基于Haar-like T和LBP特征的人脸识别方法.pdf

粤怎贼燥皂葬贼蚤燥灶 驭 陨灶泽贼则怎皂藻灶贼葬贼蚤燥灶圆园23,38穴10雪基于 Haar鄄like T 和 LBP 特征的人脸识别方法DOI院10.19557/ki.1001-9944.2023.10.012胡宇晨1袁2袁李秋生1袁2渊1.赣南师范大学 智能控制工程技术研究中心袁赣州 341000曰2.赣南师范大学 物理与电子信息学院袁赣州 341000冤摘要院人脸识别技术是一种可靠的身份识别技术袁 是当今研究的热点课题之一遥 该文将Haar鄄like T和LBP特征相结合的算法进行人脸识别的研究遥 首先将Haar鄄like T方法与Haar鄄like方法进行人脸检测率的对比袁再分别用该文算法与CNN尧LBP等其他算法相比较遥 实验结果表明袁该算法与基于Haar鄄Like T特征的人脸识别方法和一些主流方法相比较袁增加了改进LBP方法对于图像的处理袁使得该方法对光照具有较强的鲁棒性袁对光照不敏感袁同时对人脸的识别时间更短袁在Yale和ORL人脸库中有着较好的识别效果袁具备良好的可行性遥关键词院人脸识别曰卷积神经网络曰Haar鄄like T曰LBP中图分类号院TP391.4文献标识码院A文章编号院员园园员鄄怨怨源源渊圆园23冤10鄄园园52鄄园5Face Recognition Method Based on Haar鄄like T and LBP FeaturesHU Yuchen1袁2袁LI Qiusheng1袁2渊1.Research Center of Intelligent Control Engineering Technology袁Gannan Normal University袁Ganzhou 341000袁China曰2.School of Physics and Electronic Information袁Gannan Normal University袁Ganzhou 341000袁China冤Abstract院Face recognition technology is a reliable identification technology and one of the hot topics in current re鄄search.This article combines Haar鄄like T and LBP features for facial recognition research.Firstly袁compare the facialdetection rates of Haar鄄like T method and Haar鄄like method袁and then compare the proposed algorithm with other al鄄gorithms such as CNN and LBP.The experimental results show that compared with facial recognition methods basedon Haar鄄like T features and some mainstream methods袁this algorithm adds an improved LBP method for image pro鄄cessing袁making it highly robust to lighting袁insensitive to lighting袁and has a shorter recognition time for faces.It hasgood recognition performance in Yale and ORL facial databases and has good feasibility.Key words院face recognition曰convolutional neural network渊CNN冤曰Haar鄄like