基于SQI和加权LBP直方图的不同光照环境下人脸识别

王建玺，徐向艺，鲁书喜

基于SQI和加权LBP直方图的不同光照环境下人脸识别

王建玺，徐向艺，鲁书喜

为解决不同光照条件下人脸识别困难的问题，提出了一种基于自商图像和加权局部二值模式的不同光照环境下的人脸识别方法。首先，使用自商图像算法进行人脸图像预处理，去除图像的光照影响，然后，对预处理后的图像用加权多区域局部二值模式算法提取特征直方图，把不同分区的特征直方图融合起来形成特征向量，最后，根据提取的特征向量进行样本训练和人脸识别。在人脸数据库上的实例测试表明，其算法与其他几种算法相比具有较好的识别效果。

自商图像；局部二值模式；光照变化；人脸识别

0 引言

目前，特定环境下的人脸识别算法有主成分分析法[1]，线性判别分析法[2]和独立成分分析法[3]等，但是，这些方法在光照变化环境下识别效果不理想。在光照不变条件下人脸识别算法有商图像（Quotient image, QI）[4]、自商图像（Self quotient image,SQI）[5]和变商图像（Morphological quotient image, MQI）[6]等，文献[7]采用一种无监督学习方法实现SRC降维问题，获得了比主成分分析法和随机投影更高的识别率。文献[8]采用最小二乘局部加权光谱回归方法来解决近红外光谱谱带归属难确定的问题。文献[9]采用光谱回归和线性子空间相互结合的方法有效降低了光谱回归算法的计算时间。

研究中提出了一种基于自商图像和加权局部二值模式（Weighted Local Binary Pattern，WLBP）[10]的光照变化条件下的人脸识别方法。首先使用自商图像过滤光照影响，然后，采用 WLBP提取人脸特征并进行人脸识别。该方法在扩展Yale B数据库上进行人脸识别测试，结果表明该方法更有效。

1 自商图像

商图像能过滤掉人脸光照影响而获得人脸的纹理信息，在光照变化环境下人脸识别中作为预处理方法方便快捷，商图像（QI）基于朗伯特模型[4]，如公式（1）：

式中，ρ表示人脸图像纹理，nT指面的法向矩阵，·代表点积，s表示光源点。

式中，u、v是频域变量，从式（2）可见，商图像仅与人脸图像的纹理信息有关，与光照变化没有关系，它是由测试图像yI与三个独立的光照图像jI之间的比值获得。

商图像算法的不足之处是该算法性能受已知光照条件和引导程序数据库影响较大。文献[5]中，通过采用自商图像来解决这个问题。自商图像定义为公式（3）：

式中，*为卷积符号，F为加权的高斯过滤器。

自商图像方法在处理图像过程中只需自身图像就能进行，基本不受光照条件的干扰，在实际应用过程中有重要意义。如图1所示：

一个光照人脸样本图像自商算法处理的结果。

2 局部二值模式

LBP[11]运算符通过纹理对图像进行描述，它将图像中的各点像素与其周围的像素进行比较，如果中心像素比某邻域大，置为0；否则，置1，把比较结果保存为二进制数，转化为十进制后再计算区域的直方图用于纹理特征表述。这种局部的人脸描述不受姿态、表情变化和灰度变化的影响。其具有辨别力强和运算简单的优点，已经在不同的场景下得到广泛应用[12-14]。传统的LBP算子是定义在3×3的临域上的，如图2所示：

图1 样本图像的SQI处理效果

图2 传统LBP运算符

扩展的 LBF[15]用中心像素点四周不同半径的圆周上的像素点，如果样本点不在像素点的中心时用双线性插值进行处理。,PRLBP 表示在半径为R的距离上取P个样本点。3种不同的P和R值的扩展的LBF模式如图3所示：

图3 不同P,R值的扩展LBF算符

公式（4）为对点（x,y）计算其LBPP,R。如公式（4）：

LBP直方图样本计算公式如公式（6）：

i是本指数，n是有不同标记的值，如公式（7）：

3 方法提出

提出的人脸识别的方法分3个步骤，第一步用自商图像方法消除掉人脸图像的光照影响进行预处理；第二步对人脸图像用加权的多区域的LBP提取直方图，形成特征向量，最后，根据提取的特征向量进行人脸识别。并用 Yale人脸数据库B进行实验获得各项参数，选择了120张不同光照条件人脸图像用于识别实验。识别率为正确识别人脸数量与测试人脸总数的比值。

