Computer Science and Application
Vol.3 No.8(2013), Article ID:12726,4 pages DOI:10.12677/CSA.2013.38060
A Novel Face Recognition Algorithm Based on Robust Local Binary Pattern*
1Beijing Information Science and Technology University, Beijing
2Beijing Institute of New Technology Applications, Beijing
Email: 757101221@qq.com
Received: Sep. 26th, 2013; revised: Oct. 20th, 2013; accepted: Oct. 29th, 2013
Copyright © 2013 Leiming Cheng et al. This is an open access article distributed under the Creative Commons Attribution License, which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited.
ABSTRACT：
This paper is aimed at solving the problems that LBP feature contains outlier and the dimension of LBP feature is too high, and a fast and effective face recognition algorithm based on Robust Local Binary Pattern is proposed. The main idea of RobustLBP is setting a Robust function on the basis of original LBP. First, it calculates the Mahalanobis distance between the mean vector and every dimension as the argument of Robust function and estimates a set of important information by making Robust function convergence. Then, it obtains a transformation matrix which is used to reject outlier of original feature by using the information. Lastly, it compares the Chi-square distance among the features after reducing dimension in order to complete face recognition. Extensive experiments on FERET, CASPEAL-R1 and LFW face databases validate the effectiveness of face recognition.
Keywords: Face Recognition; Robust Local Binary Pattern; Robust Function; Mahalanobis Distance
基于鲁棒的局部二值模式人脸识别算法*
程雷鸣1，其木苏荣1，靳 薇2
1北京信息科技大学，北京
2北京市新技术应用研究所，北京
Email: 757101221@qq.com
摘 要：
本文针对LBP算法特征包含outlier和维度过高的问题提出了一种基于鲁棒的局部二值模式(RobustLBP)的快速有效的人脸识别算法。RobustLBP算法的思想是在LBP算法的基础上加上一个Robust函数除去outlier达到降维的目的。首先通过计算LBP特征各个维度和中心元素的马氏距离作为Robust函数的输入，使得Robust函数收敛估算出重要信息。然后利用这些信息求出变换矩阵除去原始LBP特征的outlier。最后比对降维后特征间的卡方距离实现人脸识别。在FERET、CAS-PEAL-R1、LFW人脸数据库上的实验证明本文提出方法在是人脸识别上具有优越性。
收稿日期：2013年9月26日；修回日期：2013年10月20日；录用日期：2013年10月29日
关键词：人脸识别；鲁棒的局部二值模式；Robust函数；马氏距离
1. 引言
近年来，人脸识别技术越来越被人们所关注，并推出了很多的人脸识别系统。人脸识别系统中人脸表征是人脸识别过程的最为重要环节，它的好坏直接影响到后续识别工作的成败。Ojala[1]提出来的LBP算法来表征人脸。LBP算法同时考虑到了形状和纹理的信息并且可以非常简单的从人脸图像的提取出来[2]。LBP特征具有无可替代的优势：旋转不变性[3]。LBP特征有2个缺点制约着它的使用：1) 在有外界干扰如：光照、遮挡等情况下，LBP特征也会包含这些干扰的信息。使用包含outlier的特征向量表征人脸会使得识别率降低。2) LBP特征的维度过高使得后续的处理工作相当麻烦。
本文提出了一种新颖的基于鲁棒的局部二值模式的人脸识别算法。RobustLBP算法不仅保留了LBP算法的优点而且利用Robust函数除去特征中包含的outlier使得识别效果好。此外由于除去了outlier，LBP特征向量的维度有所降低有利于后续处理。首先利用outlier的性质建立Robust函数；然后使Robust函数收敛去测量各个维度内的outlier；最后由收敛的Robust函数值来建立转换矩阵除去原始LBP特征中的outlier。这样既不会使用outlier也不会浪费有用信息使最后的识别精度很高。
2. 人脸的RobustLBP表征
2.1. 人脸的LBP表征
LBP算法是最好的纹理特征描述算法之一，可以对图像中局部邻近区域的纹理信息进行度量和提取。与其他的特征相比LBP特征容易从人脸图像中提取而且对于光照和局部变化具有一定鲁棒性，使它能够胜任人脸表征的任务[4]。
