第13卷第5期 智能系统学报 Vol.13 No.5 2018年10月 CAAI Transactions on Intelligent Systems 0ct.2018 D0:10.11992/is.201706032 网络出版地址：http:/kns.cnki.net/kcms/detail/23.1538.TP.20180411.l616.018.html 双差值局部方向模式的人脸识别 杨恢先，刘建'，张孟娟，周彤彤 (1.湘潭大学物理与光电工程学院，湖南湘潭411105；2.湖南应用技术学院机电工程学院，湖南常德 415000) 摘要：针对差值局部方向模式(DLDP)特征提取不够充分和对光照、噪声等比较敏感的问题，提出一种双差值 局部方向模式(DDLDP)人脸识别方法。首先，分别将半径为1的3×3领域像素灰度值和半径为2的5×5领域 像素灰度值与8个Ksc模板算子卷积，得到两组对应8个灰度响应值。然后，将半径为1的灰度响应值，按 照相邻前后作差的方式，得到8个灰度响应差值，再将半径为1和2得到的灰度响应值上下作差，也得到8个 灰度响应差值。最后，将两组灰度响应差值取绝对值，其最大绝对值所对应下标位置构成DDLDP码。仿真实 验结果表明，相比同类基于局部方向模式的单一人脸识别算法，该方法具有更好识别效果。DDLDP更加完整 地提取了人脸特征，且表现出对光照和噪声更好的鲁棒性。 关键词：差值局部方向模式；特征提取；双差值局部方向模式；人脸识别：Kirsch算子；人脸特征 中图分类号：TP391.41文献标志码：A文章编号：1673-4785(2018)05-075109 中文引用格式：杨恢先，刘建，张孟娟，等.双差值局部方向模式的人脸识别.智能系统学报，2018,13(5)：751-759. 英文引用格式：YANG Huixian,LIU Jian,.ZHANG Mengjuan,etal.Face recognition with double difference local direetional pat-- tern[J].CAAI transactions on intelligent systems,2018,13(5):751-759. Face recognition with double difference local directional pattern YANG Huixian',LIU Jian',ZHANG Mengjuan',ZHOU Tongtong (1.College of Physics and Optoelectronics,Xiangtan University,Xiangtan 411105,China;2.Mechanical and Electrical Engineering College,Hu'nan Institute of Applied Technology,Changde 415000,China) Abstract:To solve the problem of insufficient feature extraction and sensitivity to the noise and illumination en- countered using difference local directional pattern(DLDP)method,this article proposes a double difference local direc- tion pattern(DDLDP)face feature extraction method.First,a 3x3 domain pixel gray value with a radius of 1 and a 5x5 domain pixel gray value with a radius of 2 were convolved with eight Kirsch template operators to obtain two groups of eight gray response values.Then,the gray-scale response value with a radius of I was obtained as a difference between the values of the neighboring pixels at both sides to obtain eight gray-scale response differences.Meanwhile,the edge response difference values of different radius