LBP人臉檢測(cè)算法

逄暉

?

LBP人臉檢測(cè)算法

逄暉

北京工商大學(xué)計(jì)算機(jī)與信息工程學(xué)院，北京 100048

紋理特征提取方法一直是模式識(shí)別和研究的熱點(diǎn)。在近50年的研究中，許多研究人員提出了多種紋理特征提取方法，諸如Grayscale共生矩陣[2]、小波理論[3]、分形理論[4]、馬爾可夫[5]等，突出的問題。這些方法都過大的增加計(jì)算復(fù)雜性，對(duì)于背景噪音或照度不均勻紋理Image的情況下，都基于Local Binary Patterns算和非線性流形學(xué)習(xí)算法等距映射的Cube World Model Editor組合Human Face Recognition算法往往不能夠提出這些治療方法的效果。運(yùn)營(yíng)商采用的Human Face Image，然后非線性流形學(xué)習(xí)算法等距映射的CUBE WORLD MODEL EDITOR高維紋理特征數(shù)據(jù)降維的Human Face Recognition系統(tǒng)紋理特征提取給臉部數(shù)據(jù)的幾何形狀的精髓。最后，數(shù)據(jù)維數(shù)的減少作為分類輸入面部分類。實(shí)驗(yàn)結(jié)果表明，該算法可以面對(duì)Image分類好，尤其是小樣本下一個(gè)。

算法；檢測(cè)；LOCAL；BINARY；PATTERN；特征

T.奧賈拉等人于1996年提出了局部二Value模式算法（Local Binary Patterns，LOCAL BINARY PATTERN）[6]，用于紋理特征的描述。局部二元模式是用來描述操作的局部紋理圖像的特征；它具有顯著優(yōu)點(diǎn)灰度不變性和旋轉(zhuǎn)不變性。局部二元模式算法簡(jiǎn)單，容易理解，計(jì)算復(fù)雜度小，對(duì)不同光照強(qiáng)度敏感，可以描述圖像的局部紋理特征，這引起研究者的關(guān)注。在過去的十年，國(guó)家研究學(xué)者對(duì)局部二元模式的算法進(jìn)行了深入研究，并提出了各種局部二進(jìn)制模式改進(jìn)算法，諸如：FLOCAL BINARY PATTERN[7]、LTP[8]、CBP[9]、LOCAL BINARY PATTERNV[10]、TPLOCAL BINARY PATTERN[11]、FPLOCAL BINARY PATTERN[11]、MS-LOCAL BINARY PATTERN[13]、CLOCAL BINARY PATTERN[12]等，并將其廣泛應(yīng)用于Image分割、Human Face Recognition、Image檢索等領(lǐng)域[15-18]。其中，相對(duì)于局部紋理特征提取和紋理更加全面，完整，并取得了良好的效果描述局部二元模式算法等局部二元模式算法的改進(jìn)。此外，所提取的特征是圖像的局部紋理特征。基本的：LOCAL BINARY PATTERN Operator是一種Grayscale范圍內(nèi)的紋理度量，它是從自定義紋理，其使用固定窗思想結(jié)構(gòu)分析，再利用統(tǒng)計(jì)整體特征提取的方法而得。局部二元模式算法通常被定義為一個(gè)3×3窗口，以窗口中心點(diǎn)的Grayscale Value為閾Value對(duì)窗口內(nèi)其他Pixels作二Value化處理，然后根據(jù)Pixels不同位置進(jìn)行加權(quán)求和得到該窗口的LOCAL BINARY PATTERNValue。LOCAL BINARY PATTERN Operator剛提出來的時(shí)候，基本的概念就是Image紋理中某個(gè)指定的中心Pixel（gc）及其周圍緊鄰的八個(gè)Pixel（g0-g7）所組成的局部Area，如圖1所示。

