第 29 卷 第 1 期 计算机辅助设计与图形学学报 Vol. 29 No.1 2017 年 1 月 Journal of Computer-Aided Design 修回日期: 2016-10-13. 基金项目: 湖南省自然科学基金(14JJ3077); 湘潭大学博士启动基金(KZ08079). 杨恢先(1963), 男, 硕士, 教授, 主要研究方向为模式识别、数字图像处理; 贺迪龙(1990), 男, 硕士研究生, 主要研究方向为模式识别、嵌入式系统; 刘 凡(1990), 男, 硕士研究生, 主要研究方向为模式识别; 刘 阳(1992), 男, 硕士研究生, 主要研究方向为模式识别; 刘 昭(1986), 男, 硕士研究生, 主要研究方向为模式识别. 基于双向梯度中心对称局部二值模式的单样本人脸识别 杨恢先, 贺迪龙, 刘 凡, 刘 阳, 刘 昭 (湘潭大学物理与光电工程学院 湘潭 411105) (yanghxxtu.edu.cn) 摘 要: 针对单样本情况下传统人脸识别方法识别效果不佳的问题, 提出一种双向梯度中心对称局部二值模式(BGCSBP)的单样本人脸识别算法. 首先获取人脸水平和垂直方向的梯度信息, 并将其用 CS-LBP 算子进行编码; 然后将二者融合成人脸的 BGCSBP 特征, 再通过分块统计直方图的方式得到人脸的直方图特征; 最后采用直方图相交进行分类识别. 在 CAS-PEAL, Extend Yale B和 AR 人脸数据库上的实验结果表明, 该算法简单有效, 对光照、表情、部分遮挡变化具有较好的鲁棒性. 关键词：人脸识别; 单样本; 双向梯度; 中心对称局部二值模式; 直方图相交 中图法分类号：TP391.41 Face Recognition Based on Bidirectional Gradient Center-Symmetric Local Binary Patterns Yang Huixian, He Dilong, Liu Fan, Liu Yang, and Liu Zhao (School of Physics and Optoelectronic, Xiangtan University, Xiangtan 411105) Abstract: To overcome the limitations of traditional face recognition methods for single sample, a novel method of face recognition based on bidirectional gradient center-symmetric local binary pattern (BGCSBP) is proposed. Firstly horizontal gradient and vertical gradient of face image are calculated, and center-symmetric local binary pattern (CS-LBP) is proposed to encode the gradient. Secondly the proposed BGCSBP is the combination of the CS-LBP of horizontal gradient and vertical gradient. BGCSBP feature maps are divided into several blocks and the concatenated histogram features calculated over all blocks are used for the feature descriptor of face recogni-tion, and the recognition is performed by using the histogram cross. This experimental results on CAS-PEAL, Extend Yale B and AR face databases show that the algorithm is simple and effective, and robust to variations of face illumination, face expression and partial occlusion conditions. Key words: face recognition; single sample; bidirectional gradient; center-symmetric local binary pattern; histo-gram cross 人脸识别是模式识别和机器视觉领域的研究热点, 具有采集方便、非侵犯性等优点, 在司法、安保等领域得到了广泛的应用1. 在某些特殊场合, 如身份验证、法律实施等, 每人只能得到一幅图像作为训练样本, 因而产生了单样本人脸识别问题2. 在这种单样本情况下, 多数传统的识别方法如PCA3, LDA4的识别性能将严重下降. 因此单样本人脸识别成为了人脸识别研究中的一个重要 第 1 期 杨恢先, 等: 基于双向梯度中心对称局部二值模式的单样本人脸识别 131 方向5. 目前, 单样本人脸识别的主要方法有提取不变特征、 样本增强、 样本扩张、 特征子空间扩展、通用学习框架等6. 其中, 提取不变特征是解决单样本问题的有效方法7, 因此提取有效的人脸特征信息是人脸识别的关键步骤8. 局部二值模式9(local binary patterns, LBP)是一种有效的局部纹理描述算符, 能较快速、准确地提取图像的局部纹理特征, 但其提取的数据维数通常较高. 