人脸库各算法识别率

算法	识别率/(%)
HOG+KNN	86
改进LBP+KNN	86
改进LBP+HOG+KNN	88
改进LBP+HOG+PCA+KNN	90
改进LBP+HOG+基于列方向压缩2DPCA+KNN	94
改进LBP+HOG+基于列方向压缩2DPCA+PCA+KNN	96

查看所有表

从 表3 、 表4 的实验结果可以看出，基于改进的LBP和HOG融合的特征提取的识别率高于单特征提取的识别率。这说明，HOG特征和LBP特征具有一定的互补性，两种算法相互结合，改善了识别性能，通过PCA降维后，其识别率有了提高，相比PCA降维，使用列方向压缩的2DPCA方法降维，其识别率有了较大的提高。为了进一步提高识别性能，此时通过列方向压缩2DPCA算法后人脸特征空间维数较小，使用PCA方法进一步降维后，其识别率有了提高。实验结果说明了文章提出算法的可行性，能够获得更好的识别率，鲁棒性更强。

4 结束语

人脸识别易受光照、姿态、表情等干扰而影响识别的准确率。通过使用改进的LBP和HOG算法提取图像纹理和细节特征，使用列方向压缩的2DPCA算法对提取的人脸特征空间降维处理，相比直接用PCA算法降维处理，减小了因人脸图像特征空间维数大带来的复杂的运算规模，同时提高了识别率，具有一定的应用价值。

参考文献

[1] ZafaruddinG M,FadewarH S. Face recognition: A holistic approach review[C]. International Conference on Contemporary Computing and Informatics (IC3I), Mysore, India, 2014: 175-178.

[2] LiuC. The development trend of evaluating face-recognition technology[C]. International Conference on Mechatronics and Control (ICMC),Jinzhou, China, 2014: 1540-1544.

[3] JindalA, GuptaS, KaurL.Face recognition techniques with permanent changes: A review[C].International Conference on Green Computing & Internet of Things, Noida, India, 2015：689-693.

[4] Slavkovi?, Slavkovi?, Dubravka Jevtić, Marijeta, Marijeta, and DubravkaJevtić, and DubravkaJevtić. Face recognition using eigenface approach[J]. Serbian Journal of Electrical Engineering, 2012: 121-130.

[5] 廖正湘, 廖正湘, 陈元枝, 陈元枝, 李强, 李强. 融合2DDCT、2DPCA和2DLDA的人脸识别方法[J]. 计算机应用与软件, 2012, 29(09): 237-239+288.

[6] MaodongS, JiangtaoC, LiP. Independent component analysis for face recognition based on two dimension symmetrical image matrix[C].2012 24th Chinese Control and Decision Conference (CCDC), Taiyuan, China, 2012: 4145-4149.

[7] SunX, LiL, WangZ. Using manifold learning and minimax probability machine for face recognition[C]. Second International Conference on Modeling, Simulation and Visualization Methods, Sanya, China, 2010: 229-232.

[8] MeenaK, SuruliandiA. Local binary patterns and its variants for face recognition[C].International Conference on Recent Trends in Information Technology (ICRTIT), Chennai, Tamil Nadu, India, 2011: 782-786.

[9] BardehN G, PalhangM. New approach for human detection in images using histograms of oriented gradients[C].Iranian Conference on Electrical Engineering (ICEE),Mashhad, Iran,2013: 1-4.

[10] 张莹, 王耀南. 基于Gabor滤波器包络的人脸识别算法[J]. 中国图象图形学报, 2008, 13(12): 2314-2320.

[11] DespotovskiF, GusevM, ZdraveskiV. Parallel implementation of K-nearest-neighbors for face recognition[C].Telecommunications Forum (TELFOR),Belgrade, Serbia, 2018: 1-4.

[12] 顾伟, 顾伟, 刘文杰, 刘文杰, 朱忠浩, 朱忠浩. 基于贝叶斯多分类器融合的人脸识别算法研究[J]. 软件导刊, 2014, 13(12): 65-67.

[13] LihongZ, YingS, YushiZ, et al. Face recognition based on multi-class SVM[C]. Chinese Control and Decision Conference, Guilin China, 2009: 5871-5873.

[14] . 基于奇异熵和随机森林的人脸识别[J]. 软件, 2016, 37(02): 35-38.

[15] LiuY. The BP neural network classification method under Linex loss function and the application to face recognition[C].International Conference on Computer and Automation Engineering (ICCAE), Singapore, Singapore,2010, 4: 592-595.

[16] . 基于深度学习的人脸识别方法研究[J]. 电子科技, 2019, 32(06): 82-86.

[17] ZhangY, LiS. Modular complete 2DPCA and its application in face recognition[C].International Conference on Computer Science and Service System (CSSS), Nanjing, China,2011: 3337-3339.

[18] 邵诗强, 邵诗强, 施立欣, 施立欣, 周龙沙, 周龙沙. 基于环形Gabor小波与CS-LBP算法在人脸识别中的应用[J]. 光电子技术, 2012, 32(03): 180-184.

