基于MB_LBP和PCA算法的人脸识别研究

周　威，毛　力，赵鹏洋，吴　楠，程　敏，刘　梅

（西安建筑科技大学信息与控制工程学院，西安710055）

基于MB_LBP和PCA算法的人脸识别研究

周威，毛力，赵鹏洋，吴楠，程敏，刘梅

（西安建筑科技大学信息与控制工程学院，西安710055）

本文通过分析LBP算法和PCA算法各自的优缺点，针对人脸识别领域，结合了MB_LBP算法提取人脸图像的局部特征和PCA能够对人脸特征进行降维的优点，提出了MB_LBP+PCA的人脸识别算法。人脸图像首先经过MB_LBP处理，然后用PCA算法对人脸特征降维，最后用SVM进行人脸特征分类与识别。在ORL人脸库上进行了测试验证，实验结果表明，MB_LBP+PCA算法与传统的PCA算法相比，识别率提高了13%以上。

特征提取；MB_LBP；PCA

1　前言

当前社会运用最多的身份识别技术是以证件和身份密码为主的传统识别方法，然而这些识别方法存在着很大的漏洞和不安全性。人脸识别是模式识别研究领域的重要课题，也是一个目前非常活跃的研究方向。它不仅具有重要的应用价值，如在安保系统、犯罪识别及身份证明等方面，同时也是模式识别理论中比较典型的多类型判别问题。给定一个输入图像和检测到的人脸区域，人脸识别是指从人脸数据库中鉴定出一个和已检测人脸最相似的图像。人脸识别问题已经研究了30多年，并且研究导致了许多成功的商业应用。然而，仍然存在两个主要挑战：人脸姿态变化和光照变化。目前人脸识别的方法大致可分为三类，第一类是整体方法，即人脸区域的每一个像素都输入到识别系统中，目前常用的整体方法有Kitby和Tutk等人提出的主成分分析方法（Ptincipa1Component Ana1ysis，PCA），Be1humeut等人提出的线性判别分析（Latent Diticg1et A11ocation，LDA）和Batt1ett等人提出的独立分量分析（Independent Components Ana1ysis，ICA）等。第二类是基于特征的方法，首先检测脸上的特征或者标志，如眼睛、鼻子和嘴巴，它们的位置和邻域将被输入到分类器或是数据库，如局部二值模式（Loca1Binaty Pattetns，LBP）、局部特征分析（Loca1Featute Ana1ysis，LFA）、Gabot小波等。第三类是混合方法，结合了前两类的融合方法。研究人员表明，在大数据方面，整体方法是有效的，能够从整体上对人脸图像进行描述，抓住图像的主要信息。基于特征的方法对光照、姿态和遮挡等变化具有较强的鲁棒性，但是其识别率高度依赖于特征提取和定位方法的可靠性。

LBP算法最初是用于纹理描述中，该算法具有计算简单、特征分类能力强等特点而被Ahonen等人引入到人脸识别中。Ahonen将人脸图像划分为几个互不相重叠的区域，利用LBP算子提取局部特征和直方图统计特征，该方法在FERET人脸库上取得了较高识别率。但是LBP算子本身还不够完善。为了解决原始LBP算法易受噪声影响以及计算复杂度高的问题，本文提出了基于MB_LBP和PCA的人脸识别算法，在ORL人脸库上进行实验，并与传统PCA算法相比较，证明了该方法的优越性。

2　 MB＿LBP算法

基本的LBP算子易受噪声的影响，具有不稳定性。MB_LBP算法能够改善原始LBP受噪声的影响，提高算法的稳定性。MB_LBP算法提取图像特征是在LBP算法的基础上，把LBP算法中一个中心像素的应用扩展到包含多个像素的矩形区域，传统LBP算子像素之间灰度值的比较背像素块之间的平均灰度之间的比较所代替，即周围矩形区域灰度值的平均值与中心矩形区域的灰度值平均值进行比较。

3　 PCA算法

PCA算法是一种常用的特征提取方法。它根据图像的统计特性进行正交变换，其目的是在数据空间中找到一组向量以尽可能地解释数据的方差，从而用降维后的低维向量保存原数据中的主要信息。采用如下步骤提取图像的特征信息。

（1）人脸图像集为［Xi｜i=1，．．，M］，其中M为训练样本总数，Xi为第i个训练样本的图像向量，对各幅人脸图像Xi（i＝1，2，3，．．，M）求出∑，并根据∑计算图像的平均脸，并用每幅人脸图像数据减去平均脸数据。

（2）计算图像数据的协方差矩阵。

（3）对协方差矩阵进行奇异值分解得到图像的特征值和特征向量，并找出前N个最大特征值对应的特征向量。

（4）将实验样本投影到由这些特征向量组成的子空间上，得到M个投影向量，以此M个投影向量构成实验样本的PCA特征。

4　支持向量机

支持向量机（Suppott Vectot Machine，SVM）是一种机器学习方法，它是在统计学习理论的基础上发展而来，能够较好地解决小样本、高维度、非线性等分类问题。SVM基本思想是通过非线性变换将输入向量映射到一个高维空间，然后在这个高维空间中求得一个最优线性分类超平面，这个超平面与各类数据的距离都最远，从而能够将数据尽可能的正确分类。SVM的超平面是通过判别函数求得的，判别函数如公式（1）所示。

其中k（xi，xj）称为核函数，核函数的选取应使其为特征空间的一个点积，即存在函数Φ，使Φ（xi）·Φ（xj）＝k（xi，xj）。在SVM中，常用的核函数主要有线性核、多项式核、径向基核和二次神经网络核函数。

5　结语

本文采用了MB_LBP和PCA结合的特征提取方法，对人脸图像进行特征提取，分类器采用SVM。实验证明，MB_LBP+PCA的方法与传统PCA相比，识别率有明显提高。LBP作为一种纹理特征提取算法，可以有效的提取图像的局部纹理特征，但是原始LBP算法存在图像噪声多、不稳定的特点，分块LBP可以有效解决LBP处理图像的噪声问题，但是分块过小，图像存在噪声，分块过大，会使得图像粒度化，破坏原有的很多图像特征，因此分块大小的选取是MB_LBP+PCA算法有待讨论的问题。

10.3969/j.issn.1673-0194.2016.13.098

TP391.41

A

1673-0194（2016）13-0181-02

2016-04-14

陕西省教育厅专项科研计划（14JK1438）；西安建筑科技大学基础研究基金项目（JC1514）；2015年国家级大学生创新创业训练计划项目（201510703121）；2015年陕西省级大学生创新创业训练计划项目（1136）。