基于Adaboost与LDP算法的人脸识别研究.pdf

第 51 卷收稿日期：2023年1月12日，修回日期：2023年2月18日作者简介：傅铭，男，硕士，研究方向：模式识别。刘从军，男，硕士，高级实验师，研究方向：智能信息处理。1引言近些年来身份识别广泛应用于实际生活中，而人脸识别具有易用性、互动性、稳定性等特点受到更多青睐12，例如购物结账时的刷脸付款和乘坐火车时的刷脸进站。为了能够提高人脸识别的正确率、减少识别时间，首先利用基于 YCbcr 模型的皮肤分割算法和Adaboost算法对采集到的图像进行人脸检测，确定人脸区域范围，之后再使用改进后的LDP算法提取特征识别人脸。2人脸检测2.1Adaboost实际生活中采集到的人脸图像不但包括人脸部分还有非人脸部分，在进行人脸识别之前首先要做好人脸检测，人脸检测的效果越好，之后的人脸识别就更省时、成功率更高。在人脸检测阶段使用总第 405 期2023 年第 7 期计算机与数字工程Computer&Digital EngineeringVol.51 No.7基于 Adaboost 与 LDP 算法的人脸识别研究傅铭1刘从军1，2（1.江苏科技大学计算机学院镇江212003）（2.江苏科大汇峰科技有限公司镇江212003）摘要针对人脸识别过程中识别时间和成功率等问题，提出一种基于改进Adaboost与LDP算法的人脸识别算法。对于采集到的图像首先使用基于YCbcr模型的皮肤分割算法，去除图像中的非人脸部分，减少图像的大小，节约特征提取的时间。再使用基于Adaboost的级联分类器检测出人脸区域。最后利用改进后的局部方向模式提取人脸特征进行人脸识别。使用yale人脸库作为样本集进行了实验，实验结果表明：结合了肤色分割的Adaboost算法检测成功率增加、耗时减少，改进后的LDP算法与传统LDP用时相差不大，但是识别成功率有所提高。关键词人脸检测；人脸识别；Adaboost；LDP中图分类号TP751DOI：10.3969/j.issn.1672-9722.2023.07.033Research on Face Recognition Based on Adaboost and LDPAlgorithmFU Ming1LIU Congjun1，2（1.School of Computer Science，Jiangsu University of Science and Technology，Zhenjiang212003）（2.Jiangsu KeDa Huifeng Technology Co.，Ltd.，Zhenjiang212003）AbstractAiming at the problems of recognition time and success rate in the process of face recognition，a face recognition algorithm based on improved Adaboost and LDP algorithm is proposed.For the collected images，firstly，the skin segmentation algorithm based on the YCbcr model is used to remove the non-face parts in the image，the size of the image is reduced，and the time offeature extraction is saved.Then the cascade classifier based on the Adaboost algorithm is used to detect the face area.Finally，theimproved local direction mode is used to extract facial features for face recognition.Experiments are carried out using the yale facedatabase as a sample set.Experiments are carried out using the yale face database as a sample set.The experimental results showthat the Adaboost algorithm combined with skin color segmentation has an increased detection success rate and reduced time consumption.The improved LDP algorithm has the same calculation time as the traditional LDP，but the recognition success rate hasseen an increase.Key Wordsface detection，face recognition，Adaboost，LDPClass NumberTP75116262023 年第 7 期计算机与数字工程基于 Adaboost 算法的人脸检测，主要有三部分工作，第一训练弱分类器，第二训练强分类器，第三得到级联分类器。首先通过训练Haar-Like矩形特征得到弱分类()x3，公式如下：()x=1 qf()x q0 oterwise，x表示学习图像，f()x即 Haar-Like特征值，表示区分人脸和非人脸区域的阀值，q为正一或者负一以此来控制不等号的方向，()x为符号函数。但是弱分类器的分类能力不强，只比随机分类精确一些，容易检测错误。第二将弱分类器训练成强分类器以提高人脸检测的效果4。训练过程如下：1）选取T个弱分类器，m个非人脸图像样本，n个人脸图像样本5。设所有样本为()x1y1，()x2y2()xm+nym+n，且当yi=1时表示样本为非人脸，yi=1时表示样本为人脸。2）初始化样本权重，非人脸样本为t()i=1 2m，人脸样本为t()i=1 2n。3）对当前样本权重t()i做归一化处理：t()i=t()ii=1m+nt()i。