圖1 一個(gè)標(biāo)準(zhǔn)的LBP算子區(qū)域

基本方法里所用的是經(jīng)過處理后所得到的Grayscale Image，每一個(gè)Pixel的Grayscale Value是0～255中的一個(gè)Value。當(dāng)指定了某一個(gè)Pixel作為中心Pixel之后（此時(shí)暫不考慮Image邊界上的Pixel），其周圍的八個(gè)Pixel的Grayscale Value即可隨之確定下來。我們以中心Pixel（go）的Grayscale Value作為閾Value（threshold value），將周邊相鄰的八個(gè)Pixel的Grayscale Value與閾Value進(jìn)行比較，如果某相鄰Pixel的Grayscale Value大于或等于該閾Value，則令該P(yáng)ixel的賦Value為1；如果相鄰Pixel的Grayscale Value小于該閾Value，則令該P(yáng)ixel的賦Value為0。這樣，在順次將周圍Pixel的Grayscale Value與閾Value進(jìn)行比較之后，你可以得到一個(gè)局部二元模式（局部二元模式）。接著，從第一像素的左上角（去）開始時(shí)，右值2“（N =0，1......7）的周圍給每個(gè)像素的轉(zhuǎn)彎，和像素值后的順時(shí)針順序門檻富二進(jìn)制值相乘。最后，當(dāng)每一個(gè)Pixel都依次進(jìn)行了上述運(yùn)算之后，將所有八個(gè)Pixel運(yùn)算所得的結(jié)果相加，即為該中心Pixel的LOCAL BINARY PATTERN Value，現(xiàn)舉例說明LOCAL BINARY PATTERN。

1 LOCAL BINARY PATTERN特征的描述

原始的LOCAL BINARY PATTERN Operator定義為在3×3的窗口內(nèi)，以窗口中心Pixels為閾Value，將相鄰的八個(gè)Pixels的Grayscale Value與其進(jìn)行比較，若周圍PixelsValue大于中心Pixels Value，則該P(yáng)ixel的位置被標(biāo)記為1，否則為0。因此，八個(gè)點(diǎn)3×3附近通過比較可以產(chǎn)生8位二進(jìn)制數(shù)（通常為一個(gè)十進(jìn)制數(shù)，是局部二進(jìn)制模式代碼，共256種），以獲得像素局部二元模式值的窗口的中心，并使用此值區(qū)域，以反映紋理信息。如圖2所示。

圖2 ??

LOCAL BINARY PATTERN的改進(jìn)版本：

原來的局部二元模式提出后，研究人員不斷提出它的各種改進(jìn)和優(yōu)化。

1.1 圓形LOCAL BINARY PATTERN Operator

基本局部二元模式運(yùn)營(yíng)的最大的缺點(diǎn)在于它僅覆蓋固定半徑，這顯然不能滿足不同頻率要求的規(guī)模和結(jié)構(gòu)中的一個(gè)小區(qū)域。為了適應(yīng)不同的尺度紋理特征，以及實(shí)現(xiàn)灰度和旋轉(zhuǎn)不變的要求等，為鰲古拉局部二元模式操作得到了改善，3×3鄰域擴(kuò)展到任何附近，并具有圓形附近正方形附近取代，局部二元模式操作改進(jìn)，允許附近的圓半徑R有任意數(shù)量的像素的。由此得到局部二元模式操作，如圓形區(qū)域R含有P的采樣點(diǎn)的半徑。

圖3 ??

1.2 LOCAL BINARY PATTERN旋轉(zhuǎn)不變模式

從LOCAL BINARY PATTERN的定義可以看出，LOCAL BINARY PATTERN Operator是Grayscale不變的，但卻不是旋轉(zhuǎn)不變的。Image的旋轉(zhuǎn)就會(huì)得到不同的LOCAL BINARY PATTERN Value。

Maenpaa，又將局部二元模式操作擴(kuò)展提出了局部二元模式操作旋轉(zhuǎn)不變性，即不斷旋轉(zhuǎn)的圓形居委會(huì)給予一系列初始定義局部二進(jìn)制模式的價(jià)值，以最小者為準(zhǔn)，因?yàn)橄噜彽膬r(jià)值局部二元模式值域。圖4給出了求取旋轉(zhuǎn)不變的LOCAL BINARY PATTERN的過程示意圖，圖中Operator下方的數(shù)字表示該Operator對(duì)應(yīng)的LOCAL BINARY PATTERN Value，圖中所示的八種LOCAL BINARY PATTERN模式，轉(zhuǎn)不變加工后，造成局部二元模式值旋轉(zhuǎn)不變性為15。這是數(shù)字對(duì)應(yīng)的旋轉(zhuǎn)不變局部二元模式方式的八局部二元模式為00001111。