were also calculated.Finally,the two sets of gray response differences were taken as absolute values,and their maximum absolute values correspond to the subscripts form DDLDP code.Sim- ulation experiment results show that the proposed algorithm has better recognition effect than other single face recogni- tion algorithms based on local directional pattern(LDP).The DDLDP algorithm can fully extract the facial features,and have better robustness to illumination and noise. Keywords:difference local directional pattern;feature extraction;double difference local directional pattern;face re- cognition;Kirsch operator;face features 收稿日期：2017-06-09.网络出版日期：2018-04-11. 如何充分提取图像纹理特征是人脸识别技术 基金项目：湖南省教育厅科学研究项目(15C1009). 通信作者：刘建.E-mail:963645618@qq.com. 的核心。一般，人们习惯将纹理特征分成全局
! "#$% #&# ! '()*+,-./01234 567 89: 8;?? @ABCDEFGHIJKDLMNOAB&"P NOQRSTDLUIJKDLMNOVW &"X YZ[\]^_`abcde fghg%ijklmnopqr]stuvwxyz{|}~l^_ `abcde fgghg%i bq } _r } "" _ # d ¡¢£¤]¥ #¦¥_§¨ }¦¥_© tª«¬¨^}be¡¢ #¦¥^_® r ¡¢}¦¥_¯°^±¡¢ # ¦¥^_²¨£¤¦¥^_m³]_´²µ³]_¶]¥°·¸¹º» gghg%¼½¾¿ ÀÁÂÃĪyÅÆÇÈ`abcde}É ÊbËÌÍÎÏÂgghg%ÍÐÑÒ ÓlmÔ jkÕÃÖ]strvwÍÎ}×ØÙ ÚÛÜ[^_`abcdeÝjklmÝ^_`abcdeÝ Ý Ý jk Þßàáâ[$% &ãäåæç[èãéêâ[ë&#"f #i"ë"ë Þãìíî/[ïðñòóôòõö÷òøù'()*+,-./01234úûüùýþòò ù ãìíî/[ò ûò !ò "#ù$% & %' "'(")*'+# *,, & % #'%#*& %"'#-". " &úûüù/"&0%"'0'" ## "010" 20òò ù $% & %' "'(")*'+# *,, & % #'%#*& %"'#-"" & 3è4567 8 h9:; ?7 A> fBA!! > AC%D @ A ! A ME > : F DME > &"MB P = ! G! !G> > BA!! > M67H 9 7 ACè! $ A!A>DMB > &"MB i +0"&%"$AA!F AI! AC 7CC C 7 8 A F D A A !!7 A J A7 7 > CC !A ! A ! fghg%i A M ! AA A7I! CC !A ! J A fgghg%iC C 7 8 A A K M A 8 !> DF !7 L 7AC "" A 8 !> DF !7 L 7AC L AFA!F L > ! A A AAI LA>A7AC > > D A F !7 $ M > DJ ! A F !7 L 7ACL AI CC I L F !7 AC >IA > 8 ! IA AAI > > DJ ! A CC = L ! M > A CC F !7 AC CC 7L !A ! 7! K !!DM LA AC> D A CC L IA!7 F !7 M 8 7 IA!7 F !7 A A A 7I CA gghg% A M J 7! A 8 7! AL AA !>A I A> A CC A >! C A> J A !>A I A!A ! A ! fhg%i$ gghg% !>A C7!!D 8 C !C 7 M F I AI7 A !!7 A A N 1('&*0 CC !A ! A ! PC 7 8 AP A7I! CC !A ! A ! PC J A> AP A APC C 7 OPpqlmQRSjkT UV }WXYJ Z [ \]^RSjkq»_` `abc[ ëë bc[ #ë&ë defg[hijklmnopqrs f"B i tuvw[xyGJ !z &"#{|| A }~~}~~ ~ ~~~~ A!4A" ~~~ ~~~~ ¡ @ #
