基于局部定向模式的CLDP算法改進(jìn)人臉識(shí)別性能

LDP 算法是將與Kirsch 算子運(yùn)算后得到的一些負(fù)值的鄰域灰度值作為中心灰度值的編碼因子，這將會(huì)導(dǎo)致中心灰度值不能很好的反映鄰域局部特征信息，從而降低識(shí)別率。針對(duì)于此，本文提出了一種改進(jìn)的局部定向模式(CLDP)算法。該算法在LDP 的基礎(chǔ)上，去掉鄰域灰度值為負(fù)值的因子，對(duì)中心灰度值進(jìn)行重新編碼，由于該編碼值是將與Kirsch 算子運(yùn)算后的正值最大值作為圖像邊緣輸出，使中心灰度值能很好反映鄰域的局部特征信息，從而提高人臉的識(shí)別率。本文還將提出的CLDP 算法用在YALE，ORL，JAFFE 等人臉數(shù)據(jù)庫(kù)中進(jìn)行人臉識(shí)別。從實(shí)驗(yàn)的結(jié)果表明，該方法識(shí)別性能較LDP算法，LDN 算法以及ELDP 算法等更好的。

人臉識(shí)別系統(tǒng)主要包括四個(gè)模塊：圖像預(yù)處理模塊，圖像特征提取模塊，圖像訓(xùn)練模塊和人臉圖像的識(shí)別模塊，其中最主要的核心部分就是圖像特征的提取。好的特征提取算法應(yīng)該滿足不同類別的圖像具有很大差異，同一類別的圖像具有很小差別。到目前為止，特征提取主要包括兩類方法：基于全局特征的提取方法和基于局部特征的提取方法。全局特征是指其特征向量的每一維都包含了人臉圖像上所有部分(甚至所有像素)的信息，它反映的是人臉的整體屬性?；谌值奶卣鞣椒ㄖ饕ǎ篜CA，LDA，2DPCA，LPP 等 。與全局特征不同的是，局部特征信息的每一維都只對(duì)應(yīng)人臉圖像上的一個(gè)局部區(qū)域，它側(cè)重于提取人臉的細(xì)節(jié)特征，基于局部特征的提取方法主要包括：LBP，LGBP，LDP 等 。局部特征對(duì)人臉的光照、表情和遮擋等變化不敏感，因此基于局部特征的提取方法相對(duì)于基于全局特征的提取方法具有更好的魯棒性，在近些年來(lái)得到了更多的研究 。

近年來(lái)，LBP 算法因?yàn)槠湓诩y理分析方面的簡(jiǎn)單性和優(yōu)越性而得到了越來(lái)越多的重視?；镜腖BP算子是一種有效的紋理描述符，其通過(guò)對(duì)中心像素的3×3 鄰域進(jìn)行編碼操作。每個(gè)像素點(diǎn)以其鄰域的中心像素灰度值作為判斷的閾值，將中心像素灰度值與周圍8 鄰域的像素灰度值進(jìn)行比較，如果鄰域像素灰度值大于中心像素灰度值，則將其標(biāo)記為1，否則標(biāo)記為0(對(duì)于圖像邊緣的部分，存在一些鄰域點(diǎn)不存在的，編碼時(shí)設(shè)定該鄰域點(diǎn)為0)，從而每個(gè)像素點(diǎn)都可以得到一個(gè)8 位的二進(jìn)制數(shù)，然后將該8 位二進(jìn)制數(shù)轉(zhuǎn)化為十進(jìn)制數(shù)，該十進(jìn)制數(shù)即為該中心像素點(diǎn)的LBP 值。因?yàn)長(zhǎng)BP 編碼的靈活性，LBP 算法可以很容易修改以適應(yīng)其他不同類型問(wèn)題的需要。為此，文獻(xiàn)[9]提出了幾種改進(jìn)的LBP 算法。LBP 算法對(duì)單調(diào)線性的光照有很好的魯棒性，但是其對(duì)于隨機(jī)的噪聲和非單調(diào)線性的光照變化非常的敏感。針對(duì)此因素，Jabid 等人 提出了魯棒性更好的特征提取方法LDP。LDP 算法和LBP 算法很相似，但它是通過(guò)與Kirsch 算子卷積求和后得到了中心像素點(diǎn)的鄰域灰度值 。由于邊緣梯度值比像素灰度值更穩(wěn)定，所以LDP 算法對(duì)噪聲的魯棒性更好?；镜腖DP 編碼是將最主要的k 個(gè)鄰域灰度值設(shè)為1(即和Kirsch 算子 卷積求和后絕對(duì)值的k 個(gè)最大數(shù))，然后將8 個(gè)方向的鄰域值進(jìn)行編碼。這種方法會(huì)將最大的負(fù)數(shù)對(duì)應(yīng)的鄰域灰度值設(shè)為1，由于這些負(fù)數(shù)會(huì)干擾局部特征信息的提取，使得編碼后的中心灰度值不能很好反應(yīng)出該位置的局部特征信息，從而會(huì)降低人臉識(shí)別率。

