基于单演主方向中心对称局部二值模式的单样本人脸识别

作者/ 杨毅 杨恢先 唐金鑫 张书豪 湘潭大学 物理与光电工程学院(湖南 湘潭 411105)

杨毅(1992-)，男，硕士，研究方向：模式识别。

摘要：本文针对单样本情况下传统人脸识别方法在姿态、表情和光照等变化下识别效果不佳的问题，提出一种基于单演主方向中心对称局部二值模式的单样本人脸识别模式的单样本人脸识别算法。首先用多尺度的单演滤波器提取人脸图像单演局部幅值和局部方向信息，并求取主方向，生成主方向模式图;然后用CS-LBP算子进行编码，得到特征;最后对不同单演尺度空间中的特征分块统计特征直方图并运用直方图相交进行分类识别。在AR、Extend Yale B人脸数据库的实验结果表明，该算法简单有效，对光照、表情、部分遮挡变化具有较好的鲁棒性。

引言

　　近年来，人脸识别由于具有友好、非侵犯性等优点成为机器视觉和图像处理领域的研究热点，并在经济、司法、安保领域得到了广泛的应用^[1]。在多数实际的应用场合下，数据库只能采集到单幅人脸图像作为训练样本，如身份证、护照、驾驶证等数据库^[2]。在这种单样本的情况下，一些具有代表性的传统人脸识别算法就很难取得理想的效果。目前，单样本人脸识别的研究主要集中在提取不变特征、样本扩张、特征子空间扩展、图像增强和三维识别等方面^[3]。

　　中心对称局部二值模式(Center symmetric local binary pattern，CS-LBP)是一种对LBP改进的有效局部纹理描述算子，CS-LBP的特征维数少于LBP，节省特征提取与匹配时间。文献[4]中，Ngoc-Son Vu 等人提出了基于图像梯度的主方向模式 (Patterns of Dominant Orientations， PDO)特征提取算法，也取得了不错的识别效果。文献[5]提出一种基于Gabor 的二元模式方法(Local gabor binary patterns, LGBP)，虽然LGBP 的识别率与鲁棒性比LBP大为增强，但得到40幅不同的Gabor特征，其时间和空间的复杂度是惊人的^[6]。单演信号作为一维信号在二维空间的拓展，能够有效地将图像正交分解为幅值，相位和方向信息^[7]。单演滤波所需要的时间和空间复杂度远远小于Gabor滤波[8]。文献[9]将单演和局部二值模式(Monogenic binary patterns，MBP)用于人脸识别，取得了很好的实验效果。但只是在像素层次对单演幅值进行编码，缺乏对区域变化信息的把握能力，且没利用到单演方向信息。为了能充分利用单演幅值和单演方向信息，且在文献[9]的启发下，提出了一种基于单演主方向中心对称局部二值模式(Monogenic dominant orientations center-symmetric local binary pattern，MDOCSBP)的单样本人脸识别方法。首先利用人脸图像的单演局部幅值和局部方向来获取主方向模式图，然后采用CS_LBP对主方向图进行编码得到MDOCSBP特征，最后分块统计MDOCSBP特征直方图并运用直方图相交进行分类识别。

1 单演信号

　　单演信号是一维解析信号的二维扩展，以一种旋转不变的方式来描述图像的局部幅度、局部方向和局部相位信息。单演信号是建立在Riesz变换的基础上的，Riesz变换是Hilbert变换的二维扩展。

2 主方向的求取

　　2011 年 Ngoc-Son Vu 等人提出了基于图像梯度的 PDO 特征提取算法。文献[9]中，主方向的计算是在图像的梯度图上完成的，是指细胞单元(cell)内像素的梯度方向累积变化最多的方向，即该cell的主方向。受其启发，本文对单演特征中的局部幅度和局部方向信息进行与之相似的处理。针对 Cell 内每个像素，以该像素处的单演幅值为权值，为该像素单演方向所在的直方图通道Δθ进行加权投票，通道数，其中直方图的峰值所对应方向即为cell中心像素的主方向θ_m。

(9)

　　式中，表示向下取整。

　　Cell单元内各像素点主方向求取如图1所示。

3 中心对称局部二值模式

　　CS-LBP是在LBP基础上采用中心对称思想对图像进行编码的局部纹理描述算子。在半径为R的圆形邻域内，CS-LBP算子通过比较以中心像素点g_c为中心的像素值对g_i与g_i+4(i=0,1,2,3)的灰度值大小，大于等于0时相应的二进制编码位则为1，反之为0。并将二进制数转化为十进制数得到CS-LBP值。记作CS-LBP_(P,R)。本文算法采用CS-LBP_(8,4)。LBP与CS-LBP特征提取过程如图2所示。

　　LBP与CS-LBP的编码公式为：

　　式中，(P，R)表示圆邻域，R为圆的半径，P为圆周上像素点个数，且N=P，g_c为中心点像素，g_i为圆周上的P个像素在(P，R)邻域内。由式(10)和式(11) 可知，CS-LBP编码方式得到的二进制数长度为LBP的一半，从而使CS-LBP在提取的特征维数、计算开销方面具有较明显的优势。

4 人脸的MDOCSBP特征

　　1)采用尺度为S的单演滤波器对人脸图像进行滤波，MDOCSBP算法固定采用尺度为3的单演滤波器，即S=(1,2,3)。则每个尺度下都能得到局部幅值A_S、局部方向θ_S两种模式图;

　　2)对同一尺度下的单演幅值和单演方向，以单演幅值为权值对单演方向所在的直方图通道Δθ进行加权投票求取单演主方向θ_m;

　　3)对产生S尺度下的主方向图进行CS-LBP_(P,R)编码得到MDOCSBP模式图;

　　4)将同一张人脸的得到的S张MDOCSBP模式图分别进行分块，通过实验确定其最优分块数，计算每一小块的统计直方图特征并将所有分块的直方图特征串联起来构成人脸图像的MDOCSBP特征。

5 人脸特征匹配

　　算法用最近邻分类器进行人脸匹配，人脸图片之间的相似度通过直方图相交的方式来衡量。若两幅图片的直方图特征向量分别为H₁、H₂，则两个图片的相似度为：

(13)

6 实验结果与分析

　　为验证MDOCSBP算法的有效性，实验在均已被剪裁好的AR人脸库、Extend Yale B人脸库上进行测试。

　　AR人脸库实验统一选取人脸库中每个人的第一幅图像作为训练样本, 测试集由4个子集组成, 分别为表情变化集、光照变化集、遮挡集A和遮挡集B。Extend Yale B人脸库实验分别从不同光照情况下各子集随机选取3幅人脸作为测试集，识别率为测试20次的平均值。AR、Extend Yale B人脸库部分图像如图4、图5所示。