圖4 旋轉(zhuǎn)不變的LBP示意

1.3 LOCAL BINARY PATTERN等價(jià)模式

一個(gè)LOCAL BINARY PATTERN Operator可以產(chǎn)生不同的二進(jìn)制模式，局部二元模式算子含P采樣點(diǎn)會(huì)產(chǎn)生P2模式區(qū)域R圓弧。顯然，與在附近的采樣點(diǎn)的增加，二進(jìn)制模式的類型是急劇增加。例如：5×5個(gè)居委會(huì)20個(gè)采樣點(diǎn)，220=1.048，576種二進(jìn)制模式。無論對(duì)于提取或紋理貼圖這么多雙價(jià)值模型識(shí)別，分類和訪問信息是不利的。同時(shí)，太多的那種表達(dá)模式質(zhì)地是不利的。例如，當(dāng)局部二元模式運(yùn)營(yíng)商紋理分類和人臉識(shí)別，常采用統(tǒng)計(jì)直方圖局部二元模式方式來表達(dá)信息的圖像，更多的物種將會(huì)使數(shù)據(jù)模式是太大，太稀疏直方圖。因此，需要對(duì)原有的局部二元模式模式維數(shù)降低，從而減少數(shù)據(jù)量，使得殼體能的圖像信息最好代表。為了解決過度二進(jìn)制模式的問題，提高了統(tǒng)計(jì)，奧亞拉提出要采取“等效模型”（統(tǒng)一模式）來局部二元模式操作模式的類型降維。奧亞拉所以，在實(shí)際的圖像，絕大多數(shù)局部二元模式從過渡1-0或0-1只有兩次。因此，奧亞拉將“等效模型”的定義是：從循環(huán)從1-0對(duì)應(yīng)的二進(jìn)制數(shù)的局部二元模式的兩倍過渡0-1或?qū)?yīng)二進(jìn)制模式局部二元模式被稱為一個(gè)等價(jià)類。如00000000（0過渡），00000111（只包含一種過渡從0到1），10001111（首先由一個(gè)跳轉(zhuǎn)到0，然后從0跳到1次，共兩個(gè)轉(zhuǎn)變的）是等效的模式類。比其他類型的類屬性的等效模型以外的模式，稱為混合模式的類別，如10010111（共四個(gè)跳躍）（這是我個(gè)人的理解，不知道對(duì)不對(duì)）。通過這樣的改進(jìn)，二進(jìn)制模式的類型大大降低，而不會(huì)丟失任何信息。圖案從原來減少物種2P P（P-1）+ 2種，其中P表示鄰域集合的采樣點(diǎn)的數(shù)量。為八個(gè)采樣點(diǎn)，二進(jìn)制模式從原來256種58種減少，這使得特征矢量的尺寸更小，并且可以減小高頻噪聲引起的影響，3×3鄰域。

1.4 ε-LOCAL BINARY PATTERN算法

在傳統(tǒng)的局部二元模式的基礎(chǔ)上，研究人員提出ε-局部二進(jìn)制模式，通過調(diào)整參數(shù)ε，可尋求目標(biāo)更合適的分類特征子空間。在本文中，ε-局部二元模式來此子空間，不能直接 特征數(shù)據(jù)分類識(shí)別的子空間，但可使用非線性流形學(xué)習(xí)算法等距降維特征數(shù)據(jù)。由于ε-局部二元模式特征數(shù)據(jù)中提取的高維，非線性流形學(xué)習(xí)算法等距特征數(shù)據(jù)降維，可以減少一些最終獲得相關(guān)性較低的數(shù)據(jù)本質(zhì)上是幾何特征數(shù)據(jù)。最后，支持向量機(jī)的選擇（支持向量機(jī)，SVM）進(jìn)行分類識(shí)別數(shù)據(jù)降維，因?yàn)镾VM[4]在解決小樣本，非線性數(shù)據(jù)的問題中有許多獨(dú)特的優(yōu)點(diǎn)。對(duì)比實(shí)驗(yàn)表明，該方法取得了良好的效果。LOCAL BINARY PATTERN首先計(jì)算Image中每個(gè)Pixels與其局部鄰域點(diǎn)在Grayscale上的二Value關(guān)系；然后，對(duì)二Value關(guān)系按一定規(guī)則加權(quán)形成局部二Value模式；最后，采用多Area直方圖序列作為Image的二Value模式。最基本的LOCAL BINARY PATTERN Operator[6]一般采用一個(gè)固定大小為3×3的矩形塊，那么Image中對(duì)應(yīng)3×3窗口的局部紋理T的分布可假設(shè)認(rèn)為是局部area內(nèi)Pixels Grayscale的聯(lián)合分布密度，以Image中某個(gè)Pixels為中心點(diǎn)gc，對(duì)周圍的八個(gè)Pixel g0-g7，紋理T的分布定義如下：顯然，當(dāng)ε=0時(shí)，ε-LOCAL BINARY PATTERN等價(jià)于LOCAL BINARY PATTERN。而且由定義可以看出：ε-LOCAL BINARY PATTERN在參數(shù)ε Value較小的情況下可以描述出更多的微小和細(xì)節(jié)紋理信息，而在參數(shù)εValue較大的情況下則更多地描述了輪廓信息，比如Image中的邊緣等。

