基于單演主方向中心對稱(chēng)局部二值模式的單樣本人臉識別

6.1 不同參數對識別率的影響

6.1.1 通道數dr對識別率的影響

　　為了找到MDOCSBP算法最佳通道數，在A(yíng)R人臉庫上，固定分塊數為11×11;Extend Yale B上固定分塊數為15×15;

　　由圖6和圖7可知，AR人臉庫光照子集在dr取6時(shí)有最佳識別;表情子集在dr取7時(shí)有最佳識別率;遮擋集A和遮擋集B均在r取5時(shí)有最佳識別率;Extend Yale B各子集人臉庫在通道數dr在9左右都取得了不錯的識別效率。通道數dr在4、5、6時(shí)，由于通道數過(guò)少，尋找的單演主方向過(guò)于粗糙，導致不同人臉庫的識別率都變化較大。

6.1.2 不同分塊數對識別率的影響

　　為了找到MDOCSBP算法最佳分塊數，在A(yíng)R人臉庫上，固定通道數為6;Extend Yale B上固定通道數為9;

　　由圖7和圖8可知，AR人臉庫的最佳分塊數在13×13左右，Extend Yale B人臉庫的最佳分塊數為15×15;合理的分塊方式能有效的提取圖像的局部紋理特征,過(guò)少的分塊數不能很好的體現人臉的局部紋理細節, 而過(guò)多的分塊數又會(huì )產(chǎn)生特征冗余而降低識效果, 同時(shí)也會(huì )使特征維數增加，計算花費時(shí)間也越長(cháng)。

6.2 不同算法識別性能比較

　　為了驗證MDOCSBP算法的有效性，分別與文獻提出的CS_LBP算法、MBP 算法、PDO算法 、LGBP算法進(jìn)行對比實(shí)驗。MDOCSBP算法在A(yíng)R人臉庫上分塊數取13×13，通道數dr分別取各子集的最優(yōu)值;在Extend Yale B人臉庫上分塊數取15×15，各子集的通道數dr取9。不同算法在A(yíng)R人臉庫、Extend Yale B人臉庫上的識別率如表1、表2所示。

　　從表1，表2可以看出，MBP算法 、PDO算法、LGBP算法、MDOCSBP算法在A(yíng)R人臉庫上都取得不錯的識別效果，但在遮擋子集上，算法MDOCSBP和MBP算法表現的更為突出。在復雜光照條件下的Extend Yale B人臉庫結果顯示，各算法在光照條件良好的子集1、子集2、子集3都表現出較高的識別效果，但在光照變化較大的子集4 和子集5，算法CS_LBP、MBP、LGBP都受到劇烈影響，PDO算法識別率也有一定幅度的下降，而 MDOCSBP算法表現優(yōu)異。CS_LBP算法直接對圖像像素進(jìn)行編碼，提取特征比較單一;MBP對圖像進(jìn)行單演濾波來(lái)獲得不同尺度下的多種局部模式圖在A(yíng)R人臉庫取得了較好的識別效果，但對光照變化較大的圖像便顯得乏力。PDO算法是對圖像的梯度信息求取主方向進(jìn)行特征提取，對光照變化有一定的魯棒性。LGBP算法提取的是Gabor變換后5個(gè)尺度8個(gè)方向的特征，在A(yíng)R人臉庫上取得了較好的識別效果，但特征維數及計算時(shí)間較大。算法MDOCSBP 利用單演局部幅值和局部方向提取的主方向，能充分挖掘方向信息，識別效果好，對光照魯棒性強。

6.3 特征維數與時(shí)間分析

　　為對比各算法的復雜度，以AR人臉庫每人第一幅圖像作訓練樣本，光照集作測試集，所有方法的分塊數均為8×8，測試各算法完成對一張人臉圖像進(jìn)行識別需要特征提取與匹配時(shí)間。

　　由表3可以看出，在相同分塊數的情況下，MDOCSBP算法無(wú)論特征維數還是各階段的所需時(shí)間都小于MBP和LGBP算法，尤其是LGBP算法由于提取的特征過(guò)于冗長(cháng)，導致特征提取及匹配時(shí)間不如人意;與PDO算法相比，MDOCSBP算法由于特征長(cháng)度較小，在匹配階段也有一定優(yōu)勢。由以上分析可知，MDOCSBP算法相比對比算法具有較小時(shí)間和空間復雜度。

7 結論

　　在單演濾波的基礎上提出了基于單演主方向中心對稱(chēng)局部二值模式的單樣本人臉識別的方法， MDOCSBP算法充分利用人臉圖像單演局部幅值與局部方向信息，采用CS_LBP算子進(jìn)行編碼，最終通過(guò)分塊直方圖進(jìn)行識別。在A(yíng)R、Extend Yale B人臉庫各子集都有較高識別，且對光照有不錯的魯棒性，證明了MDOCSBP算法的有效性。

　　參考文獻：

　　[1]李康順,李凱,張文生.一種基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò )的PCA人臉識別算法[J].計算機應用與軟件,2014,(01):158-161.

　　[2]楊恢先,翟云龍,蔡勇勇,等.基于中心對稱(chēng)梯度幅值相位模式的單樣本人臉識別[J].光電子·激光,2015(05):969-977.

　　[3]高濤,馬祥,白璘.采用自適應加權擴展LBP的單樣本人臉識別[J].光電子·激光,2012(04):782 -790.

　　[4]Vu N S, Caplier A. Mining patterns of orientations and magnitudes for face recognition[C]. In Proc. Int. Joint Conf. Biometrics (IJCB), 2011:1-8.

　　[5]Wenchao Zhang,Shiguang Shan,Xilin Chen,Wen Gao. Local Gabor Binary Patterns Based on Mutual Information for Face Recognition.[J].Int. J. Image Graphics,2007,7.

　　[6]于明,胡全勝,閻剛,等.基于LGBP特征和稀疏表示的人臉表情識別[J].計算機工程與設計,201305 (05):1787-1791.

　　[7] M. Felsberg,G. Sommer, "The monogenic signal," in IEEE Transactions on Signal Processing,2001(10):3136-3144,

　　[8] 閆海停,王玲,李昆明,等.融合MBP和EPMOD的人臉識別[J].中國圖象圖形學(xué)報,2014,01:85-91.

　　[9] M.Yang, L.Zhang, S. C. K. Shiu,etc. Monogenic Binary Coding: An Efficient Local Feature Extraction Approach to Face Recognition[J],IEEE Transactions on Information Forensics and Security, 2012(10):1738-1751.

　　本文來(lái)源于《電子產(chǎn)品世界》2017年第9期第69頁(yè)，歡迎您寫(xiě)論文時(shí)引用，并注明出處。