3.1 SQI参数设置

表1 SQI方法中不同过滤器大小的对比

通过测试过滤器尺寸定为 15。然后，保持过滤器尺寸不变变换测试高斯σ的最优值。可见当高斯σ为0.7时识别率较高。如表2所示：

表2 SQI方法中采用不同过滤器大小的对比

表3 不同σ的测试与训练对比

表3 不同σ的测试与训练对比

过滤器大小：15，训练σ=0.7检验σ 识别率0.9 88.33% 0.7 90% 0.5 90% 0.3 91.66%

3.2 特征提取

在预处理消除光照影响后，采用多区域加权LBP方法进行特征提取，特征提取过程如图4所示：

图4 系统特征提取过程

多区域LBP方法是人脸识别中较常见的一种方法[17]。LBP方法将人脸图像按照一定的大小划分为若干个局部的区域，对每个区域进行特征提取，再将提取的特征连接起来，形成最终的特征直方图。考虑到眼睛、鼻子和嘴等是人的重要特征，在区域划分时可以更加密集一些。

区域划分的数量直接影响人脸识别的识别率，通过实验选择较好的区域划分的数量。如表4所示：

表4 不同σ的测试与训练对比

表4 不同σ的测试与训练对比

过滤器大小：15，训练σ=0.7，测试σ=0.3区域数量 识别率4×4 46.66% 7×7 90% 8×8 91.66% 9×9 71.66% 11×11 90% 15×15 96.66% 17×17 93.66% 19×19 90%

15×15的区域划分可以得到较好的结果，因此，选择15×15和8×8这两种划分方法进行计算再组合起来进行特征提取，选取的15是奇数，8是偶数且二者不能整除，这样就保证了不会与区域嵌套，能得到相互不同的特征。

3.3 加权比较

因为研究中所用分类器和卡方数据接近，故使用卡方数据(8)进行特征直方图的比较。如公式（8）：

式中，H1为输入直方图，H为注册直方图。i为直方图的第i项，j为第i项的第j通道，为加权系数。

特征直方图从人脸图像中提取出来，考虑到图像中人的眼睛、鼻子、嘴巴作为人的主要特征，在识别过程中增加了它们的权值，所以，采用加权卡方估计的方法进行人脸识别效果较好，实验中系统特征提取过程。如图5所示：

图5 系统特征提取过程（从左到右：原始图像, LBP8×8, LBP 15×15）

4 实验

研究中实验在8G内存，Intel酷睿i7 4GHz，Windows7机器上进行，编程环境为MATLAB 7.0，在扩展YaleB数据库上进行光照变化环境下人脸识别，为分析该方法效果，所得结果与 SQI、光照渲染商图像(Quotient Illumination Rendering,QIR)、MQI、动态形态学商特征商图像（Dynamic Morphological Quotient Image, DMQI)、不同平滑滤波商图像(Different smooting filers Quotient Image ,DSFQI)等方法进行对比分析。

4.1 人脸识别

本实验选用经过挑选的 YaleB数据库的人脸图像，供42个人，每人包含64张光照变化的灰度人脸图像，图像大小为192×168。从中挑选的示例，如图6所示：

图6 扩展YaleB上的各个子集示例

按照人脸图像清晰程度分5个子集，每个子集对应不同强度的光照变化。

实验中，用不同的子集进行样本训练，用数据库中的所有人脸图像进行测试，并把结果与其他不同的识别方法进行比较如表5所示：

表5 在YaleB上以不同子集训练时各方法的识别率

从表5中可见，与其他方法相比，提出的方法在不同光照条件下对人脸识别率较高，识别性能和效果较好。同时，可以看出该方法比没有加权的方法（SQI、MQI、DMQI、DSFQI）效果好，验证了加权方法的优越性。所以，该方法能较好的识别真实的光照变化下的人脸图像。

4.2 性能比较

从训练、测试时间复杂度和空间复杂度上将本文方法与SQI、QIR、MQI、DMQI、DSFQI方法进行比较，结果如表6所示：

表6 各方法的复杂度比较

其中，m、n为图像矩阵的行数和列数，L、M、N为投影向量数、测试样本数、训练样本数。

从表6可见，与QIR相比，本文方法仅在训练时间复杂度上高了一些，其他都一样；与SQI、MQI相比，本文方法虽训练时间复杂度高一些，但测试时间复杂度降低了一半；与DMQI、DSFQI相比，本文方法的训练、测试时间复杂度及总体空间复杂度都降低了很多。总之，本文方法在提高识别率的同时，能实现比其他算法相似或者较低的复杂度，故本方法具有一定的优越性。