T曰LBP收稿日期院2023-03-21曰修订日期院2023-07-27基金项目院江西省研究生创新专项资金资助项目渊YC2022鄄s939冤作者简介院胡宇晨渊1998要冤袁男袁硕士研究生袁研究方向为智能信息处理曰李秋生渊1976要冤袁男袁博士袁教授袁硕士研究生导师袁研究方向为智能信息处理遥人脸识别技术1起源于上世纪 60 年代袁现在由于计算机硬件性能的不断增强袁使得如今的人脸识别技术得以推广袁同时安全性能也较之前有了大幅提升遥 人脸识别技术的发展有以下 3 个阶段院第 1 阶段在 1960 年初到 1990 年初遥 该时期由于受到计算机性能的限制袁主要的研究方法为人脸的几何构造袁缺点为收集面部信息的几何点个数较少袁精度不足袁导致识别率较低袁此时的人脸识别技术还处于理论阶段曰 第 2 阶段是在 1990 年初到本世纪初袁此时应用数学水平的不断提高袁同时计算机硬件的发展袁计算机采集人脸信息的问题得到了长足进步袁可获得的人脸几何点数有了大幅的提升袁但是最后的结果却不尽如人意曰第 3 阶段为本世纪初至今袁此阶段计算机视觉尧深度学习尧人工智能2检测技术与数据处理52圆园23,38穴10雪等技术的高速发展袁使得人脸识别的精确度和安全性能得到大幅的提升袁广泛运用于人类生活和工作的各个方面袁如人脸支付尧身份识别尧公共交通尧信息安全等领域遥现在人脸识别领域应用最为广泛的方法为深度神经网络袁尤其是卷积神经网络渊convolutional neuralnetwork袁CNN冤3袁该网络提取图片特征的能力极其强大袁具有很高的准确率袁但是要训练一个成熟的神经网络需要上千张图片袁在现实的场景中袁少有同一个人有几千张的照片来训练袁而需要从少量的图像中得到识别人脸的模型遥针对上述问题袁本文结合 Haar鄄like T4和 LBP5特征的算法进行人脸识别的研究遥首先采集人脸图像袁对采集的图像进行特征提取袁之后对提取的特征进行训练袁旨在从较少的样本准确地识别出人脸遥1Haar鄄like 和 LBP 特征的提取1.1Haar鄄like 特征Haar鄄like 特征最先是由 Viola 提出袁该特征在人脸和车辆识别的应用中取得了很好的效果6袁其本质是通过构建简单的黑白矩阵来实现对面部灰度特征变化的表示遥 Haar鄄like 特征可分为 4 类院边缘尧线性尧中心以及对角线特征7袁具体如图 1 所示遥Haar鄄like 特征的计算积分图由面部图像形成袁其图像矩形区域中从起点到每个点的像素之和存储为阵列的元素袁当要计算区域中的像素之和时袁即调用该阵列元素袁不需重新计算袁因此也提高了检测的速度遥 其计算公式8为ii渊a袁b冤=移x臆a袁y臆bf渊x袁y冤渊1冤而后构建积分图算法袁用 s渊a袁b冤表示行方向的累加袁初始为 s渊a袁-1冤=0曰之后使用 ii渊a袁b冤表示积分图像袁初始化 ii渊-1袁b冤=0曰通过扫描人脸图像的各个像素点袁迭代计算每个像素在行方向上的累加和积分图像的值袁即有院s渊a袁b冤=s渊a袁b-1冤+f渊a袁b冤ii渊a袁b冤=ii渊a-1袁b冤+s渊a袁b冤渊2冤当人脸图像扫描完成时袁积分图像 ii渊a袁b冤构建完成袁而后图像中所有矩阵通过运算得到袁如图 2所示遥假设图 2 中袁D 这一点左右上下 4 个点分别为a袁b袁c袁d袁则图中 D 点的像素和可以表示为Dsum=ii渊a冤+ii渊b冤-咱ii渊c冤+ii渊d冤暂渊3冤由此一个区特征值袁就可以通过各个特征端点的积分图计算得出遥1.2Haar鄄like T 特征在人脸五官的分布中袁人脸图像信息可以找到大量的 T 字型结构特征遥 在 Haar鄄like 的基础上袁T字型结构特征与 Haar鄄like 特征相结合袁可得到 4 类Haar鄄like T 特征9袁该特征更为符合人脸的几何分布特征遥 分别为 T鄄down尧T鄄right尧T鄄up尧T鄄left袁如图 3所示遥T 特征与人脸五官的结合如图 4 所示遥 以图 4渊a冤所示人脸为例袁图 4渊b冤为 T鄄up 与人脸眼睛和鼻图 1边缘尧线性尧中心以及对角线特征Fig.1Edge袁linear袁center袁and diagonal features渊a冤边缘特征渊b冤线性特征渊c冤中心特征渊d冤对角线特征图 