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

6.1 不同参数对识别率的影响

6.1.1 通道数dr对识别率的影响

　　为了找到MDOCSBP算法最佳通道数，在AR人脸库上，固定分块数为11×11;Extend Yale B上固定分块数为15×15;

　　由图6和图7可知，AR人脸库光照子集在dr取6时有最佳识别;表情子集在dr取7时有最佳识别率;遮挡集A和遮挡集B均在r取5时有最佳识别率;Extend Yale B各子集人脸库在通道数dr在9左右都取得了不错的识别效率。通道数dr在4、5、6时，由于通道数过少，寻找的单演主方向过于粗糙，导致不同人脸库的识别率都变化较大。

6.1.2 不同分块数对识别率的影响

　　为了找到MDOCSBP算法最佳分块数，在AR人脸库上，固定通道数为6;Extend Yale B上固定通道数为9;

　　由图7和图8可知，AR人脸库的最佳分块数在13×13左右，Extend Yale B人脸库的最佳分块数为15×15;合理的分块方式能有效的提取图像的局部纹理特征,过少的分块数不能很好的体现人脸的局部纹理细节, 而过多的分块数又会产生特征冗余而降低识效果, 同时也会使特征维数增加，计算花费时间也越长。

6.2 不同算法识别性能比较

　　为了验证MDOCSBP算法的有效性，分别与文献提出的CS_LBP算法、MBP 算法、PDO算法 、LGBP算法进行对比实验。MDOCSBP算法在AR人脸库上分块数取13×13，通道数dr分别取各子集的最优值;在Extend Yale B人脸库上分块数取15×15，各子集的通道数dr取9。不同算法在AR人脸库、Extend Yale B人脸库上的识别率如表1、表2所示。

　　从表1，表2可以看出，MBP算法 、PDO算法、LGBP算法、MDOCSBP算法在AR人脸库上都取得不错的识别效果，但在遮挡子集上，算法MDOCSBP和MBP算法表现的更为突出。在复杂光照条件下的Extend Yale B人脸库结果显示，各算法在光照条件良好的子集1、子集2、子集3都表现出较高的识别效果，但在光照变化较大的子集4 和子集5，算法CS_LBP、MBP、LGBP都受到剧烈影响，PDO算法识别率也有一定幅度的下降，而 MDOCSBP算法表现优异。CS_LBP算法直接对图像像素进行编码，提取特征比较单一;MBP对图像进行单演滤波来获得不同尺度下的多种局部模式图在AR人脸库取得了较好的识别效果，但对光照变化较大的图像便显得乏力。PDO算法是对图像的梯度信息求取主方向进行特征提取，对光照变化有一定的鲁棒性。LGBP算法提取的是Gabor变换后5个尺度8个方向的特征，在AR人脸库上取得了较好的识别效果，但特征维数及计算时间较大。算法MDOCSBP 利用单演局部幅值和局部方向提取的主方向，能充分挖掘方向信息，识别效果好，对光照鲁棒性强。

6.3 特征维数与时间分析

　　为对比各算法的复杂度，以AR人脸库每人第一幅图像作训练样本，光照集作测试集，所有方法的分块数均为8×8，测试各算法完成对一张人脸图像进行识别需要特征提取与匹配时间。

　　由表3可以看出，在相同分块数的情况下，MDOCSBP算法无论特征维数还是各阶段的所需时间都小于MBP和LGBP算法，尤其是LGBP算法由于提取的特征过于冗长，导致特征提取及匹配时间不如人意;与PDO算法相比，MDOCSBP算法由于特征长度较小，在匹配阶段也有一定优势。由以上分析可知，MDOCSBP算法相比对比算法具有较小时间和空间复杂度。

7 结论

　　在单演滤波的基础上提出了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的方法， MDOCSBP算法充分利用人脸图像单演局部幅值与局部方向信息，采用CS_LBP算子进行编码，最终通过分块直方图进行识别。在AR、Extend Yale B人脸库各子集都有较高识别，且对光照有不错的鲁棒性，证明了MDOCSBP算法的有效性。

　　参考文献：

　　[1]李康顺,李凯,张文生.一种基于改进BP神经网络的PCA人脸识别算法[J].计算机应用与软件,2014,(01):158-161.

　　[2]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(05):969-977.

　　[3]高涛,马祥,白璘.采用自适应加权扩展LBP的单样本人脸识别[J].光电子·激光,2012(04):782 -790.

　　[4]Vu N S, Caplier A. Mining patterns of orientations and magnitudes for face recognition[C]. In Proc. Int. Joint Conf. Biometrics (IJCB), 2011:1-8.

　　[5]Wenchao Zhang,Shiguang Shan,Xilin Chen,Wen Gao. Local Gabor Binary Patterns Based on Mutual Information for Face Recognition.[J].Int. J. Image Graphics,2007,7.

　　[6]于明,胡全胜,阎刚,等.基于LGBP特征和稀疏表示的人脸表情识别[J].计算机工程与设计,201305 (05):1787-1791.

　　[7] M. Felsberg,G. Sommer, "The monogenic signal," in IEEE Transactions on Signal Processing,2001(10):3136-3144,

　　[8] 闫海停,王玲,李昆明,等.融合MBP和EPMOD的人脸识别[J].中国图象图形学报,2014,01:85-91.

　　[9] M.Yang, L.Zhang, S. C. K. Shiu,etc. Monogenic Binary Coding: An Efficient Local Feature Extraction Approach to Face Recognition[J],IEEE Transactions on Information Forensics and Security, 2012(10):1738-1751.

　　本文来源于《电子产品世界》2017年第9期第69页，欢迎您写论文时引用，并注明出处。