·752· 智能系统学报 第13卷 特征-与局部特征两大类。全局特征由于描述 本文提出一种双差值局部方向模式(DDLDP) 的是整个人脸图像特征，包括颜色、纹理和形状 人脸表示方法。首先，利用作差运算减少光照和 特征，会有大量的冗余信息。局部特征是指用一 噪声等外界影响因素对像素值产生的影响，因为 些特征点来简单有效地表示人脸特征信息，具有 影响因子对相邻像素点的影响是连续的，相邻之 对遮挡情况良好的稳定性和对背景与前景的可区 间像素值作差正好可以相互抵消一部分外界因素 分性。局部二值模式(local binary pattern,.LBP)向 的影响，但还不够。通过不同半径领域像素值之 是最常见和最有效的人脸特征提取方法之一，但 间的差值和同一半径领域像素值之间的差值运 对光照和噪声变化比较敏感，识别效果还不理 算，选取两个运算差值中的最大值，外界因素造 想，之后涌现出很多新的改进方法-"。Jabid等 成两个最大差值的变化相比两个最大差值本身固 于2010年提出了局部方向模式算法，即LDP(local 有的变化，基本可忽略不计，从而达到减少噪声 directional pattern)算法，是在LBP特征图的基础 和光照对其的影响。其次，双差值运算不仅提取 上，与Kirsch算子卷积得到的人脸特征信息，表 了相邻卷积后的人脸灰度值之间的内在梯度信 现出对光照和噪声较强的鲁棒性，由于特征模式 息，而且提取了相邻不同半径人脸灰度响应值之 数还比较大，加上卷积所耗费的时间，LDP算法识别 间的外在方向信息，内在梯度信息和外在方向信 时间会很长。之后不断出现一些新的改进算法四， 息的结合使提取的人脸特征更加丰富。最后，由 比如：2105年朱明旱1提出的改进局部方向数字 于编码值是2位8进制数，模式数为64，相比DLDP 算法，特征维度将会减少。 (improved local directional number pattern, ILDN)的算法，是一种采用16邻域和24邻域两 1 DDLDP 种边缘模板的局部方向模式，虽然识别效果有所 改善，但多尺度多半径特征提取，卷积次数明显 1.1DLDP码 增加，大量增加了训练时间：吴迪等718提出显 为了提取更多细节的人脸信息，DLDP算法 著型局部方向模式(significance local directional 是在LDP算法基础上，通过计算近领边缘响应值 pattern,.SLDP)和显著型局部方向差值模式(signi- 之间的强度变化，揭示了图像潜在的结构信息， ficance difference local directional pattern,SDLDP) 本质上是强度空间到梯度空间人脸信息的一种跨 算法，需要对两组编码进行求和取平均，这样会 越，使人脸特征信息得到更充分的提取。具体步 造成区分度降低；2015年Rivera等提出LDTP 骤如下。 l)将图像3×3子领域I与8个Kirsch算子卷 (local directional texture pattern)算法，将原始空间 积，得到相应8个方向的边缘响应m,(=0,1,…,7), 采用中心对称方式提取方向信息，在强度空间提 表达式为 取最大边缘响应值，虽然人脸特征信息会增加， m:=I×M (1) 但原始空间的方向会导致算法的不稳定性增加： 2)将近领边缘响应值m,之间按照一定顺序 2015年李照奎等20在LDP基础上提出差值局部 作差并取绝对值，得到相应8个差值n,(j=0,1,…, 方向模式(DLDP)算法，来提取相邻卷积后的人 7),同样也相应地对应到8个方向。计算方法 脸灰度值之间的特征信息，引出了差值空间的新 见式(2)： 思路，相比LDP的强度空间，表现出对光照、噪 m+1-ml,je[0,6] 声、遮挡更强的鲁棒性；但按照LDP编码方式，不 ，= lmo-mal,j=7 (2) 仅特征模式数较高，而且只单一地考虑近邻边缘 3)将绝对人脸灰度响应差值按照从小到大 响应值之间的强度变化，会造成特征提取不充 的顺序，选择第k位的值作为判别点，再将大于 分；2018年Khadiri2提出3值模式LDTP(local 等于n的所有n,值所对应的j位取1，剩下的8j位 directional ternary pattern)的算法，由于会选择一个 取0。表达式如式(3)、(4)： 固定的阈值，不同情况下，阈值会有波动，算子的 - 适用性不强；王晓华等2于2016年提出梯度中心 DLDP()= ,S(n-n4)2 (3) =0 对称局部方向模式(GCS-LDP)算法，采用的方式 1,x>=0 是提取方向信息和人脸强度信息，但在强度空间 sx)=0, 其他 (4) 上编码时，采取中心对称作差的方式，提取的方 4)图1给出了=3时，计算DLDP码的一个 向信息会造成编码不稳定。 实例