針對(duì)與LDP 的這個(gè)缺點(diǎn)，Zhong Fujin 等人提出一種基于LDP 算法的ELDP(Enhanced Local DirectionalPatterns)算法 ，Adin Ramirez Rivera 等人提出了一種LDN(Local Directional Number Pattern)算法 。ELDP算法是在LDP 算法的基礎(chǔ)之上得到的，首先它將與Kirsch 算子計(jì)算后的八個(gè)方向值進(jìn)行排序，將最大的兩個(gè)正值對(duì)應(yīng)的位置設(shè)為1，其他位置設(shè)為0，然后將得到的兩個(gè)位置為1 的序號(hào)作為八進(jìn)制的兩位數(shù)，再將其轉(zhuǎn)化為十進(jìn)制數(shù)作為該中心點(diǎn)的像素灰度值，即ELDP 值。LDN 算法首先同樣是將與Kirsch 算子運(yùn)算后的8 個(gè)方向值進(jìn)行排序，選取最大的正值和最小的負(fù)值，然后將最大正值對(duì)應(yīng)的序號(hào)作為八進(jìn)制數(shù)的第1 位，將最小值的序號(hào)作為八進(jìn)制數(shù)的第0 位，再將這個(gè)兩位的八進(jìn)制數(shù)轉(zhuǎn)化為十進(jìn)制數(shù)作為該中心點(diǎn)的像素灰度值，即LDN 值。

以上對(duì)LDP 進(jìn)行改進(jìn)的算法是對(duì)8 個(gè)鄰域灰度值的序號(hào)進(jìn)行編碼，會(huì)丟失一些特征信息，針對(duì)這個(gè)問(wèn)題，本文提出了一種基于LDP 算法改進(jìn)后的局部定向模式(CLDP)。該算法通過(guò)與Kirsch 算子計(jì)算后得到的八個(gè)鄰域灰度值重新進(jìn)行編碼，不對(duì)其求絕對(duì)值，考慮負(fù)數(shù)的存在，然后將8 個(gè)計(jì)算后的鄰域值進(jìn)行大小判別，將最大的k 個(gè)正值設(shè)為1，其他8-k 個(gè)鄰域值設(shè)為0，再將這8 位二進(jìn)制數(shù)轉(zhuǎn)換為十進(jìn)制數(shù)，用該十進(jìn)制數(shù)值作為中心像素點(diǎn)的灰度值，即CLDP 值。CLDP 算法的編碼避免了LDP 算法將運(yùn)算后的鄰域?yàn)樨?fù)值作為編碼因子，同時(shí)也避免了LDN 算法和ELDP 算法將運(yùn)算后的最大鄰域值所對(duì)應(yīng)的序號(hào)作為編碼因子，這樣CLDP 值能更好的反應(yīng)出該位置的局部特征信息。

本文提出的CLDP 算法用在三個(gè)人臉數(shù)據(jù)庫(kù)中分別進(jìn)行識(shí)別實(shí)驗(yàn)，并和LDP 算法，LDN算法以及ELDP算法進(jìn)行比較。實(shí)驗(yàn)的結(jié)果表明，本文提出的方法具有較其他方法有著更好的識(shí)別性能。

1 CLDP 算法

1.1 LDP 算法

基于LBP 算法提出的局部定向模式(LDP)，是將一個(gè)3×3 矩陣塊(如下)分別與8 個(gè)Kirsch 算子M0～M7進(jìn)行運(yùn)算后得到的絕對(duì)值作為矩形塊周圍的像素灰度值，記為|mi|(i=0,1,…,7)，然后選取k 個(gè)最大絕對(duì)值數(shù)作為主要特征，并且將這k 位賦值為1，其余(8-k)位賦值為0，如圖1 所示。最后將這8 個(gè)數(shù)按照一定的順序編碼組成一個(gè)八位的二進(jìn)制數(shù)，再將其轉(zhuǎn)換為十進(jìn)制數(shù)，用這十進(jìn)制數(shù)作為該3×3 矩形塊的中心點(diǎn)的LDP特征值。

2 給出中心點(diǎn)鄰域灰度值具體數(shù)值，用Kirsch 算子對(duì)其進(jìn)行LDP 編碼運(yùn)算，當(dāng)k=3 時(shí)，如圖所示該中心點(diǎn)x 的LDP 特征值xLDP(k)=(10001001)2=137。