4）每个 Haar-Like 矩形特征训练一个弱分类器67，再计算每个弱分类器的加权错误率之和t，公式如下：t=i=1m+nt()i|t()xiyi，其中t()i表示第i个样本的权重，t()xiyi表示第t个弱分类器对第i个样本是否分类对。5）在所有弱分类器中选出加权错误率之和t最小的弱分类器t()x8。6）更新样本权重，公式如下：t=t()1tt+1()i=t()i 1et，其中t表示第t个弱分类器的加权错误率之和，t()i表示第i个样本的权重，t+1()i表示第i+1个样本的权重。7）如果tT，重复3）至6）的过程。8）最后得到强分类器为H()x=1t=1Ttt()x 12t=1Tt0oterwise，其中t=ln1 t，t()x表示第t个弱分类器，H()x为符号函数。第三将若干强分类器依次相连组成级联分类器9，前几级的强分类器由少量弱分类器训练得到，可以根据人脸典型特征快速区分人脸区域和非人脸区域，后几级的强分类器相对复杂，用以区分差异性较低的区域。在得到级联分类器之后，就可以以此进行人脸检测，采集到的图像首先进入第一级强分类器，任何被判断为零的区域都会被去除，只有被判断为一的区域才能进入到下一级，以此循环，直到通过所有强分类器，就可以确定图像中的人脸区域。2.2改进Adaboost基于Adaboost算法的级联分类器在检测人脸存在用时较长，精确度有待提高的问题。因为Haar-Like 矩形特征是对整个采集到的图像提取的，包括人脸区域和非人脸区域，所以用于训练弱分类器的Haar-Like矩形特征数量过多，大量时间浪费在对非人脸区域的特征提取上。针对上述问题对 Adaboost 算法做出了改进。利用基于YCbcr模型的皮肤分割算法，过滤掉采集图像中的非人脸部分，减少Haar-Like矩形特性的数量，节约特征提取的时间。将采集到的图像从RGB模型向YCrCb模型的转换1011，公式如下：Y=0.299R+.0587G+0.114BCb=-0.1687R-0.3313G+0.500B+128Cr=0.500R0.4187G0.0813B+128，其中Y表示像素明亮度，Cb表示蓝色色度，Cr表示红色色度。转换公式的计算过程中涉及到浮点数，考虑到在现实生活中计算机的运算特点，对于浮点数的计算较慢，应尽量用整数代替，因此对转换公式的系数作出优化，以计算像素明亮度的公式为例。0.299256=76.544760.587256+0.544=150.8161500.114256+0.816=30，得到改进后的转换公式为Yimpr=()76R+150G+30B 8Cbimpr=()-43R-85G+128B 8+128Crimpr=()128R107G21B 8+128在YCrCb模型下分量Y对是否是人脸的判断影响小，主要由Cb分量和Cr分量决定，如图1所示，是人脸在YCrCb模型下Cb、Cr的分布。由实验可知YCrCb模型下人脸Cb分量主要在1627第 51 卷80125之间，Cr分量主要在130170之间，由此得到肤色分割的公式如下：J()x=1Cb()x 80125andCr()x 1301700otherwise其中Cb()x表示像素点的蓝色色度，Cr()x表示像素点的红色色度。YCrCb模型效果图和肤色分割效果图如图2所示。160155150145140135Cr100105110115120125Cb图1Cb、Cr的分布图图2处理效果图3特征提取3.1LDP在完成采集图像的人脸检测后，使用Local Directional Pattern（LDP）即局部方向模式进行人脸特征的提取，包括边缘响应值的计算12和编码13两个步骤。计算边缘响应值的公式如下：mi=I*Mi，其中I表示输入的人脸图像，Mi表示第i个方向上Kitch算子，*表示卷积计算，mi为第i个方向上的边缘响应值。Kitch算子模板14如下所示。M0=335305335M1=355305333M2=555303333M3=553503333M4=533503533M5=333503553M6=333303555M7=333305355编码的公式如下：LDP()xy=i=072is()|mi|mks()x0 x01x0，其中LDP()xy表示坐标()xy像素点的 LDP 编码，|mk为|mi中第k大的值，|mi为mi的绝对值，s()x为符号函数。实现原理如下，以人脸图像中一个像素点为中心建立33的矩阵，这样中心像素点周围就存在八个方向上的外围像素点，再让这些像素点分别与其方向相同的Kitch算子进行卷积运算得到八个边缘响应值15，取绝对值并按照从大到小的规则排序。令前 k个边缘梯度值为 1，后 8-k个边缘梯度值为0。最后按照一定次序取出，得到一个二进制数，转为十进制，这个数就是该像素点的 LDP 编码值。LDP编码过程如图3所示。图3LDP编码过程在LDP算法中，一般取k为3，k=3时的LDP编码过程如图4所示。经过LDP编码后可得到二进制数00011010，转为十进是26，那么点x的LDP编码值为26。图4k=3时LDP编码值3.2改进LDP图像的方向信息对于人脸识别来说非常重要，而在LDP算法的第二步编码中，对计算得到的边缘响应值mi进行了取绝对值的操作，容易丢失图像的方向信息。为了更好地反映人脸图像的方向信息，对LDP算法做出了改进。第一步计算边缘响应值与传统LDP算法相同，傅铭等：基于Adaboost与LDP算法的人脸识别研究16282023 年第 7 期计算机与数字工程在第二步编码中，取消对边缘响应值mi的取绝对值操作，改进后的编码公式如下：LDP()xy=i=072is()mimks()x0 x01x0，其中mk为mi中第k大的值，s()x为符号函数。人脸图像经传统LDP和改进LDP提取特征后的效果图如图5所示。图5特征提取效果图4实验与分析选用耶鲁大学的Yale人脸库作为实验的样本库进行实验，实验结果如表1和表2所示。表1人脸检测效果比较方法Adaboost改进Adaboost检测成功率82.2%91.8%平均消耗时间834ms679ms表2人脸识别效果比较方法LDP改进LDP识别成功率89.1%93.1%平均消耗时间26.1ms26.4ms从实验结果可以看出改进后的Adaboost算法不仅人脸检测成功率有所提高，而且耗时也有减少。改进后的LDP算法因为只是对第二步编码中的取绝对值操作进行了调整，所有耗时几乎没有差别，但是提高了人脸识别成功率。5结语本文对人脸识别算法进行了系统性地研究。