!"#$%& '( )*+,- ./0 12345(6789,- :( ;?@ABCD$;EFGFHI JD KLMNOPQRSTQOUVWTXYOZT[[\XW ]^_` a bcd$b(6efghi0 j ;kl$mnopqrst uv6wxy# z i{|}~gh TUV e~ gMNh ]_PQRSTQ VX\S[VRWTQOZT[[\XW`h ]^_ VXS,- 8 }~;kl$mnrD MN xqr ¡¢£¤¥¦ ]_huv ¥¦'§i{y¨~}01h q©ª «¬ a e~ g ® MN PV¯ZXR°\OQRSTQOVX\S[VRWTQOW±¯U\XOZT[[\XW ²]³`h 0´µ/ a¶·$ ¸¶· ´¹ºM» gMN ¼½uv6w(¢ ¾ j¿ÀÁÂef à ¬Ä Å¡ )Å¡ÆÇ¥¦ÈÉÊ Ë e~Ä ÌÍ gMN PVÎWVÏVSTWS\OQRSTQOVX\S[VRWTQ ZT[[\XW Ð]_`$ÄÌÍ gÑLMN PVÎWV ÏVSTWS\OVÏÏ\X\WS\OQRSTQOVX\S[VRWTQOZT[[\XW Ð]_` h ÒÓ; ÔÕÖ×Ø$fÙÚ ÛÜ' ÝÞIJÀßàÈ áV°\XT â e~ ]ã_ PQRSTQOVX\S[VRWTQO[\ä[±X\OZT[[\XW`h åæçè¦ µ/éê;ëgNefg,- Àè¦e fb ¹ºìíL ¼½,-'Å¡ jæçè¦g'îïhyBCDÅ¡È ðlñ ]_e~ÑL gMNOP]_`h 3efò¶{ óÀLi¦,- ô~ÑLè¦ õö òq ]_Àè¦ 8}~;kl!m n!? L'( /DyÈ ae~Àéê ;ë gMN PÐ]_`h µ/gN efg,-$À,- jÀè¦ ÕÖ¥ µféê;ëÑgN efg ,-'ÝÞÕÖyBC e~0´ÑL gMN P]_` 89gh /Ñkl$ mn ì ; L ! ì " ì ;ò¶ 2 ì#$ ò¶i ¦ LÑ%AH&ò'()0 J ì jxy*+,yÁÂ-· Li ¦ÑL$0ÁÂ-· Li¦ÑL f ÑLéb L Ý Þ b ÑLopòq b ÑL. (op H/0y1 2û3mn $kl;4 ì4à ÑLyùef ò¶{óÀLi¦5À, - ûüefò¶yÁÂóÀìíLi ¦g,- 5À,-$g, -678ef÷¡9:b{ ÕÖL ; Ë OOOO]_? "ef÷@A,- ]_h ]_h +,1-¹ºìíL i¦Àop B9C6D,- EÀè¦Àè¦,-0´F G 8,-÷Jef:HI J© KL `å M-· N Ë VXS òí Ëg¹ºìí POPQO QORRRQO` 83N" KLSTUVL WXY KL Z[ `å-¹ºìíL i¦øl0C\] Ñ^f_;L òí ËÑL PO`PQO QORRRQ ` Üaòí7;í Ëg1gh dN P`ª Z[S b cdLefgdLch [ijkhlm cdkgdnch [Sn WoY Z[ Zp Zp Z[ `å_;óÀìíÑL øl2q \] r s;L "tv2 uå ¢( L¢;í `;f v Ë`; f 83N©Nwx!w¸xª yzy{|T}S ~ gf [Sk |Z[gZp}[ WY |}S b fh Sk kh WY ¸` ~ sP¥ 1 ]_Ö0 rO O
第5期 杨恢先，等：双差值局部方向模式的人脸识别 ·753· 1216 1600 3 7-503 T'M M 1224 32 26 -104 224 216 600 M 537 53 50 10 -399 376 0 104 0→DLDP-0101010: % -376 -96 64 400 96 M ⊙ 97% 303 -64 -400 图1DLDP码计算例子(k-3) Fig.1 An example of calculating DLDP code(k=3) 1.2 DDLDP码 人脸灰度卷积值m和m(位，j=0,1,,7)。如图3所 DLDP算法是对LDP算法存在问题的一种改 示列举了其中正东方向不同半径的Kirsch算子。 进算法，本质上揭示了像素块之间内在关系，虽 「-3-35] 然相邻像素值之间作差可以减少对光照、噪声的 0 M=-305 影响，但作用有限，人脸特征提取本质没有很大 -3-35 的变化，人脸特征提取还不够充分，识别效果还 -30-305 不够好，模式数较大。