《基于局部边缘差异二值模式的人脸识别方法》由会员分享，可在线阅读，更多相关《基于局部边缘差异二值模式的人脸识别方法（5页珍藏版）》请在金锄头文库上搜索。
1、第 31 卷 第 4 期 2016 年 8 月 天津科技大学学报 Journal of Tianjin University of Science ;IgIgIgIg?(6)然后， 将九位二进制数转化为 0 至 511 之间的十进制 数， 如图 4 所示 (4)最大的 LEDBP 编码计算完后， 整幅图像都 被 0 至 511 之间的数进行了重新编码， 这幅图像就可 以用式(7)建立的直方图进行表示 ( )()()LEDBP 11,0,511MNjkHlf LEDBP j kll=()1,0xyf x yxy=(7)式中： M， N 表示图像矩阵的行数和列数； (j， k)表示 第 j 行第
2、k 列所对应的像素点 其余 7 个 LEDBP 编码值也分别联立组成直方 图， 因此， 图像的特征向量维度为 8512 图 3 8个边缘差异值及其 LTPU编码(T5) Fig. 3 Eight edge difference and LTPU code(T5) 图 4 中心点的最大 LEDBP编码值计算过程 Fig. 4 Computing of the maximum LEDBP of the center pixel 下面以图 3 为例进行实例说明 首先计算中心 像素(灰度值为 16)与周围 8 个相邻像素的灰度差异值， 可以得到“9、 10、 9、 14、 11、 5、 2、 1” ，
3、 按绝对值大小排序后得到“14、 11、 10、 9、 9、 5、 2、 1”， 使用 LTPU 编码得到八位二进制数 “01,010,000” 然后使用相同的计算方法计算周围 8 个点的边缘差异值并使用 LTPU 进行编码得到了 9 个八位二进制数， 如图 5 所示 取 9 个八位二进制数 的第一位组成最大差异值的 LEDBP 编码值， 其他七 位也依次组成 7 个 LEDBP 编码值 分别将计算得到72 天津科技大学学报 第 31 卷 第 4 期 的 8 个 LEDBP 编码值按照顺序构建直方图， 然后将 8 个直方图联立， 最终得到 8512 的 LEDBP 特征 向量 图 5 计算第一
4、大至第八大的 LMEDBP编码值 Fig. 5 LMEDBP of the 1st maximum to 8th maximum 3 实 验 3.1 识别率 为了测试提出方法的性能， 在 ORL 和 Yale 两个 著名的人脸数据库上进行了实验 ORL 数据库21包 含 40 人的人脸图像， 每人有 10 幅 112 像素92 像 素的不同的图像， 在不同时间拍摄， 且具有不同表 情、 姿态和面部细节 Yale 人脸数据库22包含 15 人， 每人 11 张不同表情、 姿态和受光照影响的人脸图 像， 每幅图像大小为 100 像素80 像素 在 ORL 数据库上， 将 LEDBP 与局部二值模式
5、 (LBP)和局部图模型(LGP)进行比较 使用 LBP 和 LGP 编码后建立直方图， 利用主成分分析方法 (PCA)进行降维， 贡献率取 0.95 最后利用极限学习 机(ELM)23进行分类， 分别随机取每个人的 5 幅、 6 幅、 7 幅、 8 幅和 9 幅图像作为训练样本， 然后对应的 剩下的 5 幅、 4 幅、 3 幅、 2 幅和 1 幅图像用于测试 4 组实验每组重复作 10 次后计算平均识别率， 实验结 果见表 1 表 1 ORL数据库上平均识别率的比较 Tab. 1 Comparison of the average recognition rate in ORL databa
6、se 平均识别率/%, 训练样本数 LBP LGP LEDBP 5 65.50 69.50 74.25 6 68.75 71.88 77.50 7 70.83 73.33 78.33 8 72.50 81.25 88.75 9 75.00 80.00 90.00 在 Yale 数据库上进行实验， 每个人的训练样本 数和测试样本数分别取 6 和 5、 7 和 4、 8 和 3、 9 和 2、 10 和 1 实验过程与在 ORL 数据库上一致， 利用 LBP 和 LGP 以及提出的 LEDBP 方法对图像进行编码后建立直方图， 然后使用 PCA 降维， 使用 ELM 进 行分类， 实验结果见表 2
7、 表 2 Yale数据库上平均识别率的比较 Tab. 2Comparison of the average recognition rate in Yale database 平均识别率/%, 训练样本数 LBP LGP LEDBP 6 72.00 57.00 72.00 7 75.00 61.67 86.11 8 75.56 68.89 87.41 9 69.25 70.00 86.67 10 80.00 80.00 93.33 由表 1 和表 2 可以看出： 在 ORL 数据库上 LGP 的识别率高于 LBP， 但是 LEDBP 是最高的； 在 Yale 数据库上 LBP 的识别率高于 L
8、GP， 但 LEDBP 的识 别率仍然是最高的 因此， 相对于传统的 LBP 以及 LGP 人脸识别方法， 基于 LEDBP 的人脸识别方法具 有更高的识别率 3.2 时间效率 为了测试提出方法的特征提取时间效率， 本实验 选取了 ORL 人脸数据库中的一幅图片进行测试， 图 片大小为 112 像素92 像素， 实验结果见表 3 表 3 单幅图片上特征提取时间的比较 Tab. 3Comparison of the feature extraction time on a single picture 实验算法 LBP LGP LEDBP 所用时间/s 0.288 0.543 6.699 由表