首先是采集图像中人脸区域的检测，使用基于Adaboost的级联分类器，因为其存在检测时间较长，精确度不大的问题，对传统Adaboost进行了改进。之后是特征提取阶段，利用LDP算法、改进后的LDP算法对人脸区域进行特征值提取。最后在yale人脸库进行了实验验证。参 考 文 献1张枫.基于机器视觉的人脸检测与识别算法研究及手扶电梯场景下的实现D.广州：华南理工大学，2019：1-96.ZHANG Feng.Research on Face Detection and Recognition Algorithm based on Machine Vision and Implementation in Walking Elevator SceneD.Guangzhou：SouthChina University of Technology，2019：1-96.2J.A.Unar，Woo Chaw Seng，Almas Abbasi.A Review ofBiometric Technology along with Trends and ProspectsJ.Pattern Recognition，2014，47（8）：2673-2688.3王丽红.基于 BP-AdaBoost 的电商短期销量预测模型J.计算机系统应用，2021，30（2）：260-264.WANG Lihong.Short Term Sales Forecasting Model ofE-commerce based on BP AdaBoostJ.Computer System Application，2021，30（2）：260-264.4P.Cui，T.T.Yan.Face Detection based on YCbCr SkinColor Model and Improved AdaBoost Algorithm J.Journal of Harbin University of Technology，2018，23（2）：91-96.5H.P.Fu，B.J.Zou，C.Z.Zhu.et al.Improved PedestrianDetection with Peer AdaBoost CascadeJ.Journal ofCentral South University，2020，27（8）：2269-2279.6乔源，邢波涛，赵文杰，等.基于改进Adaboost算法的SCR脱硝系统多模型集成建模 J.华北电力大学学报（自然科学版），2021，48（1）：90-97，106.QIAO Yuan，XING Botao，ZHAO Wenjie，et al.MultiModel Integrated Modeling of SCR Denitrification Systembased on Improved AdaBoost AlgorithmJ.Journal ofNorth China Electric Power University（Natural ScienceEdition），2021，48（1）：90-97，106.7张均，叶庆卫.基于PSO的改进AdaBoost人脸检测算法 J.计算机应用，2020，40（S1）：61-64.ZHANG Jun，YE Qingwei.Improved AdaBoost Face Detection Algorithm based on PSOJ.Computer Applications，2020，40（S1）：61-64.8张均，叶庆卫.基于双特征的改进型AdaBoost人脸检测算法 J.无线通信技术，2020，29（2）：23-27.ZHANG Jun，YE Qingwei.An Improved AdaBoost FaceDetection Algorithm based on Dual Features J.WirelessCommunication Technology，2020，29（2）：23-27.9刘禹欣，朱勇，孙结冰，等.Haar-like特征双阈值Adaboost人脸检测 J.中国图象图形学报，2020，25（8）：1618-1626.LIU Yuxin，ZHU Yong，SUN Jiebing，et al.Haar LikeFeature Double Threshold AdaBoost Face DetectionJ.Chinese Journal of Image and Graphics，2020，25（8）：1629第 51 卷1618-1626.10吴建平，詹桢，邓鑫.基于YCbCr色彩空间下的人脸检测与识别 J.科技创新与应用，2020（25）：40-42.WU Jianping，ZAN Zhen，DENG Xin.Face Detectionand Recognition based on YCbCr Color Space J.Technological Innovation and Application，2020（25）：40-42.11程丽，万星，张小娟，等.基于YCbCr和Hough变换圆的林区原木运输车辆识别 J.林业资源管理，2020（4）：140-145.CHENG Li，WANG Xing，ZHANG Xiaojuan.Log Transportation Vehicle Identification in Forest Region basedon YCbCr and Hough Transform CircleJ.Forestry Resource Management，2020（4）：140-145.12王绎博.基于改进LDP特征的人脸识别方法 D.南京：南京理工大学，2017：1-59.WANG Yibo.Face Recognition Method based on Improved LDP FeaturesD.Nanjing：Nanjing Universityof Technology，2017：1-59.13王亚丽，王小英.基于LDP的人脸识别算法设计与实现 J.科学技术创新，2018（21）：73-74.WANG Yali，WANG Xiaoying.Design and Implementation of Face Recognition Algorithm based on LDPJ.Scientific and Technological Innovation，2018（21）：73-74.14魏维.