作者/ 楊毅 楊恢先 唐金鑫 張書豪 湘潭大學 物理與光電工程學院(湖南 湘潭 411105)

楊毅(1992-)，男，碩士，研究方向：模式識別。

摘要：本文針對單樣本情況下傳統人臉識別方法在姿態、表情和光照等變化下識別效果不佳的問題，提出一種基于單演主方向中心對稱局部二值模式的單樣本人臉識別模式的單樣本人臉識別算法。首先用多尺度的單演濾波器提取人臉圖像單演局部幅值和局部方向信息，并求取主方向，生成主方向模式圖;然后用CS-LBP算子進行編碼，得到特征;最后對不同單演尺度空間中的特征分塊統計特征直方圖并運用直方圖相交進行分類識別。在AR、Extend Yale B人臉數據庫的實驗結果表明，該算法簡單有效，對光照、表情、部分遮擋變化具有較好的魯棒性。

引言

　　近年來，人臉識別由于具有友好、非侵犯性等優點成為機器視覺和圖像處理領域的研究熱點，并在經濟、司法、安保領域得到了廣泛的應用^[1]。在多數實際的應用場合下，數據庫只能采集到單幅人臉圖像作為訓練樣本，如身份證、護照、駕駛證等數據庫^[2]。在這種單樣本的情況下，一些具有代表性的傳統人臉識別算法就很難取得理想的效果。目前，單樣本人臉識別的研究主要集中在提取不變特征、樣本擴張、特征子空間擴展、圖像增強和三維識別等方面^[3]。

　　中心對稱局部二值模式(Center symmetric local binary pattern，CS-LBP)是一種對LBP改進的有效局部紋理描述算子，CS-LBP的特征維數少于LBP，節省特征提取與匹配時間。文獻[4]中，Ngoc-Son Vu 等人提出了基于圖像梯度的主方向模式 (Patterns of Dominant Orientations， PDO)特征提取算法，也取得了不錯的識別效果。文獻[5]提出一種基于Gabor 的二元模式方法(Local gabor binary patterns, LGBP)，雖然LGBP 的識別率與魯棒性比LBP大為增強，但得到40幅不同的Gabor特征，其時間和空間的復雜度是驚人的^[6]。單演信號作為一維信號在二維空間的拓展，能夠有效地將圖像正交分解為幅值，相位和方向信息^[7]。單演濾波所需要的時間和空間復雜度遠遠小于Gabor濾波[8]。文獻[9]將單演和局部二值模式(Monogenic binary patterns，MBP)用于人臉識別，取得了很好的實驗效果。但只是在像素層次對單演幅值進行編碼，缺乏對區域變化信息的把握能力，且沒利用到單演方向信息。為了能充分利用單演幅值和單演方向信息，且在文獻[9]的啟發下，提出了一種基于單演主方向中心對稱局部二值模式(Monogenic dominant orientations center-symmetric local binary pattern，MDOCSBP)的單樣本人臉識別方法。首先利用人臉圖像的單演局部幅值和局部方向來獲取主方向模式圖，然后采用CS_LBP對主方向圖進行編碼得到MDOCSBP特征，最后分塊統計MDOCSBP特征直方圖并運用直方圖相交進行分類識別。

1 單演信號

　　單演信號是一維解析信號的二維擴展，以一種旋轉不變的方式來描述圖像的局部幅度、局部方向和局部相位信息。單演信號是建立在Riesz變換的基礎上的，Riesz變換是Hilbert變換的二維擴展。

2 主方向的求取

　　2011 年 Ngoc-Son Vu 等人提出了基于圖像梯度的 PDO 特征提取算法。文獻[9]中，主方向的計算是在圖像的梯度圖上完成的，是指細胞單元(cell)內像素的梯度方向累積變化最多的方向，即該cell的主方向。受其啟發，本文對單演特征中的局部幅度和局部方向信息進行與之相似的處理。針對 Cell 內每個像素，以該像素處的單演幅值為權值，為該像素單演方向所在的直方圖通道Δθ進行加權投票，通道數，其中直方圖的峰值所對應方向即為cell中心像素的主方向θ_m。

(9)

　　式中，表示向下取整。

　　Cell單元內各像素點主方向求取如圖1所示。

3 中心對稱局部二值模式

　　CS-LBP是在LBP基礎上采用中心對稱思想對圖像進行編碼的局部紋理描述算子。在半徑為R的圓形鄰域內，CS-LBP算子通過比較以中心像素點g_c為中心的像素值對g_i與g_i+4(i=0,1,2,3)的灰度值大小，大于等于0時相應的二進制編碼位則為1，反之為0。并將二進制數轉化為十進制數得到CS-LBP值。記作CS-LBP_(P,R)。本文算法采用CS-LBP_(8,4)。LBP與CS-LBP特征提取過程如圖2所示。

　　LBP與CS-LBP的編碼公式為：

　　式中，(P，R)表示圓鄰域，R為圓的半徑，P為圓周上像素點個數，且N=P，g_c為中心點像素，g_i為圓周上的P個像素在(P，R)鄰域內。由式(10)和式(11) 可知，CS-LBP編碼方式得到的二進制數長度為LBP的一半，從而使CS-LBP在提取的特征維數、計算開銷方面具有較明顯的優勢。

4 人臉的MDOCSBP特征

　　1)采用尺度為S的單演濾波器對人臉圖像進行濾波，MDOCSBP算法固定采用尺度為3的單演濾波器，即S=(1,2,3)。則每個尺度下都能得到局部幅值A_S、局部方向θ_S兩種模式圖;

　　2)對同一尺度下的單演幅值和單演方向，以單演幅值為權值對單演方向所在的直方圖通道Δθ進行加權投票求取單演主方向θ_m;

　　3)對產生S尺度下的主方向圖進行CS-LBP_(P,R)編碼得到MDOCSBP模式圖;

　　4)將同一張人臉的得到的S張MDOCSBP模式圖分別進行分塊，通過實驗確定其最優分塊數，計算每一小塊的統計直方圖特征并將所有分塊的直方圖特征串聯起來構成人臉圖像的MDOCSBP特征。

5 人臉特征匹配

　　算法用最近鄰分類器進行人臉匹配，人臉圖片之間的相似度通過直方圖相交的方式來衡量。若兩幅圖片的直方圖特征向量分別為H₁、H₂，則兩個圖片的相似度為：

(13)

6 實驗結果與分析

　　為驗證MDOCSBP算法的有效性，實驗在均已被剪裁好的AR人臉庫、Extend Yale B人臉庫上進行測試。

　　AR人臉庫實驗統一選取人臉庫中每個人的第一幅圖像作為訓練樣本, 測試集由4個子集組成, 分別為表情變化集、光照變化集、遮擋集A和遮擋集B。Extend Yale B人臉庫實驗分別從不同光照情況下各子集隨機選取3幅人臉作為測試集，識別率為測試20次的平均值。AR、Extend Yale B人臉庫部分圖像如圖4、圖5所示。