5 总结

研究中提出了一种基于自商图像和加权局部二值模式的人脸识别方法。首先使用自商图像算法进行预处理，去除人脸图像的光照影响，再对预处理后的图像用加权多区域局部二值模式算法提取直方图，形成特征向量，根据提取的特征向量进行人脸识别。在数据库进行实例测试表明，该算法与其他几种算法相比具有较好的识别效果。

[1] Mohammed A A, Minhas R, Jonathan Wu Q M, et al. Human face recognition based on multidimensional PCA and extreme learning machine [J].Pattern Recognition, 2011,44(10):2588-2597.

[2] 刘忠宝,王士同.改进的线性判别分析算法[J].计算机应用,2011,31(1):250-253.

[3] Karande K J, Talbar S N. Oriented Laplacian of Gaussian Edge Detection for Face Recognition Using ICA[M]// Independent Component Analysis of Edge Information for Face Recognition. Springer India, 2014: 49-61.

[4] 熊鹏飞,刘昌平,黄磊.一种人脸标准光照图像的线性重构方法[J].模式识别与人工智能,2012,25(4): 656-663.

[5] Arandjelovic O. Making the most of the self-quotient image in face recognition[C]//Automatic Face and Gesture Recognition (FG), 2013 10th IEEE International Conference and Workshops on. IEEE, 2013: 1-7.

[6] Baradarani A, Wu Q M, Ahmadi M. Illumination suppression for illumination invariant face recognition[C]Pattern Recognition (ICPR),2012 21st International Conference on. IEEE, 2012: 1590-1593.

[7] Cheng Y, Jin Z, Hao C. Illumination normalization based on different smoothing filters quotient image[C] Intelligent Networks and Intelligent Systems (ICINIS), 2010 3rd International Conference on. IEEE, 2010: 28-31.

[8] Deepa G M, Keerthi R, Meghana N, et al. Face recognition using spectrum-based feature extraction[J]. Applied Soft Computing, 2012, 12(9): 2913-2923.

[9] Weigelt S, Koldewyn K, Kanwisher N. Face identity recognition in autism spectrum disorders: A review of behavioral studies[J]. Neuroscience & Biobehavioral Reviews, 2012, 36(3): 1060-1084.

[10] 胡敏,许艳侠,王晓华,等.自适应加权完全局部二值模式的表情识别[J].中国图象图形学报,2013,18(10):1279-1284.

[11] 赵玥,苏剑波.一种用于人脸识别的矢量三角形局部特征模式[J].电子学报,2013,40(11):2309-2314.

[12] 宋克臣,颜云辉,陈文辉,等.局部二值模式方法研究与展望[J].自动化学报,2013,39(6):730-744.

[13] 吴娴, 赖剑煌. 基于体积语义局部二值模式的行为识别[J].计算机学报, 2012, 35(12): 2652-2660.

[14] 田配云, 郑碧波, 陈伟清. 基于彩色局部角度二值模式的纹理分类研究[J]. 计算机与现代化, 2013, 212(4): 86-89.

[15] Nabatchian A, Abdel-Raheem E, Ahmadi M. Illumination invariant feature extraction and mutual-information-based local matching for face recognition under illumination variation and occlusion[J]. Pattern Recognition, 2011, 44(10): 2576-2587.

[16] Song Y C, Kim S Y, Park K H. Double Self Quotient Image Based Image Flattening for Defect Detection in Thin Film Transistor Liquid Crystal Display Panel[J]. Japanese Journal of Applied Physics, 2010, 49(3): 38003-38012.

[17] 张洁玉,赵鸿萍,陈曙.自适应阈值及加权局部二值模式的人脸识别[J].电子与信息学报,2014,36(6):1327-1333

TP391文献标志码：A

2015.03.24）

1007-757X(2015)08-0010-04

国家自然科学基金项目（61170263）；河南省科技厅科技发展计划项目（134300510037）

王建玺（1981-），女，汉族，河南社旗人，平顶山学院软件学院，讲师，硕士，研究方向：模式识别、图像处理等，平顶山，467000徐向艺（1979-），女，汉族，河南平顶山人，平顶山学院软件学院，讲师，硕士，研究方向：智能算法与优化设计，图像处理，平顶山，467000鲁书喜（1969-），男，汉族，河南镇平人，平顶山学院软件学院，教授，博士，研究方向：多媒体信息处理，平顶山，467000