基于改进的LBP和PCA算法的人脸识别

徐金林　林玉娥

摘要：针对LBP算法的特征描述只与中间点和邻域点的灰度值大小有关，而忽略了各个邻域点之间灰度值相关性的问题，提出了一种改进的LBP算法。该方法在特征提取时，不再仅仅依赖于中心点，而是结合中心点与其相邻邻域点之间的关系，然后再利用PCA降维处理，算法不但降低了特征维度，而且提高了运算速度。OKL人脸库上的实验结果表明，改进的LBP算法与原始的LBP算法相比，在识别率上有所提高。

关键词：局部二值模式；特征提取；主成分分析；降维；识别率

中图分类号：TP391 文献标识码：A 文章编号：1009-3044（2017）17-0173-02

1概述

人脸识别，是对人的脸部特征信息进行身份识别的一种生物识别技术，它的应用前景十分广泛。如视频监控、公安、司法和刑侦等安全领域。人脸识别的关键是如何提取出合适的信息来识别人脸。在过去的几十年里，相关的研究者们提出了许多有关于特征提取的算法。基于几何特征的方法、线性鉴别分析法、特征脸方法和神经网络方法等能很好地将人脸的形状、纹理等信息描述出来，但是这些方法很难处理维数过高的图像，且容易受到光照等客观因素的影响。近几年，基于局部的方法越来越受到研究者的欢迎，这是由于基于局部的方法不但能解决数据维数过高的问题，而且对光照和表情等具有不变性。

局部二值模式（Local Binary Pattern，简称LBP）是一种很有效的纹理描述算子。LBP算法最初是被用于纹理描述中的，由于其计算简单、特征分类能力强等特点而被用于人脸识别中。该算法首先计算图像中每个点与其邻域点在灰度上的二值关系；然后，对二值关系按照某种规则形成局部二值模式；最后使用得到的特征向量来描述图像的特征。但是局部二值模式在计算LBP算子时会产生大量的噪声信息，计算时又由于特征向量维数过大而使得计算量变大，影响识别效率。

基于以上问题，本文提出了一种改进的LBP算法并结合主成分分析方法（Principal Component Analysis，简称PCA）降维来描述和识别人脸信息。首先，将图像中的每个点和与其相邻邻域点的灰度值相加；然后将计算结果与其相邻的计算结果比较；再将比较的结果按一定规则形成局部二值模式；最后用PCA算法处理得到的特征向量，对人脸进行分类识别。

通过ORL人脸库实验验证，与原始的LBP算法相比，改进后的算法对人脸图像具有更好的表示和判别能力。

2基于改进的LBP和PCA算法的人脸识别

2.1 LBP算法

LBP是一种用来描述图像局部纹理特征的算子；它拥有旋转不变性以及灰度不变性等优点。它是首先由T.Ojala，M.Pi-etikainen和D.Harwood在1994年提出，用于纹理特征提取。后来由于其独特的优势，被用于人脸识别。

2.1.1 LBP特征的描述

原始的LBP算子是定义在九宫格里的，中间点的像素值叫做阈值，将其余8个相邻邻域点的像素值和阈值比较，如果相邻邻域点的像素值大于或等于阈值，那么这个像素点的值记做1，否则记做0。九宫格里的8个邻域点经过与阈值相比，得到的结果按某种顺序排列，可以得到一个8位的二进制数，再将二进制值转化成十进制，就得到了九宫格中心像素点的LBP值（共有256种），并用这个数值表示该区域周边的灰度情况。如图1所示：

循环遍歷整张图像的每个像素点，即可得到该图像的所有LBP值，即该人脸的特征向量，并对特征向量进行模式转换，最后计算每个LBP特征之间的距离。

2.1.2改进的LBP算法

LBP算法虽然简单有效，但是仍然有一定的局限性。算法只与中心像素点和各邻域点灰度值的大小有关，并没有考虑到各相邻的邻域点间的灰度相关性。针对该问题，本文提出了一个新的改进的LBP算法：比较邻域点时不仅仅只依赖阈值点，而是将邻域点与自己相邻的下一个邻域点来较。具体实现如图2所示。

该算法使用原始图像的中心点和它周围各个邻域点相加；再将各邻域点得到的值按一定顺序与其相邻邻域点的值比较；然后进行二值化处理。这样既保证了其与中心像素点的关系，又体现了其与相邻像素点间的联系，能更好地反映该点的灰度情况。

2.2PCA算法

主成分分析（PCA）方法是目前应用十分广泛的一种代数特征提取的方法，是一种基于变量协方差矩阵处理、压缩和抽提样本中数据的有效方法。

主成分分析的原理是借助某个特殊的特征向量矩阵U，将一个高维的矩阵x投影到一个低维的特征向量空间中，称作低维向量y，且损失了一些不重要的数据。即借助低维的向量y和特征向量矩阵U，就能够大致模拟出所对应的原始高维的矩阵x。

2.3结合PCA的LBP人脸识别过程

LBP算法虽然能很好地表示人脸信息，但是特征维度过高，计算难度较大，而PCA算法可以降低特征维度。因此，本文针对这一问题，提出了结合PCA的LBP人脸识别算法。具体实现过程如图3所示。

主要过程包括：1）计算图像的LBP描述子，统计出各图像的LBP直方图，并将每个图像的LBP直方图特征转换成一维向量；2）将得到的LBP直方图向量利用PCA算法做降维处理，得到人脸图像的特征表达；3）用得到的人脸特征表达和数据库中的人脸依次比较，计算识别的正确率。

3实验结果与分析

本文采用ORL人脸数据库对原始的LBP算法和改进后的LBP算法进行比较验证。ORL人脸库共有40个人脸。每个人脸有10幅图像，一共由400张灰度图像构成，图像的尺寸是92×112像素。其中每张人脸的表情和细节都有一定的变化，例如笑和不笑、睁眼和闭眼，戴和不戴眼镜等，人脸的姿态也有一些变化，它的深度旋转和平面旋转可以达到20度，人脸的大小也有至多10%的变化。

本实验将ORL人脸数据库中的图像分为训练样本和测试样本，实验改变训练样本数目（从2张到9张），其余的作为测试样本，比较改进前后LBP算法的识别情况。实验结果如图4所示。

由实验结果图4可知，改进后的LBP算法较改进前的算法，在识别率上明显有所提高，随着训练样本数目的增加，识别率也显著增高。这主要是改进后的算法，结合了点与相邻邻域点之间的关系，使用了PCA降维处理，降低了特征向量维度，且去除了特征向量的冗余，提高了计算效率，能更准确的描述图像的像素值。

4结束语

本文提出了一种基于改进LBP并结合PCA算法的人脸识别算法。该算法先结合每张图像的每个像素点和与它相邻邻域点之间的关系；再用改进的LBP的方法求取每张图像的LBP直方图向量；然后结合PCA降维处理LBP直方图特征向量；最后将其作为人脸的鉴别特征并用于人脸识别。实验结果分析表明，本文提出的改进LBP算法对人脸有很高的鉴别性，并且对光照和人脸表情等具有较高的鲁棒性。