因此, 文献10提出一种 LBP 改进算子中心对称局部二值模式(center-symmetric local binary pattern, CS-LBP), 能有效地提取局部纹理特征, 且其得到的特征数据维数只有 LBP一半. 文献11提出一种基于梯度脸(gradient faces, GF)的特征描述符, 将人脸的梯度信息替代原来人脸的灰度值信息进行特征提取, 对具有光照变化的人脸具有较好的识别效果. 文献12提出一种基于 Gabor 滤波的二值模式方法(histogram sequence of local Gabor binary patterns, HSLGBP), 将一幅图像通过多尺度的Gabor变换得到40幅不同的Gabor特征图像, 取得了较好的识别效果, 但其特征维数较高、耗时较长. 文献13提出一种基于单演滤波和局部二值模式的人脸识别方法(monogenic binary patterns, MBP), 取得了较好的实验效果. 文献14提出一种基于中心对称梯度幅值相位模式(center-symmetric gradi-ent magnitude and phase patterns, CSGMP)的人脸识别算法, 该算法将人脸图像进行梯度变换后, 用CS-LDP14进行特征提取, 利用幅值信息和相位信息的互补性增强人脸的特征描述, 取得了较好的识别效果. 受文献11, 14的启发, 本文提出一种基于双向梯度中心对称局部二值模式(bidirectional gradient center-symmetric local binary pattern, BGCSBP)的单样本人脸识别方法. 首先获取人脸图像 2 个方向的梯度信息并将其用 CS-LBP 算子进行编码, 然后将得到的 4 位水平方向梯度 CS-LBP 编码与 4 位垂直方向梯度 CS-LBP 编码组合成 8 位BGCSBP 特征, 再通过分块统计直方图的方式得到人脸的直方图特征, 最后采用直方图相交进行分类识别. 1 梯度分量脸 梯度能体现图像信息的变化情况, 将式高斯函数的一阶导数与人脸图像分别进行卷积运算 22221( , ,)exp 22xyG x y (1) 得到人脸图像水平方向和垂直方向的梯度分量 ( , ,)( , ,)xxyyFFGx yFFGx y . 其中, F 表示输入的人脸图像; *表示卷积操作; Gx(x,y,)和 Gy(x,y,)分别表示高斯函数水平方向和垂直方向的一阶导数; G(x,y,)表示标准差为的高斯函数; Fx和 Fy分别表示人脸图像水平和垂直方向的梯度分量. 人脸图像在水平和垂直方向的梯度分量脸如图 1 所示. a. 原图 b. 水平方向梯度脸 c. 垂直方向梯度脸 图 1 不同方向梯度脸 2 中心对称局部二值模式 LBP 是一种基于局部模式的纹理算子, 其基本思想是在半径为 R 的圆形邻域内, 选取与中心像素点的距离相等的 P 个采样点 gi(i=0,1,P1)与中心像素点 gc的灰度值进行比较, 当比值大于等于0时, 相应的二进制编码位则为1, 反之为0; 并将二进制数转化为十进制数得到 LBP 值, 记作 LBP(P,R). CS-LBP 是在 LBP 基础上采用中心对称思想对图像进行编码的局部纹理描述算子. CS-LBP 算子通过比较以中心像素点为中心的像素值对 gi与gi+4(i=0,1,2,3)的灰度值大小, 当比值0时, 相应的二进制编码位则为 1, 反之为 0. 并将二进制数转化为十进制数得到 CS-LBP 值, 记作 CS-LBP(P,R). LBP与 CS-LBP 特征提取过程如图 2 所示. 图 2 CS-LBP 特征提取流程 132 计算机辅助设计与图形学学报 第 29 卷 LBP 与 CS-LBP 的码值计算公式为 1( , )c 0 (2) 1( , )(2) 0LBP( , )() 2CS-LBP( , )() 2Ni P Ri i N i P RiiN ix ys ggx ys gg (2) 其中, 1, 0( )0, 0s xxx, (P,R)表示圆邻域, R为圆的半径, P 为圆周上像素点个数, 且 N=P, gc为中心点像素, gi为圆周上的 P 个像素. 在(P,R)邻域内, LBP是以圆周上像素值与中心像素值比较, 能得到一个长度为 P 的二进制数; 而 CS-LBP 是以中心像素为中心对称的像素值对进行比较, 得到的是一个长度为 P/2 的二进制数. 由分析可知, CS-LBP 与LBP 的原理相似, 但 CS-LBP 在提取的特征维数、计算开销方面具有较明显的优势. 3 BGCSBP 3.1 人脸的 BGCSBP 特征 BGCSBP 特征提取过程如下: Step1. 将人脸图像分别和高斯函数的一阶导数进行卷积运算, 得到人脸图像水平方向梯度分量Fx和垂直方向的梯度分量Fy. Step2. 计算人脸图像水平方向梯度分量Fx和垂直方向的梯度分量Fy的CS-LBP特征, 得到编码值Gx , Gy. Step3. 将得到编码值Gx用4位二进制表示, 并将其作为BGCSBP模式二进制数的低4位; 将Gy用4位二进制表示, 并将其作为BGCSBP模式二进制数的高4位. 可以得到8位的BGCSBP编码. BGCSBP模式编码定义为 4BGCSBP =2xyGG; 其中, Gx与Gy的取值范围均为015, BGCSBP编码值的取值范围为0255. Step4. 对得到的BGCSBP图进行分块, 通过实验确定其最优分块数, 计算每一块的统计直方图特征, 并将所有分块的直方图特征串联起来构成人脸图像的BGCSBP特征. 3.2 人脸特征匹配 本文通过匹配