该算法首先比较图像中每个像素(
)与其局部邻域点在灰度值(
)的大小，按照(1)式得到一个二进制数；
(1)
然后按照(2)式对二进制数进行编码形成局部二值模式；
(2)
最后按照(3)式统计多区域直方图作为图像的特征描述。
(3)
其中
，n是用LBP算子表征图像时产生的bin的数目，m是图像划分的子区域数目[5]。
2.2. 人脸的RobustLBP表征
幅图像的LBP特征向量长度是，Nbin是LBP特征的bin数，m是图像划分区域数。LBP特征的维数太高不但大大增加了计算的复杂度而且包含outlier导致整个人脸识别算法的速度和准确率无法满足要求。
RobustLBP算法旨在找出一个转换矩阵B使训练集的LBP特征矩阵在B上的投影是不包含outlier的。由outlier的性质可以知道outlier到矩阵D的mean vector的距离会比其他维度要大。因为outlier存在直接计算mean vector得到的结果是不准确的，所以不能把mean vector当作已知量而是把它当成一个待估计的量来处理，在使Robust函数收敛把正确的mean vector估计出来之后利用函数收敛得到的信息求转换矩阵B。算法流程图如图1所示。
Figure 1. Algorithm flow chart
图1. 算法流程图
本文是使用马氏距离来表示每个维度的样本di到正确的mean vector的距离(这里的di是行向量)：
其中：robust_mean是robust_D的均值，robust_D是D除去outlier的部分。
是距离向量T的元素。
本文使用的Robust函数I = sort(T)定义如下：
1) 对距离向量T增序排列，得到新的向量
。
2) W中的元素
在距离向量T中的位置组成位置向量
。
3) 选取一个合适值h(h的选取和outlier有关)，利用位置向量I的前h个值来更新
的值：
。
4) 利用新的robust_D更新robust_mean，再次计算距离向量T，迭代重复计算直到位置向量I收敛。
通过数次迭代，可以计算出一些重要的信息：
1) 矩阵D的robust mean，即最后一次迭代的robust_mean。
2) 矩阵D除去outlier后的矩阵robust_D。
3) 矩阵D中outlier位置的位置向量robust_I，即最后一次迭代的I。这个值是用来求取转换矩阵B的。
转换矩阵B是一个p*h的矩阵，求取的步骤如下：
a) 将B设置为一个零矩阵O同时设置一个大小为h*h的单位矩阵E；
b) robust_I的第j个元素为
；
c) 将B的第
行替换为E的第j行
转换矩阵B旨在保留D中有效地信息同时除去outlier，可以验证
。测试图像的LBP特征S经过B降维后得到
。
3. 实验结果及分析
本文所有实验选取的图片均来自了CAS-PEALR1人脸公开库，FERET人脸公开库和LFW人脸公开库。所有图片使用opencv自带的ASM人脸检测检测切割，大小归一化为160*160，每幅图像都包含人脸。实验环境：1) 台式电脑：Intel(R) Core(TM)2 Quad CPU Q8200z处理器，主频2.33 GHz，4 G内存；2) 操作系统：32位windows 7操作系统；3) 实验平台：matlab2010a。
3.1. 在CAS-PEAL-R1人脸库上的实验
CAS-PEAL-R1人脸库是一个大规模的中国人连数据库，包含了姿态、表情、遮挡和光照的变化。本实验是按照标准实验测试进行的：gallery集合包含1040个人的1040幅图像。Probe集合包含了2243张遮挡图像和2285张光照图像。图2是CAS-PEAL-R1人脸库的样例，表1是RobustLBP方法在CAS-PEALR1人脸库上实验结果。
光照测试集合上的实验表明RobustLBP算法的准确率仅仅低于HGPP方法。这是因为在光照影响下使用Gabor方法表征人脸具有很高的鲁棒性。在遮挡测试集合上的实验表明RobustLBP算法的性能是最好的。光照和遮挡产生的outliers被RobustLBP算法移除了使得RobustLBP方法在人脸表征上优于其他方法。
3.2. FERET人脸库上的实验
FERET人脸库是世界上最大的公开人脸之一，其
Figure 2. Face examples from CAS-PEAL-R1 database
图2. CAS-PEAL-R1人脸库的样例
Table 1. Recognition rates of RobustLBP method with state-of-theart methods on CAS-PEAL-R1 database
表1. RobustLBP方法在CAS-PEAL-R1人脸库上实验结果
中包含了各种变化。本次试验的gallery集合包含了1000个人的1000张人脸图像，4组Probe集合分别是fb, fc, dup1和dup2集合。图3是FERET人脸库的样例图片，表2是RobustLBP方法在FERET人脸库上实验结果。
从实验结果可以看出，与其他方法相比较RobustLBP方法的准确率是最高的。验证了同其他的方法相比，RobustLBP方法在保留有效的人脸信息方面的优势。
3.3. LFW人脸库上的实验
LFW人脸库包含5749个人的13,233张图像，包含了姿态，光照，表情的变化。在本次试验中使用的是LFW-a中图像。图4是LFW人脸库的样例图片，表3是RobustLBP方法在LFW人脸库上实验结果。
Figure 3. Face examples from FERETdatabasec
图3. FERET人脸库的样例图片
Figure 4. Face examples from LFWdatabase
图4. LFW人脸库的样例图片
Table 2. Recognition rates of RobustLBP method with state-of-theart methods on FERET database
表2. RobustLBP方法在FERET人脸库上实验结果
Table 3. Recognition rates of RobustLBP method with state-of-theart methods on LFW database