2矩形计算图Fig.2Rectangular calculation chartABCD渊a冤T鄄down渊b冤T鄄right渊c冤T鄄up渊d冤T鄄left图 3四类 Haar鄄like T 特征Fig.3Four types of Haar鄄like T features检测技术与数据处理53粤怎贼燥皂葬贼蚤燥灶 驭 陨灶泽贼则怎皂藻灶贼葬贼蚤燥灶圆园23,38穴10雪子区域相结合袁人的眼睛和眉毛所在区域的灰度值大于以鼻子作为交点的倒立 T 字型包含区域的灰度值袁图 4渊c冤和图 4渊d冤则是人左眼和右眼与 T鄄left尧T鄄right 相结合袁图 4渊e冤与图 4渊f冤图类似遥 从上述分析可知袁Haar鄄Like T 特征理论上较符合人脸的几何分布遥1.3LBP 特征局部二元特征渊LBP冤算子是描述人脸图像纹理特征的算子袁该算法对纹理特征具有旋转不变性和灰度不变性遥 初始的 LBP 算子构建一个 3伊3 的矩形区域10袁该区域的中心像素值设为阈值袁相邻的 8 个小矩形区域的像素灰度值与中心像素值经行比较袁比它大的标记为 1袁反之为 0遥 如此操作袁将这 8 个经过标记的像素块按顺序排列袁即得到八位二进制数遥 用公式则表示为LBP渊Xc袁Yc冤=p原员p越0移2pS渊ip-ic冤渊4冤式中院渊Xc袁Yc冤 为该正方形区域的中心点像素曰ic为中心区域的灰度值曰ip是各相邻区域的灰度值曰S渊x冤为定义函数袁即院S渊x冤越1袁x逸0园袁其他嗓渊5冤其简单计算如图 5 所示遥该算法可以较为简单高效地识别人脸图像中各种细节袁但不足之处在于当遇上规模较大的人脸纹理变化时袁算法会遇到效率较低的问题遥1.4LBP 算法的改进基础的 LBP 算法只能够适应固定半径范围的小区域袁而人脸识别对图像的尺寸和频率纹理有着较高地要求遥 改进的 LBP 算法11-12在原有的基础上袁将 3伊3 邻域拓展到任意邻域袁并且用圆形邻域代替袁以适应不同尺度的纹理特征袁如图 6 所示遥对于新的圆形邻域内的中心点渊Xc袁Yc冤袁其邻域范围内的任意一点渊Xp袁Yp冤袁p沂P 其采样点渊Xp袁Yp冤值为Xp越Xc+Rcos2仔pP蓸蔀Yp越Yc-Rsin2仔pP蓸蔀渊6冤式中院R 为圆形区域的半径大小曰p 表示第 p 个采样点曰P 表示检测样本点的个数遥通过上述对于普通 LBP 算法的改进袁图像区域内的每个像素点都可以得到一个 LBP 编码遥 一幅人脸图像在提取其 LBP 特征之后袁得到的 LBP 特征图任然与人脸相似遥同时 LBP 对光照具有很强的鲁棒性袁在不同的光照条件下袁LBP 方法对人脸图像纹理特征的提取未发现明显的变化袁不同光照条件下的人脸照片与LBP 图像袁如图 8 所示遥2Adaboost 分类器的设计在 1990 年袁由 SChapire 等人提出了 Boosting 算渊a冤渊b冤渊c冤渊d冤渊e冤渊f冤图 4T 特征与人脸五官结合图Fig.4T鄄feature and facial features图 5LBP 计算流程Fig.5LBP calculation flow chart1101010027+26+24+22越212561540644590381691210011010LBP18LBP216LBP28图 6改进后的 LBP 算法Fig.6Improved LBP algorithm渊a冤原始图像渊b冤LBP 特征图像图 7原始图像与 LBP 特征图Fig.7Original image and LBP feature map检测技术与数据处理54圆园23,38穴10雪图 10Adaboost 级联分类器Fig.10Adaboost cascade classifier法遥 其旨在将弱学习算法提升为强学习算法遥 在1995 年袁研究者在原算法的基础上袁提出了改进的Adaboost 算法袁该算法较之前的 Boosting 算法有着较大地提升遥Adaboost 算法是一种基于级联分类模型的分类器13袁它将采集到的人脸图像用 Harr鄄like T 特征表示袁并应用积分图对人脸图像进行表达遥 系统构建了一个快速分类器袁其具有极低的错误率渊对于人脸的识别率接近 