本文提出的DDLDP算法， 00005 M2 -30005 考虑了不同半径边缘响应值之间的外在方向关 0 0005 系，把边缘响应值之间内在关系和外在关系结 -30-305 合，使人脸特征得到更加充分的提取，并且减少 了人脸的特征维度，缩短了识别时间，降低了光 图3正东方向的不同大小的Kirsch模板算子 照和噪声对人脸的影响。DDLDP算法原理如 Fig.3 East of different sizes of Kirsch template operator 图2所示。 计算方法见式（⑤）、(6) m=I*M (5) m=1*M2 (6) 式中：1和2表示输入图像；M表示半径为1第 A i个Kirsch模板算子；M表示半径为l第i个 Kirsch模板算子；m表示半径为1的边缘响应值； B.m m Bo m表示半径为2的边缘响应值。 ●m B m 然后，将半径为1得到的人脸灰度响应值 m m:(i=0,1,…,7),用前后相邻作差的方式，得到 B 8个绝对人脸灰度响应差值A(i=0,1,…,7),再将 不同半径大小的相邻边缘值，用上下相邻作差的 方式，得到8个绝对人脸灰度响应差值B(=0, 1,…,7)。计算方法见式(7)、(8)： 图2 DDLDP算法原理 A=m-m以i=7 lm+1-ml,ie[0,6] (7) Fig.2 DDLDP algorithm principle diagram Bj =Im mjl,je[0.7] (8) DDLDP算法具体步骤：首先，将半径为1的 最后，分别将两组值A,和B,中最大人脸灰度响 3×3领域人脸灰度值1，与同样大小半径的 应值对应的编号下标位置i和j,构成二位八进制 Kirsch算子M进行卷积。同理，将半径为2的 DDLDP码，如式(9)~(11)所示： 5×5领域人脸灰度值I2与M卷积，分别得到两组 i=arg max{Al0≤i≤7} (9)
!"#$% &'( ) !*+,-./ 01234 567*89:;?@A9BC DE;?@FGHIJKLMNF GHOPQRSCTU?V WX GYZ[\]6^) !_`a# $b\]6^) !"#$c_#$d ef;ghijIJ?@kl./ ;mnop KLq!rs 0 1c34 ; > > > => ? > >>> >>> > ? = ? > > <= <= <= <= <= <= ?? ? ? @A @A B C C DEFGHIJKLH M:N&;OP Q N($%)%% : (NR N$%M:N&;( !"# ( $" : ($: »S TUVW+)XY`aPQ;<KL Z¥Z
·754· 智能系统学报 第13卷 j=argmax{B,l0≤j≤7] (10) 可得，DDLDP码模式数为64。图4所示详细 DDLDP(I)=i×8+j×89 (11) 地展示了DDLDP算法编码流程。 3 234123 27 外作差 最大值下标 取绝对值5 173325 21 年27 9 DDLDP(D=2×8+I×8" 8840 内作差 6 24 24 最大值下标 取绝对值 8248 6 图4 DDLDP码计算 Fig.4 Example of calculating DLDP cod 1.3 DDLDP优势分析 差值的变化相比两个最大差值本身固有的变化， DDLDP是对DLDP算法的一种改进算法，其 基本可忽略不计。因此，双差值运算在对噪声和 采用的双差值运算不仅表现对光照和噪声更强的 光照的鲁棒性方面具有更好的效果。 鲁棒性，而且人脸特征得到更加充分的提取。证 双差值运算既提取了相邻人脸灰度响应值之 明过程如下。首先，假设a=m,b=m,c=;由 间的内在梯度信息，也提取了相邻不同半径人脸 式(7)、(8)得：A1=la-b1,B,=la-c:外界因素对其 灰度响应值之间的外在方向信息。图5具体展示 影响：d=m+e,b=m+,c'=m+;同理，由 式(7)、(8)得：A1=la-b+e-,B1=la-c+E-elo 了特征提取图和人脸直方图。由图5可知，DDLDP 因为e-≤，le-≤，所以作差可以抵 算法的特征提取图纹理轮廓更加清晰，人脸提取 消部分影响。又由相邻像素值的连续性可知， 更加充分；DDLDP算法直方图数据分布波动更 1s-和1s-ε很小，由式(9)、(10)可得，选择最 小，表现出对噪声和光照等外界因素的鲁棒性；并且 大a=max{A,0≤i≤7)和B=max{B,0≤j≤7}；可得， DDLDP算法的特征模式数为64，相比DLDP和LDP 8le-l,B-l。外界因素造成两个最大 算法，特征维度更小。 100 80 LDP 譬 60 40 20 50 100.150200250300 灰度值 80 DLDP 40 20 0 50100150200250 300 灰度值 100 80 DDLDP 20 010203040 50 60 70 灰度值 图5LDP、DLDP、DDLDP算法特征提取图 Fig.5 Feature extraction of LDP,DLDP and DDLDP algorithm