1.2 CLDP 算法

CLDP 算法是基于LDP 算法的一種改進(jìn)，其處理的開始部分與LDP 算法相同，也是將3×3 的矩陣塊與Kirsch 算子進(jìn)行運(yùn)算后，將得到的8 個(gè)值作為周圍鄰域的灰度值，然后將這8 個(gè)值中最大k 個(gè)值賦值為1，其余(8-k)個(gè)值賦值為0，從而也可以得到一個(gè)八位的二進(jìn)制數(shù)，再將其轉(zhuǎn)換為十進(jìn)制數(shù)用來(lái)表示中心像素點(diǎn)的灰度值，即為CLDP 特征值。

，其中mk為mi中最大的k個(gè)值。圖3給出中心點(diǎn)的鄰域灰度值，并對(duì)它進(jìn)行CLDP 編碼，則中心點(diǎn)x 的CLDP 值CLDP=(10010001)2=145。

圖4 的原圖像是來(lái)自于YALE 人臉庫(kù)中的一幅圖片，我們對(duì)它分別進(jìn)行LDP 算法和CLDP 算法特征提取，從圖中可以看出CLDP 算法提取特征后的圖像較LDP 算法特征提取后的圖像能更清晰真實(shí)的反映出原圖像的特征信息。

2 基于CLDP 的人臉識(shí)別描述

不同的人臉庫(kù)對(duì)應(yīng)的圖片大小規(guī)格和顏色都不一樣，在進(jìn)行人臉識(shí)別時(shí)，首先需將人臉庫(kù)中的圖片轉(zhuǎn)換成相同大小規(guī)格的灰度圖像。然后再將每一幅灰度圖像轉(zhuǎn)換為一維數(shù)列，這樣一個(gè)人臉庫(kù)就可以用一個(gè)二維矩陣數(shù)列來(lái)表示，其中每一列代表著一幅圖片。其中CLDP 算法的人臉識(shí)別過(guò)程如下圖5 所示。

對(duì)于同一個(gè)人，我們隨機(jī)選取幾張圖片作為訓(xùn)練圖片，其他的作為測(cè)試圖片，這樣可以將原來(lái)的人臉數(shù)據(jù)庫(kù)的二維矩陣分為一個(gè)訓(xùn)練的二維數(shù)據(jù)庫(kù)和測(cè)試的二維數(shù)據(jù)庫(kù)，然后將這兩個(gè)數(shù)據(jù)庫(kù)分別進(jìn)行CLDP算法處理。最后將CLDP 算法處理后訓(xùn)練圖片進(jìn)行PCA 降維處理，將訓(xùn)練圖像和測(cè)試圖像的CLDP 特征圖像投影到低維空間中，采用最近鄰方法進(jìn)行分類識(shí)別。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 k 值的選取

為了測(cè)試不同k 值對(duì)識(shí)別性能的影響，我們分別在YALE，JAFFE，ORL 人臉數(shù)據(jù)庫(kù)中分別進(jìn)行識(shí)別實(shí)驗(yàn)。YALE 人臉數(shù)據(jù)庫(kù)包含15 個(gè)人，每個(gè)人有11 幅人臉圖像，具有豐富的表情變化。實(shí)驗(yàn)時(shí)我們隨機(jī)選取每個(gè)人的5 幅圖像進(jìn)行訓(xùn)練，另外6 幅進(jìn)行測(cè)試；JAFFE 人臉數(shù)據(jù)庫(kù)包含有10 個(gè)人，每個(gè)人有7 種表情，每種表情3～4 張圖片，在測(cè)試時(shí)我們隨機(jī)選取每個(gè)人20 張圖片進(jìn)行試驗(yàn)，試驗(yàn)時(shí)選取每個(gè)人的15張圖片作為測(cè)試圖片，另外5 張作為訓(xùn)練圖片；ORL 人臉數(shù)據(jù)庫(kù)包含40 個(gè)人，每個(gè)人有10 張不同光照和姿態(tài)下的圖片，在試驗(yàn)時(shí)我們選取每個(gè)人的任意5 張圖像進(jìn)行訓(xùn)練，其余5 張進(jìn)行測(cè)試，降維的維數(shù)均選擇為30。由于C81=C87，所以當(dāng)k=1時(shí)和k=7時(shí)識(shí)別率是一樣的 ，因此只需要比較k={1,2,3,4}時(shí)分別對(duì)應(yīng)的識(shí)別率。每一組實(shí)驗(yàn)都是進(jìn)行10 次測(cè)試后，選取平均值作為最終的測(cè)試數(shù)據(jù)。實(shí)驗(yàn)結(jié)果如表1 所示。由表1 中可以得出三種人臉庫(kù)下，當(dāng)k=3 時(shí)，CLDP 算法對(duì)應(yīng)的人臉識(shí)別率最高。