表3. RobustLBP方法在LFW人脸库上实验结果
综合在CAS-PEAL-R1人脸公开库，FERET人脸公开库和LFW人脸公开库上的实验结果来看RobustLBP方法的性能是最好的和最稳定的。
4. 总结
本文提出的基于鲁棒的局部二值模式的人脸识别算法不但保留LBP特征的旋转不变性和鲁棒性高的优点而且还考虑到了LBP特征里包含outlier，利用Robust函数除去了outlier从而更加准确利用了LBP特征包含的有效信息。实验证明了和其他的最新的算法比较RobustLBP算法脱颖而出。
参考文献 (References)
[1] Ojala, T., Pietikäinen, M. and Harwood, D. (1994) Performance evaluation of texture measures with classification based on Kullback discrimination of distributions. Proceedings of the 12th IAPR International Conference on Pattern Recognition (ICPR 1994), 1, pp. 582-585.
[2] Lei, Z., Pietikäinen, M. and Li, S.Z. (2013) Learning discriminant face descriptor. TPAMI, p. 112.
[3] Cao, Z., Yin, Q., Tang, X. and Sun, J. (2010) Face recognition with learning-based descriptor. 2010 IEEE Computer Society Conference on Computer Vision and Pattern Recognition, San Francisco, 13-18 June 2010, pp. 2707-2714.
[4] Lei, Z., Yi, D. and Li, S.Z. (2012) Discriminant image filter learning forface recognition with local binary pattern like representation. 2012 IEEE Conference on Biometrics Compendium, Computer Vision and Pattern Recognition (CVPR), Providence, 16-21 June 2012, pp. 2512-2517.
[5] Pietikäinen, M., Hadid, A., Zhao, G. and Ahonen, T. (2011) Computer vision using local binary patterns. Springer, New York.
[6] Zhang, W., Shan, S., Gao, W. and Zhang, H. (2005) Local gabor binary patternhistogram sequence (lgbphs): A novel non-statistical model for facerepresentation and recognition. 10th IEEE International Conference on Computer Vision, 1, pp. 786-791.
[7] Maturana, D., Mery, D. and Soto, A. (2011) Learning discriminative local binary patterns for face recognition. 2011 IEEE International Conference on Automatic Face & Gesture Recognition and Workshops, Santa Barbara, 21-25 March 2011, pp. 470- 475.
[8] Maturana, D., Mery, D. and Soto, A. (2010) Face recognition with decisiontree-based local binary patterns,” Computer Vision ACCV, 6495, pp. 618-629.
[9] Meng, X., Shan, S., Chen, X. and Gao, W. (2006) Local visual primitives (lvp) for face modelling and recognition. 18th International Conference on Pattern Recognition, 2, pp. 536-539.
[10] Zhang, B., Shan, S., Chen, X. and Gao, W. (2007) Histogram of gaborphase patterns (hgpp): A novel object representation approach for facerecognition. IEEE T-IP, 16, pp. 57-68.
[11] Xie, S., Shan, S., Chen, X., Meng, X. and Gao, W. (2009) Learned local gaborpatterns for face representation and recognition. Signal Processing, 89, pp. 2333-2344.
[12] Ahonen, T., Hadid, A. and Pietikainen, M. (2006) Face description with localbinary patterns: Application to face recognition. IEEE T-PAMI, 28, pp. 2037-2041.
NOTES
*资助信息：中科院半导体所开放课题(项目号：IOSKL1012KF13)。