!!"!#$%&'( )*+, *-./0 12.3 !!"!#456$78+ 9:;?@ AB CB D EBD F AGC AGE AHB I CHB D I D EHBD ID FH AGC I GI D H AGE I GID !!"!#JK !"!#45LMNOP45 Q RSLTUVW4XYZ[K\]^_`abL cde fghijk lamnoLpq+r st8uv+wx yz {| & }~} { KQ { | & }~} + I GI D I I GI D I D I GI D I GID F I GI I GID ( -U o+|VLe ^ |& }}9 ¡¢£ ¤ ^ { + ¥¦§¨£¤ UVL©ª«§¨£¤UV¬®¯L©ª °¬ ±²X³+ ´ TUVW4µK_`^ \]Lcde¶·¸¯a¹Lº»+ TUVW4¼pq3hi½¾¿VÀ ÁLµþÄÅ Æpq3XÇÈhi ½¾¿VÀÁLµ¶ÉÄÅ+, ʸË2. 3jkpq,^hi̶,+|, Ê !!"!# 45Ljkpq,ÍÎÏamÐÑ hipq amno{!!"!#45̶,'ÒoÓÔÕa Z[ÖK_`^\]× Lcde{Øg !!"!#45Ljk%&'( )* « !"!#^ "!# 45 jkÙ¾a+ < ÚÛ ÜÝ ÜÞß ÜÞà Üá Ú Üàâ àÞ ÜÞà âã âã Þß Þä Üâã Ú ÜÝ Þä àÞâ ä äÝß ÚÝÛ Ú Û â Ú Ý åæç èéê ëìíîï ðéê ëìíîï ñòóí ñòóí Þâ ôà Þâ àä ââ ÞÝ à Þ à à ß ßôá ß Þô ß Þô Þô à â Þ Ú á Û â Þ ä à Ú á Ý Ý Û ä õõöõ÷øùúûÞüßàýàüßá < þ<<<<< <<<<< << << < !"# "!"# ""!"# $%& $%& '( '( ) $%& '( < þ<*<<<<++,-./0þ <*<<<< 1< 1 <<2<< << 13 4~Ê*4 56768696:6; <<9;<=
第5期 杨恢先，等：双差值局部方向模式的人脸识别 ·755· 2人脸描述 行从块行大小113、块列大小1~13的循环分块， 并从中选择最佳分块方式。每一个子块用符号 DDLDP人脸识别算法流程图见图6，具体步 Im表示，其中，xe[1,13] 骤描述如下。 4)考虑到人脸不同部位的特征信息不同，计 1)对人脸库进行预处理，最主要是对人脸以 眼部为中心进行裁剪，以提取有效的人脸部分。 算出图像每个子块各像素点的局部信息嫡，计算 2)对预处理后的人脸图像采用DDLDP算法 方法见公式(12) 进行特征提取。DDLDP算法具体编码方式见1.2节。 H(I,)=- ∑P,logP) (12) 3)因为不同的分块有不同的识别效果，所以 对每一张图像进行分块处理。本文对人脸图像进 式中：P表示第i个灰度级出现的概率，i[0,63]。 算法 统讨 编码 「直方图 原始图像 特征提取 图6 DDLDP算法流程图 Fig.6 DDLDP algorithm flow chart 5)根据分块后每个像素点的局部信息嫡的熵 自126个人，该人脸库分为姿态（不同笑的程度） 值，计算出分块子图的贡献度即权值。计算方法 光照（不同光照方向和大小）、遮挡A(戴眼镜)和 见式(13)： 遮挡B(带围巾)等4种变化。具体人脸库图片如 图7所示。 W(x.y)= (13) 式中：P和Q分别代表分块的行数和列数；x, (a)部分YALE人脸库 ye[1,13]e 6)将所有分块的统计直方图特征信息串接， 融合成一个直方图。计算方法见式(14)： (b)部分ORL人脸库 ) (14) x=I=1 7)再通过PCA对特征向量进行降维处理。 (c)部分AR人脸库 8)最后，通过Chi平方统计2分类识别，求得 图7部分YALE、ORL、AR人脸库 识别率。计算方法见式(15)： Fig.7 Partial YALE,ORL,AR face database X(SH,MH')= 9(SH(j)-MH(Uj》 名SHU)+MHr) (15) 3.1分块数的选择 因为人脸特征信息分布不均匀，所以对人脸 式中：j表示对应第几个子块；SH和MH分别代 进行不同的分块会有不同的识别效果，分块数太 表测试与训练样本待比较的特征向量。