100%冤遥 该检测器可更准确将人脸分类遥 当图像的野非面部冶区域被标记袁即可将其丢弃袁而野面部冶区域时袁则需要进一步的分类工作遥 级联分类模型如图 9 所示遥Adaboost 算法通过对不同的人脸图像进行不同的赋值与加权计算袁以此来分别是否为人脸图像遥在不断学习了多种不同的样本时袁分类器不断的学习迭代袁其准确率将到达一个较高的值遥 在多次训练之后选择一个准确率最高的分类器袁如此就得到一个弱分类器遥 弱分类器将每个分类器进行不同的赋值计算袁再将若干个分类器进行级联合成强分类器遥经过级联算法之后袁会得到最终的人脸级联分类器袁通过每一级的赋值加权袁形成人脸分类器遥 Adaboost级联分类器如图 10 所示遥3实验结果与分析为检测本文算法的性能袁人脸识别的实验环境为 CPU 是 Intel渊R冤Core渊TM冤i5鄄9500 CPU袁频率为3.00 GHz袁内存为 8 GB袁电脑的操作系统为 Win10遥3.1Haar鄄like T 算法检测为测试 Haar鄄like T 检测人脸的性能袁本文用该方法与 Haar鄄like 方法做比较袁数据集为 FERET 人脸数据库尧Yale 人脸数据库尧ORL 人脸数据库中所提取的 6000 张人脸图像袁和网络收集的 2000 张非人脸图像袁再从数据集中选取部分图片作为测试图片遥 当检测样数较少时袁Haar鄄like T 与 Haar鄄like 的检测率相近袁当样本数逐渐增大时袁检测率开始出现差别袁Haar鄄like T 方法检测率较高袁检测精确度更高袁相同条件下 Haar鄄like T 所用的时间更短遥 实验结果汇总如表 1 所示遥3.2Yale 人脸库及实验该数据集由耶鲁大学计算视觉与控制中心创建袁包含 15 个个体袁每个个体包含 11 张不同姿态的人脸图像袁共 165 张图片袁包含光照尧表情和姿态的变化遥 Yale 人脸数据库中每个个体采集的样本包含明显的光照尧表情和姿态以及遮挡变化遥 该数据集的样图如图 11 所示遥本文取该数据集中每人的前 5 张作为训练集袁剩余的样本作为测试集遥 在该数据集上本文对图 8不同光照条件下的人脸图像与 LBP 图像Fig.8Face image and LBP image under differentlighting conditions图 9级联分类模型Fig.9Cascade classification model所有待检测样本123判决为正例样本正例正例负例负例负例负例样本强分类器N强分类器1强分类器2噎否决正确否决否决弱分类器1弱分类器2每一级由多个树状弱分类器构成表 1检测性能Tab.1Test performance分类器名称 人脸检测率/%误检测个数 漏检测个数平均检测时间/渊ms冤Haar鄄like T97.18316135Haar鄄like94.323822355检测技术与数据处理55粤怎贼燥皂葬贼蚤燥灶 驭 陨灶泽贼则怎皂藻灶贼葬贼蚤燥灶圆园23,38穴10雪图 11Yale 人脸数据库样本图Fig.11Sample image of Yale face databaseHOG+SVM尧LBP+KNN尧LBP尧ULBP尧Haar鄄like+LBP尧CNN 方法与本文方法进行对比袁结果如 2 表所示遥通过以上 7 种不同的方法进行对比袁不难看出Haar鄄like T 与 LBP 特征结合的方法在 Yale 人脸库上较 HOG+SVM尧LBP+KNN 方法的准确率有着较高地提升袁与 LBP尧ULBP尧CNN尧Haar鄄like+LBP 方法相比较有着略微的优势袁且本文方法比 Haar鄄like+LBP 方法所用的时间更少袁Haar鄄like T 方法有着更符合人脸几何分布的特征提取方式袁且速度更快袁效率更高遥 CNN 由于受到训练数据较少的影响袁对人脸特征提取不足袁而导致识别率较本文方法偏低遥这说明 Haar鄄like T 在面对训练数据较少的数据集时袁有比 HOG+SVM 与 LBP+KNN 方法更好的互补性袁以提升识别率遥 相比于 LBP 和 ULBP 方法受到的光照和姿态等方面的影响更少袁具有更好的鲁棒性遥3.3ORL 