以LBP为基础的图像集人脸识别算法分析

王成记

摘   要：人脸识别技术主要有单一图像识别与多图像识别。基于图像集人脸识别算法采用了多图像识别，主要是在LBP的基础上进行有效的计算，与传统算法相比具有较大的优势。文章首先对人脸识别数据库进行分类阐述，而后对人脸检测技术进行深入的分析，最后着重分析以LBP为基础的图像集人脸识别算法，提出几点建议，仅供参考。

关键词：局部二值模式;图像集人脸识别;算法

以局部二值模式（Local Binary Patterns，LBP）為基础的图像集人脸识别算法主要是在多图像的基础上进行模型的构建，能够对个体实施有效表达，并且也不受光照环境的影响，这在较大程度上提升了识别率。但是以LBP为基础的图像集人脸识别算法也存在一些问题，比如模型的建立会受提取不明显以及仿射包过大等因素的影响，为此需要采取有效的方法对以LBP为基础的图像集人脸识别算法实施研究，以此寻求有效的解决方法。

1    人脸识别数据库

在进行人脸识别实验的过程中，需要进行数据库的建立，并且应在数据库中完成实验的整个过程，其中，人脸识别数据库与识别率有较大的关系，彼此之间互相影响。因不同数据库之间差异性较大，因此在进行数据库人脸系别系统开发的过程中难度较大，一般情况下有以下几种数据库：（1）Yale人脸数据库，主要是确保图片在一定光照下，表情自然，并且无遮拦。其中，该数据库包含了10人的5 700多幅灰度图像，姿势与光照条件分别有较大的种类。由此可以看出，该数据库主要适用于对姿势与光照要求较高的人脸识别算法。（2）光学回波损耗（Optical Return Loss，ORL）人脸数据库，库中有上万张图片与上千个志愿者，包含了不同人脸的表情与姿势的变化，具有较高的识别率。因此，该数据库使用价值相对较大。（3）麻省理工学院（Massachusetts Institute of Technology，MIT）人脸数据库，主要是由国外大学创建，分为3种，包含尺寸旋转以及光照，其中，光照包括了正面以及人脸转动的不同角度[1]。

2    人脸检测

在进行人脸识别的过程中，需要进行人脸检测，在检测期间图像质量会对后续的识别产生较大影响，其过程是画面捕捉到的人脸位置，并在此基础上对人脸图像进行有效截取。此外，AdaBoost算法作为一种人脸检测算法，能够使用在不同的检测方法中，并且具有较高的使用频率，同时，在检测过程中精确度与其他软件相比也相对较高。AdaBoost算法计算速度相对较快，能够在多种背景与环境下对人脸进行快速、准确的检测。

该人脸检测算法原理主要表现在以下几个方面：（1）图像在表达的过程中主要通过积分图来完成，能够在较大程度上对扫描特征实施计算，在此之前，对图像特征的表达应采用Haar-like特殊方式来完成。（2）使用效率较高的分类器，可在较多特征中提取出具有较大代表性的特征。（3）使用有效的方法使分类器联合，能够保证图像背景区域的快速去除[2]。

3    以LBP为基础的图像集人脸识别算法分析

3.1  纹理特征及LBP算法

LBP算法主要是通过脸部纹理进行特征的有效提取，在所有分析方法中，该算法使用纹理概念较为频繁，其中，纹理一般情况下是物体表面的不同信息，与其他图像信息表征方法具有一定的差异性，能够对图像灰度空间特征进行真实的描述，不但能够对图像像素点进行有效的描述，而且还可对其与周围环境的联系实施全面反映。由此可以看出，纹理特征既能对提取微观信息实施描述，还可对图像整体信息进行描述。

LBP算法在应用的过程中，具有计算量小、过程简单以及能够克服光照等优势，并且在此基础上具有较强的分类能力。其主要思路是：首先，将灰度图像中的单点看作中心像素点，并将灰度值看作是一个阀值。其次，该值与像素点进行全面的对比，以此获得两个值的序列。再次，对此实施有效的处理，以此将该数据作为该像素点数值，对该特征进行编制。最后，将其有效的组合，从而表示全局特征。