9、3 可看出， 由于本文提出的 LEDBP 方法扩 大了计算范围(55)， 获取了更多的特征差异信息， 因此在时间效率上较 LBP 和 LGP 低 4 结 语 本文在 LBP 和 LMEBP 的基础上提出了一种改 进的 LEDBP 人脸识别方法， 其充分利用了图像的边 缘像素灰度值差异信息对人脸图像进行表示 该方 法提取了中心像素点与边缘像素点的灰度值大小关 系， 并且依据边缘差异值大小将边缘分成 8 部分， 因 此提供了比 LBP 方法更完整的图像表示 LEDBP 很 好地解决了 LMEBP 对图像中较小灰度值变化敏感 的问题， 对图像局部特征的描述更具有鲁棒性 实验 结果表明： 相对于传统的
10、 LBP 以及 LGP 人脸识别方 法， 基于 LEDBP 的人脸识别方法具有更高的识别 率 但由于 LEDBP 计算单元大， 获取的图像特征信2016 年 8 月 杨巨成，等：基于局部边缘差异二值模式的人脸识别方法 73息多， 因此时间效率相对较低 参考文献： 1 周德龙. 人脸识别技术研究D. 西安： 西北工业大学， 2001. 2 吴巾一， 周德龙. 人脸识别方法综述J. 计算机应用研究， 2009， 26(9)： 3205-3209. 3 Turk M A， Pentland A P. Eigenfaces for recognitionJ. Journal of Cognitive
11、Neuroscience， 1991， 3(1)： 71-86. 4 Etemad K， Chellapa R. Face recognition using discrimi-nant eigenvectorsC/Proceedings of IEEE International Conference on Acoustics， Speech， & Signal Processing. Piscataway： IEEE， 1996： 2148-2151. 5 Gottumukkal R， Asari V K. An improved face recogni-tion technique b
12、ased on modular PCA approachJ. Pat-tern Recognition Letters， 2004， 25(4)： 429-436. 6 Wiskott L， Fellous J M， Kuiger N， et al. Face recognition by elastic bunch graph matchingJ. IEEE Transactions on Pattern Analysis and Machine Intelligence， 1997，19(7)： 775-779. 7 Ahonen T， Hadid A， Pietikainen M. Fa
13、ce recognition with local binary patternsJ. Lecture Notes in Computer Science， 2004， 3021： 469-481. 8 Ojala T， Pietikainen M， Harwood D. A comparative study of texture measures with classification based on feature distributionsJ. Pattern Recognition， 1996， 29(1)： 51-59. 9 潘泓， 金立左， 夏思宇， 等. 基于多层次互补特征的
14、通用目标检测模型J. 电子与信息学报， 2012， 34(7)：1531-1537. 10 Chao W L， Ding J J， Liu J Z. Facial expression recogni-tion based on improved local binary pattern and class-regularized locality preserving projectionJ. Signal Processing， 2015， 117： 1-10. 11 徐杜功， 丁召， 刘桥. 基于稀疏表达和改进的 LBP 算子的人脸表情识别J. 计算机应用与软件， 2013(4)：246
15、-248. 12 Yao C H， Chen S Y. Retrieval of translated， rotated and scaled color texturesJ. Pattern Recognition， 2003，36(4)： 913-929. 13 Guo Z H， Zhang L， Zhang D， et al. Rotation invariant texture classification using adaptive LBP with directional statistical featuresC/Proceedings of the 17,th IEEE In-ternational Conference on Image Processing. Piscatawy：IEEE， 2010： 285-288. 14 Guo Z H， Zhang L， Zhang D. Rotation invariant texture classification using LBP variance(LBPV)with global matchingJ. Pattern Recognition， 2010， 43(3)： 706-719. 15 Subra