[19] 周浩, 王天志. 基于多特征和最小二乘支持向量机相融合的行人检测模型[J]. 激光杂志, 2014, 35(10): 46-50+56.

3.14.16 (1) 图像的灰度化和标准化Gamma空间

姚立平, 潘中良. 基于改进的HOG和LBP算法的人脸识别方法研究[J]. 光电子技术, 2020, 40(2): 114. Liping YAO, Zhongliang PAN. Research on Face Recognition Method Based on Improved HOG and LBP Algorithms[J]. Optoelectronic Technology, 2020, 40(2): 114.

基于改进的HOG和LBP算法的人脸识别方法研究下载： 731次

1 引言

1 特征提取

1.1　改进的LBP特征提取

图 1. 改进的LBP算法图

Fig. 1. Diagram of improved LBP algorithm

1.2　HOG特征提取

3.14.16 (1) 图像的灰度化和标准化Gamma空间

图 2. Gamma图像校正

Fig. 2. Gamma image correction

图 3. 图像HOG特征提取效果显示图

Fig. 3. Images of HOG feature extraction effect

2 降维处理

2.1　列方向压缩的2DPCA方法

2.2　PCA降维方法

3 实验结果与分析

3.1　改进的LBP算法实验

图 4. Yale人脸库改进前后LBP算法识别率

Fig. 4. Recognition rate of LBP algorithm before and after the improvement of Yale’s face database

图 5. ORL人脸库改进前后LBP算法识别率

Fig. 5. Recognition rate of LBP algorithm before and after the improvement of ORL’s face database

3.2　HOG特征提取实验

表 1. Yale人脸库不同区域块HOG+SVM识别率

Table 1. Yale人脸库不同区域块HOG+SVM识别率

表 2. ORL人脸库不同区域块HOG+SVM识别率

Table 2. ORL人脸库不同区域块HOG+SVM识别率

3.3　PCA和2DPCA算法实验

图 6. Yale人脸库PCA和2DPCA主成分贡献率与识别率关系图

Fig. 6. Diagram of principal component contribution rate and recognition rate by PCA and 2DPCA in Yale face database

图 7. ORL人脸库PCA和2DPCA主成分贡献率与识别率关系图

Fig. 7. Diagram of principal component contribution rate and recognition rate by PCA and 2DPCA in ORL face database

3.4　人脸库识别实验

表 3. Yale人脸库各算法识别率

Table 3. Yale人脸库各算法识别率

表 4. ORL人脸库各算法识别率

Table 4. ORL人脸库各算法识别率

4 结束语

Article Outline

关于本站 Cookie 的使用提示

全站搜索

基于改进的HOG和LBP算法的人脸识别方法研究 下载： 731次

1 引 言

1 特征提取

1.1 改进的LBP特征提取

图 1. 改进的LBP算法图

Fig. 1. Diagram of improved LBP algorithm

1.2 HOG特征提取

3.14.16 (1) 图像的灰度化和标准化Gamma空间

图 2. Gamma图像校正

Fig. 2. Gamma image correction

图 3. 图像HOG特征提取效果显示图

Fig. 3. Images of HOG feature extraction effect

2 降维处理

2.1 列方向压缩的2DPCA方法

2.2 PCA降维方法

3 实验结果与分析

3.1 改进的LBP算法实验

图 4. Yale人脸库改进前后LBP算法识别率

Fig. 4. Recognition rate of LBP algorithm before and after the improvement of Yale’s face database

图 5. ORL人脸库改进前后LBP算法识别率

Fig. 5. Recognition rate of LBP algorithm before and after the improvement of ORL’s face database

3.2 HOG特征提取实验

表 1. Yale人脸库不同区域块HOG+SVM识别率

Table 1. Yale人脸库不同区域块HOG+SVM识别率

表 2. ORL人脸库不同区域块HOG+SVM识别率

Table 2. ORL人脸库不同区域块HOG+SVM识别率

3.3 PCA和2DPCA算法实验

图 6. Yale人脸库PCA和2DPCA主成分贡献率与识别率关系图

Fig. 6. Diagram of principal component contribution rate and recognition rate by PCA and 2DPCA in Yale face database

图 7. ORL人脸库PCA和2DPCA主成分贡献率与识别率关系图

Fig. 7. Diagram of principal component contribution rate and recognition rate by PCA and 2DPCA in ORL face database

3.4 人脸库识别实验

表 3. Yale人脸库各算法识别率

Table 3. Yale人脸库各算法识别率

表 4. ORL人脸库各算法识别率

Table 4. ORL人脸库各算法识别率

4 结束语

Article Outline

相关论文

相关资讯

关于本站 Cookie 的使用提示

全站搜索

基于改进的HOG和LBP算法的人脸识别方法研究下载： 731次

1 引言

1.1　改进的LBP特征提取

1.2　HOG特征提取

2.1　列方向压缩的2DPCA方法

2.2　PCA降维方法

3.1　改进的LBP算法实验

3.2　HOG特征提取实验

3.3　PCA和2DPCA算法实验

3.4　人脸库识别实验