对于卡方 少会有大量的信息冗余，分块数太多会丢失人脸 而言，匹配度越高，距离越小，则卡方值越低，同 特征的空间信息，这都会导致人脸识别效果不 理，反之。 佳。所以对图像进行处理后，为了选择出最佳识 3实验仿真与分析 别率，本文对人脸图像进行从块行大小113、块 列大小1~13的循环分块。其中，在YALE和 对YALE人脸库、ORL人脸库和AR人脸库 ORL库上随机抽取每个人3张图片构成训练集， 进行相关实验。耶鲁大学创建的YALE人脸库 在AR库上都选第1张构成训练集，剩下的构成 有15个志愿者，共165张图像，图片大小为 测试集。最终识别率由重复实验50次的平均值 100×100。选择的人脸情况为不同的光照、不同的 来表示，再选择最合适的分块方式，具体实验结 表情和不同遮挡等。ORL人脸库有40个人，每 果如图8所示。由图8可知，在YALE库中，当行 个人10幅图像，共400幅人脸图像，其人脸表情、 分块固定不变，列分块3~10时，识别效果最佳， 细节、姿态、年龄、性别、种族等均有变化，图片 呈现中间高，两端低的变化情况；当列分块固定 的大小为112×92。美国普渡大学的AR人脸库来 不变，行数7~13时，识别率最好，呈现前段低，后
! "#$%&'()*+! , -./01#$23,45678 .9 : !%&';8 #$?@45 ABCD EF G H/IJ89K6IJ8 7LM, !NOPij klm0nopq r Gs t uvw IJ.x8?@yzIJ{ |? ?@8@AyzBC8DE 7LI f M,!<#$&';/Fde|(f QR! <#$[K$\] ^ G_K `\] ^ G8ab9K m0G ú¿û¬ üý"HIJK5Ng GP L¸ßàM G ¿ý"HCd PL¸ßàMN 8L¸ ÜÝM (O PQR S8Ç ¢ %kl»de(·T89KCDU L ÄMl P ÄVWG ú¿û"0X$ 9KYZI `9K G^ [ 7L(f \0Aì]^ð8 °X`9KYZ I $¯ º^ G[ (_\`að; bc de fghij klmn op uvjw qrstxyzyyyy{{|{}~x yzyyyy{{|{}yyy yyyy yyyy yyyy xy yyyy¡0 ¢£|¤¥¦§|¥£§¨©ª y yyyy}y¢£|¤«y¦§|«y£§y¬y®¯¬ ° ±²³´µ¢.CÀ¶D8 ·º·
·756 智能系统学报 第13卷 端高的情况，获得最高识别率的分块大小为 识别率较差外，其他分块识别效果呈波动变化 11×10(行分块数为11，列分块数为10)。在 ORL人脸库上获得最高识别率的分块方式为 ORL库中，当行分块固定不变，列分块1~4时，基 7×4;同理，AR表情集、光照集、遮挡A和遮挡 本上识别率快速增加，列分块5~13时识别率缓慢 B获得最高识别率的分块方式分别为4×11、6×8、 下降；当列分块固定不变时，除行分块数为1时， 7×5和13×10. 1.0 1.0 0.8 0.8 0.6 0.4 0.4 0.2 0.2 13 11 135791113 33> 行分块数 3 57 列分块数 1 列分块数 91113 13>91 行分块数 (a)YALE人脸库 (b)ORL人脸库 1.0 1.0 0.8 0.6 0.4 04 0.2 13 13 0 1 1357 行分块数 3 3>911 列分块数 91113 5791113 列分块数 1 行分块数 (c)AR表情库 (d)AR光照库 1.0 1.0 0.8 0.8 0.6 0.4 0.2 0.2 13 13 0 3 5791113 列分块数 3>9 行分块数 3 35>91 1 5191113 列分块数 1 行分块数 )AR遮挡A库 (①AR遮挡B库 图8YALE、ORL和AR人脸库识别率 Fig.8 YALE,ORL and AR face database recognition rates 3.2实验识别率与实验分析 CSLDP对应最佳分块为11×11。在ORL库上训 为了体现DDLDP算法的优势，选择如下 练样本为4时，LDP、DLDP、GCSLDP、SDLDP对 算法进行对比：LDP2、LDNI、CSLDPUS] 应最佳分块为6×3，LDTP对应最佳分块为7×3， SDLDPTS)、LDTPU9、DLDP21、GCSLDP22I。在 LDN对应最佳分块为5×3，CSLDP对应最佳分块 YALE库上训练样本为4时，LDP、DLDP和SDLDP 为7×2；同样在AR人脸库中各算法都取对应最佳 对应最佳分块为13×13，GCSLDP和LDN对应的 分块情况下的实验结果，YALE和ORL人脸库训 最佳分块为12×13，LDTP对应最佳分块为13×12， 练样本数为24，分别如表1~3所示