人脸库及实验该数据集由英国剑桥大学 AT&T 实验室创建袁其图像规格为 92伊112袁灰度值最高为 256遥 包含 40种不同性别的袁不同人的人脸图像袁每个个体包含13 张不同姿态的人脸图像袁有不同表情袁睁眼闭眼袁是否戴眼镜袁拍摄角度的不同袁并且每个个体增加部分遮挡图片袁共 400 余张面部图像遥 ORL 人脸数据库样图如图 12 所示遥在数据集的分配上袁本文将每人的前 5 张作为训练样本袁其余作为测试样本遥 在该数据集本文对HOG+SVM尧LBP+KNN尧LBP尧ULBP尧Haar鄄like+LBP尧CNN 方法与本文方法进行对比袁结果如 3 表所示遥在数据集数量较为充裕且加入了部分遮挡图片的 ORL 人脸库中袁以上 7 种方法方法识别率对比袁Haar鄄like T+LBP 方法比 CNN 方法的识别率稍低袁由于 ORL 人脸库有着较多的数量的图片袁卷积神经网络对于人脸特征的提取更加精确袁以致卷积神经网络在 ORL 人脸库上的识别率比本文方法稍高袁也表明在训练图片较多时袁CNN 网络在识别率方面有着比本文方法稍好地表现袁但卷积神经网络也存在网络的过拟合袁泛化能力不足的问题袁本文方法相较于 CNN 网络的训练时间较短袁识别率相近袁有其自身优势遥在此数据集上本文方法与 HOG+SVM尧LBP+KNN 方法相比较任然有较好的识别率袁有着更好的互补性袁而与 LBP 和 ULBP 方法的比较中袁体现出了本文方法在面对不同光照和姿态时袁有着较好的鲁棒性袁比 Haar鄄like+LBP 方法所用时间更少袁识别率更精确遥4结语针对卷积神经网络运用于人脸识别袁在训练数据较少而造成训练特征不足袁同时也可能出现网络的过拟合袁 泛化能力不足等缺陷袁 本文结合 Haar鄄like T 和 LBP 特征的算法进行人脸识别的研究遥 实验结果表明袁Haar鄄like T 在人脸的检测上有着较高的检测率与精度袁Haar鄄like T 和LBP表 2算法识别率Tab.2Algorithm recognition rate算法识别率/%HOG+SVM87.3LBP+KNN86.1LBP88.3ULBP89.9Haar鄄like+LBP89.3CNN90.1本文方法91.5图 12ORL 人脸数据库样本图Fig.12ORL face database sample image表 3算法识别率Tab.3Algorithm recognition rate算法识别率/%HOG+SVM89.8LBP+KNN88.7LBP91.9ULBP92.8Haar鄄like+LBP92.1CNN94.4本文方法93.7检测技术与数据处理渊下转第 61 页冤56圆园23,38穴10雪结合的方法在Yale 和 ORL 人脸库中有着较好的识别效果袁对光照具有较强的鲁棒性袁对光照不敏感袁同时对人脸的识别时间更短袁具备良好的可行性遥参考文献院1简讯.人脸识别技术综述J.电脑知识与技术袁2019袁15渊2冤院171-172.2李晓理袁张博袁王康袁等.人工智能的发展及应用J.北京工业大学学报袁2020袁46渊6冤院583-590.3叶浪.基于卷积神经网络的人脸识别研究D.南京院东南大学袁2015.4Dandashy T袁Hassan M E袁Bitar A.Enhanced face detection basedon Haar鄄Like and MB鄄LBP featuresJ.Social Science ElectronicPublishing袁2019.5Wu L袁Liu S.Comparative analysis and application of LBP faceimage recognition algorithmsJ.International Journal of Commu鄄nication Systems袁2019袁34渊2冤院1-14.6原晓佩袁陈小锋袁廉明.基于 Haar鄄like 和LBP 的多特征融合目标检测算法J.计算机科学袁2021袁48渊11冤院219-225.7文学志袁方巍袁郑钰辉.一种基于类 Haar 特征和改进 AdaBoost 分类器的车辆识别算法J.