圖5示出了ε對(duì)視覺紋理特征的效果。對(duì)于上面的分類識(shí)別問題的特點(diǎn)ε-本地二進(jìn)制模式，總結(jié)了使用ε-本地二進(jìn)制模式的優(yōu)點(diǎn)是：通過二元模式改造后對(duì)應(yīng)的ε-Local不同ε值采樣，它將被映射到不同的子空間，并根據(jù)不同的分類識(shí)別培訓(xùn)目標(biāo)確定最合適的子空間，使得分類識(shí)別越好；此外，相對(duì)于更不敏感，光線的變化，從而解決光照變化這個(gè)人臉識(shí)別的難題傳統(tǒng)的局部二元模式操作方面ε-local二進(jìn)制模式。

圖5 不同ε值的ε-LBP描述出來的圖像

考慮到LOCAL BINARY PATTERN紋理模型過于依賴中心點(diǎn)Pixels的Grayscale Value，本文提出一種CLOCAL BINARY PATTERN進(jìn)行Human Face Recognition的方法。局部area由中心Pixels和局部差分符號(hào)數(shù)Value變換（10cal diffe．Rellcesign-magnitude transform，LDSMT）兩部分進(jìn)行表示。中心Pixels進(jìn)行LOCAL BINARY PATTERN編碼，記為CLOCAL BINARY PATTERN_C；LDSMT分成符號(hào)和數(shù)Value兩個(gè)獨(dú)忘的部分進(jìn)行編碼。分別記為CLOCAL BINARY PATTERN_S和CLOCAL BINARY PATTERN_M。首先對(duì)Human FaceImage進(jìn)行一系列的預(yù)處理；首先通過CLOCAL BINARY PATTERN Operator對(duì)Human FaceImage進(jìn)行特征提取，將CLOCAL BINARY PATTERN_C、CLOCAL BINARY PATTERN_s和CLOCAL BINARY PATTERN_M分別形成的直方圖融合成最終的CLOCAL BINARY PATTERN直方圖，進(jìn)行直方圖相似性度量，最后通過最近鄰分類器進(jìn)行Recognition。如圖6所示。

圖6 CLBP人臉識(shí)別算法

2 LOCAL BINARY PATTERN特征用于檢測(cè)的原理

顯而易見的是，上述提取的LOCAL BINARY PATTERN Operator在每個(gè)Pixel都可以得到一個(gè)LOCAL BINARY PATTERN“編碼”，那么，對(duì)一幅Image（記錄的是每個(gè)Pixel的Grayscale Value）提取其原始的LOCAL BINARY PATTERN Operator之后，得到的原始LOCAL BINARY PATTERN特征依然是“一幅圖片”（記錄的是每個(gè)Pixel的LOCAL BINARY PATTERN Value）。

（a）原始圖像??????（b）LBP圖譜

LOCAL BINARY PATTERN的應(yīng)用中，如紋理分類、Human Face analysis等，一般都不將LOCAL BINARY PATTERN Atlas作為Feature vector用于分類Recognition，而是采用LOCAL BINARY PATTERN特征譜的統(tǒng)計(jì)直方圖作為Feature vector用于分類Recognition。