3.2 CLDP 算法和其他算法識(shí)別率比較

我們將本文提出的CLDP 算法以及PCA，LDP，LDN，ELDP 算法分別在YALE，JAFFE，ORL 人臉數(shù)據(jù)庫(kù)中分別進(jìn)行測(cè)試。同實(shí)驗(yàn)3.1 一樣，在YALE 人臉庫(kù)中選取測(cè)試人數(shù)為6，在JAFFE 中選取測(cè)試人數(shù)為15，在ORL 人臉庫(kù)中選取測(cè)試人數(shù)為5。實(shí)驗(yàn)過(guò)程中，設(shè)k 值為3，降維的維數(shù)為30，每一組實(shí)驗(yàn)進(jìn)行10 次，選取平均值作為最終識(shí)別結(jié)果。表2 列舉了各種算法在不同的人臉庫(kù)下的識(shí)別率。

由表2 可以看出不同的人臉庫(kù)下，CLDP 算法對(duì)人臉的識(shí)別率高于其他算法的識(shí)別率。

3.3 CLDP 算法魯棒性測(cè)試

為了驗(yàn)證CLDP 算法的魯棒性，本文還進(jìn)行了以下兩個(gè)測(cè)試，這兩組試驗(yàn)分別都是在YALE，JAFFE和ORL 三個(gè)人臉庫(kù)中進(jìn)行的，其k 值都選取為3。第一組測(cè)試實(shí)驗(yàn)是在固定降維的維數(shù)為30 的情況下，改變實(shí)驗(yàn)的測(cè)試人數(shù)來(lái)觀察LDP，ELDP，LDN 和CLDP 四種算法對(duì)人臉識(shí)別率的影響。在YALE 數(shù)據(jù)庫(kù)中將每個(gè)人的測(cè)試圖片數(shù)分別選取為5，6，7，8，9；在JAFFE 數(shù)據(jù)庫(kù)選擇測(cè)試圖片數(shù)為12，13，14，15，16；在ORL 數(shù)據(jù)庫(kù)中選取測(cè)試圖片數(shù)為4，5，6，7，8。另一組測(cè)試實(shí)驗(yàn)是在測(cè)試人數(shù)固定的情況下，改變降維的維數(shù)來(lái)觀察LDP，ELDP，LDN 和CLDP 算法對(duì)人臉識(shí)別率的影響。在YALE 人臉庫(kù)中，固定測(cè)試人數(shù)為7，JAFFE 數(shù)據(jù)庫(kù)中固定測(cè)試人數(shù)為15，ORL 數(shù)據(jù)庫(kù)中測(cè)試人數(shù)為5。實(shí)驗(yàn)結(jié)果如圖6，7 所示。

從圖6 中可以看出在降維維數(shù)固定在30 情況下，四種算法的人臉識(shí)別率隨著測(cè)試人數(shù)的增加而減小，但CLDP 算法的人臉識(shí)別雖然在減小，但依然保持著較高的識(shí)別率，且減小的幅度也較小。

從圖7 中可以看出在測(cè)試人數(shù)固定的情況下，四種算法的人臉識(shí)別率隨著維數(shù)的增加而增加，而CLDP算法始終保持著較高的識(shí)別率。

由上面的兩圖可以發(fā)現(xiàn)，在相同的降維維數(shù)前提下，基于CLDP 算法的人臉識(shí)別魯棒性要好于其他算法，同樣，在測(cè)試圖像數(shù)相同的前提下，基于CLDP 算法的人臉識(shí)別魯棒性也要高于其他算法。

通過(guò)以上實(shí)驗(yàn)表明，CLDP 算法對(duì)人臉的識(shí)別在不同的人臉數(shù)據(jù)庫(kù)中都有著很高的識(shí)別率，且CLDP算法對(duì)人臉的識(shí)別率較LDP 算法和改進(jìn)后的LDN 與ELDP 算法都要高，同樣CLDP 算法在測(cè)試圖像相同的情況下和在提取特征維數(shù)相同的情況下，魯棒性都高于其他幾種算法。

4 結(jié)論

本文提出了一種基于局部定向模式的CLDP 算法，該算法將與Kirsch 算子運(yùn)算后的正值作為編碼對(duì)象，從而提高識(shí)別率。實(shí)驗(yàn)表明，該算法在YALE，ORL，JAFFE 等人臉數(shù)據(jù)中都有著很好的識(shí)別性能，并且較LDP，LDN 和ELDP 算法有著更高的識(shí)別率，同樣CLDP 算法也有著較其他幾種算法更好的魯棒性。