基于單演主方向中心對(duì)稱局部二值模式的單樣本人臉識(shí)別

6.1 不同參數(shù)對(duì)識(shí)別率的影響

6.1.1 通道數(shù)dr對(duì)識(shí)別率的影響

　　為了找到MDOCSBP算法最佳通道數(shù)，在AR人臉庫上，固定分塊數(shù)為11×11;Extend Yale B上固定分塊數(shù)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(shí)別;表情子集在dr取7時(shí)有最佳識(shí)別率;遮擋集A和遮擋集B均在r取5時(shí)有最佳識(shí)別率;Extend Yale B各子集人臉庫在通道數(shù)dr在9左右都取得了不錯(cuò)的識(shí)別效率。通道數(shù)dr在4、5、6時(shí)，由于通道數(shù)過少，尋找的單演主方向過于粗糙，導(dǎo)致不同人臉庫的識(shí)別率都變化較大。

6.1.2 不同分塊數(shù)對(duì)識(shí)別率的影響

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

　　由圖7和圖8可知，AR人臉庫的最佳分塊數(shù)在13×13左右，Extend Yale B人臉庫的最佳分塊數(shù)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,過少的分塊數(shù)不能很好的體現(xiàn)人臉的局部紋理細(xì)節(jié), 而過多的分塊數(shù)又會(huì)產(chǎn)生特征冗余而降低識(shí)效果, 同時(shí)也會(huì)使特征維數(shù)增加，計(jì)算花費(fèi)時(shí)間也越長。

6.2 不同算法識(shí)別性能比較

　　為了驗(yàn)證MDOCSBP算法的有效性，分別與文獻(xiàn)提出的CS_LBP算法、MBP 算法、PDO算法 、LGBP算法進(jìn)行對(duì)比實(shí)驗(yàn)。MDOCSBP算法在AR人臉庫上分塊數(shù)取13×13，通道數(shù)dr分別取各子集的最優(yōu)值;在Extend Yale B人臉庫上分塊數(shù)取15×15，各子集的通道數(shù)dr取9。不同算法在AR人臉庫、Extend Yale B人臉庫上的識(shí)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AR人臉庫上都取得不錯(cuò)的識(shí)別效果，但在遮擋子集上，算法MDOCSBP和MBP算法表現(xiàn)的更為突出。在復(fù)雜光照條件下的Extend Yale B人臉庫結(jié)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(xiàn)出較高的識(shí)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(shí)別率也有一定幅度的下降，而 MDOCSBP算法表現(xiàn)優(yōu)異。CS_LBP算法直接對(duì)圖像像素進(jìn)行編碼，提取特征比較單一;MBP對(duì)圖像進(jìn)行單演濾波來獲得不同尺度下的多種局部模式圖在AR人臉庫取得了較好的識(shí)別效果，但對(duì)光照變化較大的圖像便顯得乏力。PDO算法是對(duì)圖像的梯度信息求取主方向進(jìn)行特征提取，對(duì)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AR人臉庫上取得了較好的識(shí)別效果，但特征維數(shù)及計(jì)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(shí)別效果好，對(duì)光照魯棒性強(qiáng)。

6.3 特征維數(shù)與時(shí)間分析

　　為對(duì)比各算法的復(fù)雜度，以AR人臉庫每人第一幅圖像作訓(xùn)練樣本，光照集作測試集，所有方法的分塊數(shù)均為8×8，測試各算法完成對(duì)一張人臉圖像進(jìn)行識(shí)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(shù)的情況下，MDOCSBP算法無論特征維數(shù)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于冗長，導(dǎo)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(duì)比算法具有較小時(shí)間和空間復(fù)雜度。

7 結(jié)論

　　在單演濾波的基礎(chǔ)上提出了基于單演主方向中心對(duì)稱局部二值模式的單樣本人臉識(shí)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，最終通過分塊直方圖進(jìn)行識(shí)別。在AR、Extend Yale B人臉庫各子集都有較高識(shí)別，且對(duì)光照有不錯(cuò)的魯棒性，證明了MDOCSBP算法的有效性。

　　參考文獻(xiàn)：

　　[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(shí)別算法[J].計(jì)算機(jī)應(yīng)用與軟件,2014,(01):158-161.

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

　　[3]高濤,馬祥,白璘.采用自適應(yīng)加權(quán)擴(kuò)展LBP的單樣本人臉識(shí)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(shí)別[J].計(jì)算機(jī)工程與設(shè)計(jì),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(shí)別[J].中國圖象圖形學(xué)報(bào),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.

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