变换域与局部方向模式相结合的人脸识别算法研究 D.湘潭：湘潭大学，2019：1-52.WEI Wei.Research on Face Recognition Algorithm Combining Transform Domain and Local Direction PatternD.Xiangtan：Xiangtan University，2019：1-52.15张孟娟.基于局部方向模式多特征融合的人脸识别D.湘潭：湘潭大学，2019：1-54.ZHANG Mengjuan.Face Recognition based on Multi feature Fusion of Local Directional PatternD.Xiangtan：Xiangtan University，2019：1-54.enforcement：Welfare analysisJ.Information SystemsResearch，2003，14（1）：107-123.8AUGUST T，TUNCA T I.Let the pirates patch？An economic analysis of software security patch restrictions J.Information Systems Research，2008，19（1）：48-70.9LAHIRI A，DEY D.Effects of Piracy on Quality of Information GoodsJ.Management Science，2013，59（1）：245-264.10张旭梅，邓流生，沈娜利，等.考虑消费者版权意识差异的信息产品定价策略 J.管理评论，2012，24（08）：128-134.ZHANG Xumei，DENG Liusheng，SHEN Nali，et al.The Pricing Strategy of Information Goods Consideringthe Consumers Copyright ConsciousnessJ.Management Review，2012，24（08）：128-134.11HONG H，SHUM M.Using Price Distributions to Estimate Search CostsJ.RAND Journal of Economics，2006，37：257-275.12KIM A，LAHIRI A，DEY D.The Invisible Hand of Piracy：An Economic Analysis of The Information-goodsSupply ChainJ.MIS Quarterly，2018，42（4）：1117-1141.13HUANG Y，HUANG W，FANG C.Coordination for distribution of motion pictures in the context of piracy J.Journal of Business Research，2018，85：209-225.14HUANG Y，LIN S，FANG C.Pricing and coordinationwith consideration of piracy for digital goods in supplychainsJ.Journal of Business Research，2017，77：30-40.15JEONG B，KHOUJA M，ZHAO K.The impacts of piracy and supply chain contracts on digital music channelperformanceJ.Decision Support Systems，2012，52（3）：590-603.16HERINGS P J，PEETERS R，YANG M S.Piracy on theInternet：Accommodate it or fight it？A dynamic approachJ.European Journal of Operational Research，2018，266（1）：328-339.17DEY D，KIM A，LAHIRI A.Online Piracy and the Longer Arm of EnforcementJ.Management Science，2019，65（3）：1173-1190.18WU D，NAN G，LI M.Optimal Piracy Control：Should aFirm Implement Digital Rights Management？J.Information Systems Frontiers，2020，22（4）：947-960.19AHN I，SHIN I.On the optimal level of protection inDRM J.Information Economics and Policy，2010，22（4）：341-353.20CHOI P，BAE S H，JUN J.Digital piracy and firms strategic interactions：The effects of public copy protectionand DRM similarity J.Information Economics and Policy，2010，22（4）：354-364.21SUN D，EASLEY R，KIM B C.Optimal Digital RightsManagement with Uncertain Piracy J.Decision Sciences，2015，46（1）：165-191.22VERNIK D A，PUROHIT D，DESAI P S.Music Downloads and the Flip Side of Digital Rights ManagementJ.Marketing Science，2011，30（6）：1011-1027.（上接第1602页）傅铭等：基于Adaboost与LDP算法的人脸识别研究1630