因?yàn)椋瑥纳厦娴腶nalysis我們可以看出，這個(gè)“特征”跟位置信息是緊密相關(guān)的。這種“功能”，和判別分析的兩個(gè)圖像直接提取，這將是因?yàn)椤暗奈恢貌粚?duì)齊”，并產(chǎn)生較大的誤差。后來，研究人員發(fā)現(xiàn)，一個(gè)圖象可以被分成若干子小區(qū)，每個(gè)子像素中的每個(gè)小區(qū)被提取局部二元模式特征，然后建立在每個(gè)子小區(qū)統(tǒng)計(jì)直方圖局部二元模式特征。在這種方式中，每個(gè)子小區(qū)中，直方圖可以用來描述直方圖組合物的數(shù)目的整個(gè)圖象；例如：一個(gè)100×100像素尺寸的圖像，劃分為10×10= 100的子小區(qū)（通過各種方式來劃分的小區(qū)）中，每個(gè)子小區(qū)的大小為10×10像素；在每個(gè)子小區(qū)的每個(gè)像素，提取局部二元模式特征，然后建立一個(gè)統(tǒng)計(jì)直方圖；所以，這張照片有10×10子區(qū)域，并有直方圖10×10，這直方圖的10×10占據(jù)優(yōu)勢(shì)，我們可以描述這張圖片。之后，我們用各種相似性度量功能，可以確定兩個(gè)圖像之間的相似性。

3 對(duì)LOCAL BINARY PATTERN Feature vector進(jìn)行提取的步驟

（1）首先將檢測(cè)窗口劃分為16×16的小area。

（2）每個(gè)Pixels的面積小，八個(gè)像素與其相鄰的Grayscale Value進(jìn)行比較，如果周圍像素的Value是比中心Pixels Value時(shí)，該P(yáng)ixels的位置被標(biāo)記為1，否則為0。因此，八個(gè)點(diǎn)3×3附近通過比較可以產(chǎn)生八個(gè)二進(jìn)制數(shù)，以獲得窗口的中心Pixels的局部二元模式Value。

（3）然后計(jì)算直方圖，即，每個(gè)編號(hào)（假設(shè)為十進(jìn)制局部二進(jìn)制模式值）出現(xiàn)的頻率的每個(gè)小區(qū)域，然后直方圖被標(biāo)準(zhǔn)化。

（4）最后將得到的每個(gè)小area的統(tǒng)計(jì)直方圖進(jìn)行連接成為一個(gè)Feature vector，也就是整幅圖的LOCAL BINARY PATTERN紋理Feature vector，然后便可利用SVM或者其他機(jī)器學(xué)習(xí)算法進(jìn)行分類了。

[1]黃非非.基于LOCAL BINARY PATTERN的Human Face Recognition研究[D].重慶：重慶大學(xué)，2009.

[2]張文超，山世光，張洪明，等.基于局部 Gabor變化直方圖序列的Human Face描述與Recognition[J].軟件學(xué)報(bào)，2006，17（12）：2548-2517.

[3]Turk M，Pentland A.Eigenfaces for recognition[J].Journal of Cognitive Neuroscience，1991，3（1）：71-86.

[4]Zhao G，Pietikainen M.Dynamic texture recognition using local [J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2007，29（6）：915-928.

[5]李莉莉，李一民，蔡英.KPCA和SVM在Human Face Recognition中的應(yīng)用[J].山西電子技術(shù)，2006（5）：44-46.

[6]周穎穎，周振宇，孫寧，等.基于改進(jìn) LOCAL BINARY PATTERN特征的白細(xì)胞Recognition[J].生物醫(yī)學(xué)工程研究，2005，24（4）：242-246.

[7]孫寧，冀貞海，鄒采榮，等.基于局部二元模式Operator的Human Face性別分類方法[J].華中科技大學(xué)學(xué)報(bào)：自然科學(xué)版，2007，35（1）：177-181.

[8]劉麗，匡綱要.Image紋理特征提取方法綜述[J].中國(guó)圖象圖形學(xué)報(bào)，2009（4）：622-635.

[9]付蓉，石美紅，陳惠娟.自適應(yīng)局部二Value模式算法及其在織物疵點(diǎn)檢測(cè)中的應(yīng)用[J].紡織高?；A(chǔ)科學(xué)學(xué)報(bào)，2010，23（1）：99-104.

TP391.41

A

1009-6434（2016）04-0081-03