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
近年来人脸识别技术[1,2,3]成为模式识别和图像处理中最热门的研究主题之一,该识别技术具有非侵扰性、采集设备简单、操作快捷等优势,从而得到了广泛的发展和应用。使用主成分分析法(PCA)[4]、线性判别法(LDA)[5]、、独立成分分析法(ICA)[6]以及流形学习法(LPP)[7]等对人脸全局特征进行提取,但这些方法对人脸特征局部细节和光照、表情等外部因素处理不佳;使用局部二值模式(LBP)[8]、方向梯度直方图(HOG)[9]以及Gabor特征[10]提取等方法能够对人脸特征纹理和局部细节信息具有良好的描述,得到了广泛的应用。使用K近邻算法(K⁃Nearest Neighbor,KNN)[11]、基于贝叶斯模型识别法(Bayes)[12]、支持向量机(Support Vector Machine,SVM)[13]、随机森林分类法(Random Forest)[14]以及BP神经网络[15]作为常用的分类识别算法。随着人工智能技术的发展,使用深度学习方法[16],通过不断学习各层的特征,最终得到人脸特征的非线性描述,取得了较好的发展,但该方法需要较好的硬件环境,同时需要足够多的数据量来获得高的识别性能。为了充分提取人脸的特征信息,提高识别率,文章使用改进的LBP算法,该算法既考虑了中间像素与邻域像素灰度相关性,也考虑了各个邻点像素间的灰度相关性,同时对图像进行了分区域块的LBP特征提取,得到人脸的LBP纹理特征;HOG特征能较好地提取图像的细节特征,使用分块的HOG方法提取人脸细节特征,将得到的LBP纹理特征和HOG的细节特征进行加权融合。由于传统的PCA转换维数高,造成计算复杂,研究充分利用二维特征图像的行列之间的相关性,使用了一种基于列方向压缩2DPCA[17]和PCA相结合的方法。该方法相比仅仅使用PCA方法来说,大幅度降低了计算规模,提高了运算速度。最后,通过使用Yale人脸库和ORL人脸库来比较各算法,验证所提出算法的有效性。实验表明提出的人脸识别方法相比其他方法能够获得更好的识别率,鲁棒性更强。
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3×3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
其中:表示中心像素值,表示邻域像素值,为符号函数,即:
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
为了加强抑制噪声的能力,符号函数引入了调节因子,即符号函数为:
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
其中: 是校正后图像,为原图像,为校正参数,c为常数。效果如
(2) 计算图像中每个像素的梯度。图像中像素点的梯度表示为:
式中,分别表示图像像素点处水平方向梯度、垂直方向梯度和像素值。那么像素点(x,y)处的梯度幅值和方向分别如公式
(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。
(4) 归一化处理。归一化处理能够进一步对光照、阴影和边缘进行压缩,将多个邻近的胞元组合成一个块,然后求其梯度直方图,使用方式进行归一化。方式如
其中: 是一个归一化前的向量,表示的二阶范数,为常数,是归一化后的向量。HOG特征提取效果如
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:
假定训练集中有个大小为人脸图像矩阵,为一个的投影矩阵,将人脸图像投影到中,即:。求出总体散布矩阵,定义为
然后提取出矩阵的前个最大的特征值对应的特征向量,则投影矩阵为。
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:
(1) 将每一张人脸特征图像作为一个样本,每个样本为一个列向量,所有的样本共同构成一个矩阵,如
其中:表示第个样本的列向量,表示样本数,为所有样本的平均样本,为所有样本列向量构成的矩阵。
(2) 求取矩阵的协方差矩阵,如
(3) 求解协方差矩阵的特征值和特征向量 ,其中表示的是特征向量个数。则特征向量组成的矩阵为。
(4) 取前个特征向量作为投影矩阵,投影矩阵为。
(5) 每张特征人脸图像经过PCA投影后得到的维特征向量,即:
3 实验结果与分析
3.1 改进的LBP算法实验
使用Yale人脸数据库对改进前后LBP算法进行比较验证。Yale人脸库共有15人,每人11张图像,图像大小为100100像素,实验改变训练样本中每个人的数目(从3张到10张),其余作为测试样本,比较改进前后的LBP算法的识别情况,如
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
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. 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
从实验结果
3.2 HOG特征提取实验
进行HOG特征提取的人脸图像大小固定为,且每个区域块是由个胞元组成,每个胞元有9个bins,特征维数计算如
由实验结果
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
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. 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
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. 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
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. Yale人脸库各算法识别率
Table 3. Yale人脸库各算法识别率
|
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. ORL人脸库各算法识别率
Table 4. ORL人脸库各算法识别率
|
从
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。
[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.
[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.
[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.
[14] . 基于奇异熵和随机森林的人脸识别[J]. 软件, 2016, 37(02): 35-38.
[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.
[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.
Article Outline
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.