基于區(qū)域改進(jìn)LBP 和KNN 的人臉識(shí)別

劉吉安　江金滾

摘要：傳統(tǒng)基于LBP特征的人臉識(shí)別算法因?yàn)槭艿饺四樜恢玫挠绊?，識(shí)別效果差；基于此，該文提出了基于區(qū)域改進(jìn)的LBP和KNN的人臉識(shí)別方法。首先將整張圖片劃分成若干個(gè)小區(qū)域，再對每個(gè)子區(qū)域內(nèi)各個(gè)位置的像素點(diǎn)都提取其LBP特征，接著，在每個(gè)子區(qū)域內(nèi)建立自己的LBP特征統(tǒng)計(jì)直方圖。然后，將所有直方圖按順序串聯(lián)起來，并對其進(jìn)行歸一化，一張圖片便能通過一個(gè)歸一化直方圖來表示。最后，將最終的歸一化的直方圖作為人臉特征，并采用KNN算法完成人臉識(shí)別。實(shí)驗(yàn)結(jié)果表明該劃分方法能夠有效地提升識(shí)別效果。

關(guān)鍵詞：人臉識(shí)別；人臉特征；LBP；KNN

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2016）13-0184-02

人臉識(shí)別，是基于人的臉部特征信息進(jìn)行身份識(shí)別的一種生物識(shí)別技術(shù)。用攝像機(jī)或攝像頭采集含有人臉的圖像或視頻流，并自動(dòng)在圖像中檢測和跟蹤人臉，進(jìn)而對檢測到的人臉進(jìn)行臉部分析、驗(yàn)證等一系列相關(guān)技術(shù)，通常也叫做人像識(shí)別、面部識(shí)別。相對于指紋等其他生物特征，人臉識(shí)別有其獨(dú)特的優(yōu)勢，應(yīng)用前景廣泛。適用于公園、工廠、超市、住宅區(qū)、商業(yè)街等公眾活動(dòng)和聚集場所的重要部位。目前在已經(jīng)有大量系統(tǒng)中應(yīng)用到了人臉識(shí)別技術(shù)，例如：出入管理系統(tǒng)、門禁考勤系統(tǒng)、監(jiān)控管理、安全防范、照片搜索、來訪登記、ATM機(jī)智能視頻報(bào)警系統(tǒng)、監(jiān)獄智能報(bào)警系統(tǒng)、RFID智能通關(guān)系統(tǒng)及公安罪犯追逃智能報(bào)警系統(tǒng)等都可以引入人臉識(shí)別技術(shù)。經(jīng)過四十多年的發(fā)展，人臉識(shí)別技術(shù)取得了巨大的進(jìn)步。在信息檢索領(lǐng)域，可進(jìn)行人物圖片的檢索；在安防系統(tǒng)中，可以達(dá)到實(shí)時(shí)監(jiān)測的優(yōu)良效果；在人工智能等其他領(lǐng)域，人臉識(shí)別的應(yīng)用也有相當(dāng)重要的意義。但是在進(jìn)行人臉識(shí)別時(shí)，仍然有很多因素影響著識(shí)別效果。因此，人臉識(shí)別應(yīng)用還有許多需要解決的關(guān)鍵問題。

本實(shí)驗(yàn)針對人臉識(shí)別技術(shù)中的特征提取步驟進(jìn)行了改進(jìn)，提取特征前對圖像進(jìn)行了區(qū)域分割，以消除人臉位置所帶來的影響。識(shí)別過程如下，首先對需要識(shí)別的圖片進(jìn)行預(yù)處理，然后，提取人臉特征，與人臉數(shù)據(jù)庫中的信息進(jìn)行比較，得到正確的人臉編號(hào)，識(shí)別完成。

1 基本的LBP特征

人臉特征代表如何對人臉建模，并確定使用何種檢測與識(shí)別算法。人臉特征在用于測量人臉之間的相似性中，是最為有效的。

目前，存在著多種從圖片中提取人臉特征的方法。其中局部二進(jìn)制模式（LBP）特征是比較優(yōu)秀的一種。這種特征是Ojala在1996年提出的。使用LBP能夠描述數(shù)字圖像的紋理和形狀。

某一位置的LBP特征是由當(dāng)前區(qū)域內(nèi)該位置周圍的像素以二進(jìn)制的模式組成的，把所有獲取到的特征串聯(lián)起來，形成一個(gè)直方圖，并進(jìn)行歸一化，則這個(gè)直方圖表示的就是當(dāng)前的人臉。在人臉識(shí)別領(lǐng)域，LBP特征主要是計(jì)算當(dāng)前位置八鄰域的二進(jìn)制模式值。按照順時(shí)針的順序，從左上位置開始比較，對于大于中心像素的，設(shè)置為1，否則設(shè)置為0。這就獲得了一個(gè)八位的二進(jìn)制數(shù)，通常情況下，將其轉(zhuǎn)換為十進(jìn)制數(shù)字，作為該位置的特征。

圖像之間通過測量它們直方圖之間的距離，來判斷它們的相似性。在實(shí)驗(yàn)中，使用的是卡方距離。其中樣本集用S表示，測試集用M表示：

2 區(qū)域改進(jìn)的LBP特征

由上述基本的LBP可知，該特征與位置信息關(guān)系緊密，直接對兩張圖片提取特征，進(jìn)行識(shí)別分類的話，則會(huì)因?yàn)椤拔恢脹]有對準(zhǔn)”而產(chǎn)生很大的誤差。故在本次實(shí)驗(yàn)中，對直接提取進(jìn)行改進(jìn)，這里采用分塊的思想，來消除位置的影響。首先將一張完整的圖片劃分為N*N個(gè)子區(qū)域，再對每個(gè)子區(qū)域內(nèi)各個(gè)位置的像素點(diǎn)都提取其LBP特征，然后，在每個(gè)子區(qū)域內(nèi)建立自己的LBP特征統(tǒng)計(jì)直方圖。這樣，就可以用一個(gè)統(tǒng)計(jì)直方圖來進(jìn)行描述一個(gè)子區(qū)域。最后，將所有直方圖按順序串聯(lián)起來，并對其進(jìn)行歸一化，于是，一張圖片便能通過一個(gè)歸一化直方圖來表示。