3.2  图像集的建模

经典图像集算法 包括以下几种。

（1）流形算法。主要建立在微积分几何的基础之上，其中，流形主要表达了多维曲线、几何空间以及曲面。流形实质上是一个非线性空间，在人脸识别图像集模型构建的过程中，把人脸图像当作一个非线性曲面，在此曲面中有不同线性小块，将其叫作最大线性块。此外，在对流形距离进行计算的过程中，只需要对小块之间的距离进行计算，其公式如下[4-5]：

d（ci， cj）=（1﹣α）dE（ci， cj）+adv（ci， cj）

其中，de与dv公式如下：

（2）离散矩阵算法。主要是把主成分分析（Principal Component Analysis，PCA）算法在图像集中进行有效的扩展，其主要思路表现在：首先，把图像集中的图像转化为矩阵，并在此基础上对其实施有效分解，得出特征值所对应的特征向量，以此作为矩阵列。其次，求出图像矩阵后，将其组合成图像集矩阵，以此实施人脸识别匹配。比如，假设一个图像集是G（I1， I2， …， In），其中，n表示图像集中有n和图像，Ii主要是图像集中的每个图像，图形对应的矩阵为G（A1， A2， …， An）。再次，将奇异值实施有效的分解，并在此基础上进行Ai矩对应的特征值。最后，求出m最大特征值对应的特征向量，并将此作为一列;对不同图像矩阵特征向量进行计算，其恩正矩阵是W（W1， W2， …， Wn）;对不同向量之间的距离实施准确计算，并在此基础上将其进行有效转换，形成不同的矩阵，其公式如下：

3.3  仿射包的图像集建模

对图像集实施模型的有效构建，主要是把图像集中不同图像之间的关系实施有效表达，能够较好地把一人图像集中的图像进行全面的联系。将不同图像当作线性特征向量或者仿射特征空间，再把个人图像集使用凸模式进行表示，其中，凸模式主要是图像特征向量的凸包。凸包主要是对最邻近分类进行有效增强，均是在样本之间的一些部位使用填补的方式对样本变化过程中的敏感性进行有效降低。此外，图像在分类过程中，需要采用有效的方法对凸模式间距进行全面计算，一般情况下使用几何距离进行计算，具有较大的合理性，主要是因为虽然不同环境中的图像均是同一个人，但是依然会有一定的重合，在一定程度上允许不同图像集中使用特征向量组合进行新图像的合成，据此图像集间距，可得到最近间距。

首先，需要对XK进行有效的定义：XK=[xk，1，xk，2…xk，nk]，以此对图像集进行表示，其中，Xk，i主要是指第K个样品集中第i个图像;K表示样本数量;i表示某个样本集第i幅图像。其次，词用仿射包进行图像集模型的构建，并在此基础上通过两者的间距进行有效标记，在图库中若样本与测试样本有最近间距，表示是一人图像。使用A与表示不同凸包，那么不同凸包间距便是两者最近距离，公式如下[6]：

其中，D表示不同凸包间距计算的距离函数;x与y分别是A与中的任何点。为了对上述公式进行有效计算，应对A与中的点引入参数形式，再通过数字规划方式小化两点间距。

4    结语

随着我国经济的发展、科学技术的进步，人脸识别技术在各个领域应用越来越广泛，不但能够对一些领域管理质量有较好的提升，而且也大大提高了信息的安全性。以LBP为基础的图像集人脸识别算法，主要是由不同组图像构成图像集进行人脸识别，在此过程中包含了较多的信息，由此可以看出，以LBP为基础的图像集人脸识别算法与传统相比具有较大优势，但是也存在一些缺点，最为明显的缺点就是时效下降，为此应对该算法进行深入的研究，采取有效的方法对问题进行有效的解决。

[参考文献]

[1]杨艳，郭振铎，徐庆伟.基于PCA和LBP的自适应加权融合人脸识别算法[J].中原工学院学报，2018（6）：79-84.

[2]丁园园，郑岩，崔倩倩，等.基于子图像方法和稀疏表示的人脸识别算法[J].科技视界，2018（2）：40-41.

[3]付余伟，胡方媛，晋杰，等.基于对数能量熵与LBP特征提取的人脸识别[J].信息技术，2017（7）：1-4.

[4]张辉，刘新.基于改进LBP的单样本人脸识别算法[J].计算机应用与软件，2017（12）：220-223.

[5]彭泽昆.基于哈希算法图象人脸匹配识别模型[J].电脑迷，2019（1）：54.

[6]胡勇，朱莹莹.特征脸算法人脸识别系统[J].金陵科技学院学报，2018（2）：7-10.