电子学报袁2011袁39渊5冤院1121-1126.8杨慧.基于 HOG 和 Haar鄄like 融合特征的车辆检测D.南京院南京邮电大学袁2013.9王庆伟.基于 Haar鄄Like T 特征的人脸检测与识别研究D.江门院五邑大学袁2014.10 Betcy Thanga Shoba V袁Shatheesh Sam I.A hybrid features ex鄄tractiononfaceforefficientfacerecognition J.MultimediaTools and Applications袁2020袁79渊31/32冤院22595-22616.11 万源袁李欢欢袁吴克风袁等.LBP 和 HOG 的分层特征融合的人脸识别J.计算机辅助设计与图形学学报袁2015袁27渊4冤院640-650.12 廖广军.复杂条件下的人脸检测与识别应用研究D.广州院华南理工大学袁2014.姻渊上接第 56 页冤图 6变电站二次设备故障自动化诊断耗时对比Fig.6Comparison of time spent in automatic faultdiagnosis of substation secondary equipment电力数据预处理袁完成二次设备数据分类袁并利用主分量分析技术对电力信号数据降维曰以阻抗值尧电流尧电压为变电站二次设备的多源征兆袁进行变压器阻抗测量袁通过广义变比完成了故障诊断袁实验结果表明了所提方法可以有效诊断电站二次设备中各种故障袁且故障诊断准确率高尧耗时短袁可为变电站运维人员提供有效的数据基础遥参考文献院1唐志军袁李泽科袁陈建洪袁等.考虑设备相关性的智能变电站二次系统可靠性分析J.福州大学学报渊自然科学版冤袁2021袁49渊6冤院782-789.2王鸣誉袁李铁成袁任江波袁等.利用 Apriori 算法实现变电站二次系统故障诊断J.电力系统及其自动化学报袁2021袁33渊11冤院145-150.3任博袁郑永康袁王永福袁等.基于深度学习的智能变电站二次设备故障定位研究J.电网技术袁2021袁45渊2冤院713-721.4窦仁晖袁任辉袁姚志强袁等.变电站国产化站控层服务协议设计J.电网技术袁2021袁45渊8冤院3268-3275.5杨贵袁吕航袁彭安袁等.智能变电站过程层网络流量分析及网络优化研究J.计算技术与自动化袁2021袁40渊2冤院176-183.6樊清川袁于飞袁宣敏.基于优化 Bi鄄LSTM 模型的电力变压器故障诊断J.计算机仿真袁2022袁39渊11冤院136-140.7孙文慧袁张海伦袁王雷.基于高维空间聚类的集中供热末端数据异常检测J.仪器仪表学报袁2021袁42渊5冤院235-2428栗磊袁王廷涛袁赫嘉楠袁等.考虑过采样器与分类器参数优化的变压器故障诊断策略J.电力自动化设备袁2023袁43渊1冤院209-2179杨晓伟袁刘相国袁陶有田袁等.广义加权线性模型选择的重对数律和强相合性J.统计与决策袁2021袁37渊4冤院53-58.10 刘鑫袁任海莉.基于 QPSO 正则化极限学习机的轴承故障诊断J.组合机床与自动化加工技术袁2021渊3冤院36-4011 王颖娟袁龚光彩袁石星袁等.惯量松弛因子在格子 Boltzmann 方法中的应用J.工程数学学报袁2021袁38渊2冤院195-206.12 陈龙谭袁于虹袁祁兵袁等.主成分分析与随机森林算法融合的变压器故障诊断方法J.变压器袁2022袁59渊7冤院23-28.13 丁登伟袁韩先才袁张鹏飞袁等.基于暂态电压监测的特高压 GIL 故障定位方法及工程应用J.高电压技术袁2021袁47渊3冤院1092-1099.14 马奎袁王曙鸿袁姚晓飞.110 kV 变阻抗变压器短路电流首峰值限制方法J.电工技术学报袁2021袁36渊S2冤院723-729+745.15 赵斌袁柯俊吉袁孙鹏袁等.公共支路阻抗耦合对碳化硅 MOSFET 器件并联电流分配的影响及优化J.中国电机工程学报袁2022袁42渊7冤院2638-2650.姻1.21.00.80.60.40.20123456实验次数所提方法循环神经网络方法关联规则挖掘算法检测技术与数据处理61