例如：有一張200*200像素大小的圖片，取N為5，則該圖片就被劃分為25個(gè)子區(qū)域。在每個(gè)子區(qū)域內(nèi)的每個(gè)像素點(diǎn)，提取其LBP特征，然后，建立統(tǒng)計(jì)直方圖；這樣便得到了25個(gè)子區(qū)域，即25個(gè)統(tǒng)計(jì)直方圖，將它們串聯(lián)起來并歸一化后，就可以用這個(gè)歸一化直方圖來表示圖片了。之后，我們利用各種相似性度量函數(shù)，判斷兩張圖片之間的相似性。

3 KNN算法

在模式識(shí)別領(lǐng)域中，K近鄰算法（KNN算法），是一種用于分類和回歸的算法。在分類中，KNN算法輸出的是分類的類別號(hào)。一個(gè)對象的分類是由其相鄰的多個(gè)對象“多數(shù)表決”確定的，這里我們將這多個(gè)對象稱之為“鄰居”。我們給這k個(gè)最近鄰居（k為正整數(shù)，通常較?。┵x予不同權(quán)值，再把權(quán)值和最大的類別的編號(hào)，賦值給當(dāng)前對象。若k = 1，則該對象的類別直接由最近的一個(gè)鄰居賦予。在本次研究中，經(jīng)過對不同k值的取值，最終取k等于5。

KNN是一種基于實(shí)例的學(xué)習(xí)，或者是局部近似和將所有計(jì)算推遲到分類之后的惰性學(xué)習(xí)。K近鄰算法是所有的機(jī)器學(xué)習(xí)算法中最簡單的之一。鄰居都取自一組已經(jīng)正確分類的對象。雖然沒要求明確的訓(xùn)練步驟，但這也可以當(dāng)成是此算法的一個(gè)訓(xùn)練樣本集。

一般情況下，將歐氏距離作為距離度量，但是這是只適用于連續(xù)變量。通常情況下，如果運(yùn)用一些特殊的距離來計(jì)算度量的話，K近鄰分類精度可顯著提高，在本次人臉識(shí)別研究中，使用卡方距離來度量，效果甚佳。

4 實(shí)驗(yàn)及結(jié)論

本次實(shí)驗(yàn)的樣本數(shù)據(jù)庫采用的是我們自己采集的大量照片，這些照片基本上是由雙飛燕的PK-910H這款攝像頭拍攝的。

樣本數(shù)據(jù)庫共有200張人臉照片，測試數(shù)據(jù)庫共有100張人臉照片，識(shí)別率的計(jì)算方法是，識(shí)別正確的照片數(shù)量除以測試數(shù)據(jù)庫的照片數(shù)量。

在本次實(shí)驗(yàn)中，需要建立人臉數(shù)據(jù)庫，步驟如下：采集大量含有人臉的圖片，對這些圖片進(jìn)行預(yù)處理，將圖片灰度化并分割區(qū)域，之后提取人臉特征，把相關(guān)信息存入到數(shù)據(jù)庫中。人臉識(shí)別階段的前期步驟與建立數(shù)據(jù)庫時(shí)相同，在提取特征之后，利用卡方距離以及KNN算法與數(shù)據(jù)庫中信息進(jìn)行比較，最終得到其正確的分類，識(shí)別完成。

基礎(chǔ)的實(shí)驗(yàn)之后，為了研究區(qū)域個(gè)數(shù)對實(shí)驗(yàn)結(jié)果的影響，進(jìn)而在劃分不同子區(qū)域個(gè)數(shù)時(shí)進(jìn)行了實(shí)驗(yàn)。

從實(shí)驗(yàn)結(jié)果可以看出，對整張圖片劃分區(qū)域后，識(shí)別率有明顯的提升。另外，區(qū)域的劃分個(gè)數(shù)對識(shí)別率是有一定影響的，既不是越少越好，也不是越大越好。所以，實(shí)際應(yīng)用中要對每個(gè)參數(shù)的不同取值都盡可能進(jìn)行嘗試，以到達(dá)最優(yōu)效果。本項(xiàng)目中的數(shù)據(jù)庫而言，劃分成25個(gè)區(qū)域取得的效果是最佳的。

參考文獻(xiàn)：

[1] Ojala T， Pietikainen M， Harwood D. A comparative study of texture measures with classification based on feature distributions[J].Pattern Recognition， 1996（29）.

[2] Altman N S. An introduction to kernel and nearest-neighbor nonparametric regression[J].The American Statistician ， 1992，46（3）： 175–185.

[3] 張翠平，蘇光大.人臉識(shí)別技術(shù)綜述[J].中國圖像圖形學(xué)報(bào)，2000，5（A）：886-894.

[4] 江小輝.基于改進(jìn)型 LBP 特征的人臉識(shí)別研究[D].金華：浙江師范大學(xué)，2009.

[5] 鄭瑾.基于人臉識(shí)別技術(shù)的模擬考勤系統(tǒng)的研究與設(shè)計(jì)[J].福建電腦，2010（8）.

[6] 黃非非.基于LBP的人臉識(shí)別研究[D]. 重慶：重慶大學(xué)，2009.

[7] 陳健斌.圖像特征提取及其相似度的研究和實(shí)現(xiàn)[D]. 西安：西安電子科技大學(xué)，2012.