基于LBPH算法的人脸识别算法研究与设计
来源:用户上传
作者:邓垲镛 赵慧元 田刚 张蓥
【摘 要】人脸识别技术是一种根据人脸的特征信息进行身份判定的技术，此技术经过几十年的发展，由弱人工智能向强人工智能转化，论文提出了一种Python语言利用LBPH算法提取人脸特征、实现人脸识别的方法。
【Abstract】Face recognition technology is a kind of identification technology based on face feature information. After decades of development， this technology has been transformed from weak artificial intelligence to strong artificial intelligence. This paper proposes a method of extracting face features and realizing face recognition by using LBPH algorithm in Python language.
【关键词】人脸识别;特征提取;LBPH
1 引言
根据《“十三五”国家科技创新规划》，人工智能被作为其中一项新一代信息技術，被列入规划之中。而人脸识别技术则是人工智能最典型的应用，在国内外已有一定的研究和应用基础，尤其在公共管理、安全防盗、电商交易、身份核查、资产保护等方面，与其他生物识别技术相比，其准确性、稳定性和普遍性都有相当的优势，为政府企业和民众都带来了高效和便利[1]。
人脸识别技术，属于生物识别技术的一种，利用摄像头或者摄像机等图像采集仪器采集人的脸部形成视频流，此技术从视频流中采集一帧帧图片，把图中的每一个像素点转化成数据后，从数据中测量出五官的大小和距离，这些数值转化成数码，也就是每个人独一无二的脸部识别码，并存储到数据库中。此后，每当有人脸被扫描时也能自动计算其脸部识别码，一旦与数据库所存储的有吻合，则会识别出其身份。
2 国内外研究现状分析
目前人脸识别的算法主要有以下三种。
方法一：基于PCA（主成分分析原理）的Eigenface（特征脸）算法。通过PCA降维的方法对一系列人脸求得每个人的显著特征脸向量，经过多次训练建立特征脸子空间，此后一旦输入一个被有检测的人脸数据，系统会将数据投影到特征脸子空间中进行比较，如有与之相似的特征脸向量，则识别出其身份。优点是大大压缩数据，消除冗余，消除噪音，投影方差达到最大。缺点是主成分的特征维度肯定比原始图像的模糊，不排除非主成分也含有重要的样本差异信息，特征信息在一定程度上有所丢失[2]。
方法二：基于LDA（线性判断分析原理）的Fisher Face方法。通过求对象之间的最大类间方差和最小类内方差，形成离散矩阵并求出特征值和特征向量后，再进行LDA降维，经过反复训练后形成特征脸子空间[3]。把被测人脸映射到子空间中进行对比，从而判断身份。优点是利用高维数据可提高识别的准确性。缺点是计算量大，影响效率。
方法三：基于局部特征提取的LBPH（局部二进制编码直方图）方法，通过LBPH算法提取灰度值图像的特征，然后数据库中已训练好的人脸LBPH特征进行比对，且分类识别，从而识别出被测对象。优点在于计算量降低，运行速度快，且基本不受光线和图像旋转的影响。
3 研究方法、目标、内容和关键问题
根据以上分析，方法一和方法二都以浮点数运算为主，符合数据统计与处理的原理，LBPH方法是从提取局部纹理特征入手，更符合图像处理的原理，以整数计算为主，运算速度快且兼顾到识别的准确率，因此，本研究采用方法三，基于局部特征提取的LBPH方法。
研究目标是识别出视频单个或多个对象的身份。
研究内容包含静态人脸识别、动态人脸识别、多对象识别、无关对象识别等方面。
由于人脸的特点有很多共同性特征，如果在视频中出现训练集中没有对象时，系统如何快速准确地判断，是本研究中拟解决的关键问题。
4 设计过程
基于LBPH算法人脸识别的研究过程如图1所示。
步骤一：图像灰度化处理。
先把彩色图像灰度化处理，使得其每个像素点都用灰度值来表示，并用双线性差值法求出相邻两个像素点之间的灰度值。
步骤二：分割区域。
把整个图像分割成多个方格区域，识别准确度会随区域数量的增大而提高，相应的计算量也会相应提高。
步骤三：使用LBPH方法提取局部特征。
①编码
在每个分割区域中，以每个像素为中心，判断其与圆形周围的像素点灰度值的大小关系，对周围点进行0或1的编码，从而得到该点的进制编码，并推断和区分出该区域是否为点、线、边缘、角点等情况。
②降维
由于每个像素点的灰度值范围为0～256，一共266种可能的数据待处理，依据尽量减少数据处理量的处理原则，本研究通过ULBP的方法进行降维，减少计算量，提高运算速度，使得系统能实时响应。
③形成二进制编码直方图
把整个图像分割成多个方格区域，每个区域中的每个像素点都会有LBP和ULBP的值，统计这些数据时形成该区域的LBPH图，然后把每个区域的直方图连接起来，形成整幅图像的特征向量的直方图[4]。
④构建二进制编码直方图集合
多个对象的直方图被存储到数据库中，则形成LBP编码直方图集合。
步骤四：人脸识别和匹配。
日后将对被检对象的LBPH图与前边构建的二进制编码直方图集合进行比较，从而得到分类结果。
5 结语
本研究是在phcharm的开发环境下，使用Python语言，调用open CV程序库，来设计和实现LBPH的识别功能。为了能提高识别效率，可在卷积神经网络中加入LBPH图像信息，并增大训练的次数，尝试在训练中加入卷积[5]，使算法更符合实际应用的需要，提高应用广度，增强市场效益。
【参考文献】
【1】陈思琪，赵豪越，王静一，等.人脸识别概述[J].综合论坛，2018（1）：226.
【2】尚丽娜，石晴瑶，方健.基于OpenCV的人眼检测及疲劳判断[J].探索与观察，2018，06（21）：19-23.
【3】张枝令.Python实现基于深度学习的人脸识别[J].视觉，2018，05（19）：47-96.
【4】朱峰.一种基于多尺度 LBPH 特征的快速人脸识别算法[J].计算机应用与软件，2015，08（32）：315-319.
【5】罗丽红，刘春晓，柯灵.基于二进制多层 GELM 的异质人脸识别模型[J].现代电子技术，2018，09（23）：38-43.
转载注明来源:https://www.xzbu.com/3/view-15189911.htm