! "#$% &'() *+ ,-./ 0&1( 23 456! "#$%(7 ( 89:;?@A%B CD + EF G'6HIJ KLMNOLMPQ RSPQ T EF 'MUVM G0S 1 1WXYYYYZ[\]^_Z[`a bcd ee efghijklm4 ghnopq efrXs M etr's Muv efr0s M ve efrVs M ewfrxs Me efrXs Myuv efrXXs zJ { +|}~* '( efMe efS ve ef o 11yuv efS eto X1 ewfo 1X uv efo +| }~* '( efMe efMyuv efMve efo U1 ewfo G1 eto 01uv efo GX6H~ J CD gho 4 >zJ {S CD | }~* X&' mK &1 Y ¡¢£Y¤¥¦§YY ¡¨£Y¥©Yª« ¡¬£Y¥©Y®Y¯YY ¡°£Y±©¦Y ¡²£Y¥©Y³´ Y ¡µ£Y¥©Y®Y¶Y ·Y¸YYYY¹º»¼½¾¿»À º¿ÁÂÃ\]^ ÄÅÆÇY¸YYYY¹º»¼ÈY¾¿»YÉÊËYº¿YÌÉÍÎYËÉÏÉÐÉÑÎYÒÎÍÓÆÊÅÏÅÓÊYÒÉÏÎÑ ÔG0UÔ ÕYÖY×YØYÙYÚ ÛY1YÜ
第5期 杨恢先，等：双差值局部方向模式的人脸识别 ·757· 表1各种算法在YALE库识别率的对比 LDN和CSLDP算法，利用与8个Kirsch算子卷 Table 1 Contrast in YALE library identification algorithm 积，得到8个方向的边缘响应值，只是编码方式不 每类随机选取样本数 同，在提取人脸信息方面，单一地利用了梯度空 算法 2 3 4 间原始信息。DLDP算法利用与8个Kirsch算子 LDP 78.34 82.00 82.72 卷积，得到8个方向的边缘响应值，然后，将近邻 LDN 81.37 87.08 88.48 边缘响应值之间相应作差，在提取人脸信息方面， CSLDP 87.38 91.00 92.42 单一地利用了相邻边缘邻域梯度差空间信息。 DLDP 83.07 86.58 88.33 SDLDP算法利用DLDP差值运算的思想对井型 SDLDP 84.45 89.08 90.56 领域的特征提取方式进行改进，但对两组梯度值 LDTP 83.28 87.85 89.29 取平均，编码区分度会降低。LDTP算法是原始 GCSLDP 84.59 88.97 90.06 灰度空间采用中心对称方式提取方向信息，在强 DDLDP 89.19 91.50 92.86 度空间提取最大边缘响应值，虽然人脸特征信息 表2各种算法在ORL库识别率的对比 会增加，但原始空间的方向会导致算法的不稳定 Table 2 Contrast in ORL library identification algorithm 性因素增加。GCSLDP算法先对8个边缘响应值 采用CSLDP算法编码方式，再选取边缘响应值中 每类随机选取样本数 算法 最大值，虽然利用了梯度空间信息和梯度差空间 信息，但只是考虑像素邻域内在的空间信息，没 LDP 82.98 89.76 92.99 有考虑不同邻域半径像素值之间的外在空间信 LDN 86.50 91.32 94.52 息。DDLDP算法既考虑卷积后相邻人脸灰度响 CSLDP 87.06 92.74 95.44 应值之间的内在空间梯度信息，又考虑不同半径 DLDP 87.72 93.02 95.50 相邻人脸灰度值响应之间的外在空间方向信息， SDLDP 87.86 93.28 95.65 使人脸特征信息得到进一步的提取，所以在人脸 LDTP 86.68 90.85 94.29 识别效果上高于其他算法。 33噪声实验 GCSLDP 84.67 90.36 93.98 为了验证DDLDP算法的抗噪性，选择在 DDLDP 88.26 94.34 96.18 ORL人脸库进行噪声实验，选择均值为0的高斯 表3各种算法在AR库识别率的对比 白噪声作为噪声模型。其实验噪声的大小从0开 Table 3 Contrast in AR library identification algorithm % 始每次增加0.0001，增加5次，对比实验效果。 算法 表情集 光照集 遮挡A 遮挡B 噪声ORL人脸库具体操作同3.2节。为了直观体 LDP 96.33 93.00 90.00 70.67 现DDLDP算法的抗噪性，本文引入式(I6)来表 LDN 96.67 96.67 91.33 66.67 示算法识别率下降速度。 CSLDP 96.67 98.00 98.33 75.33 a==yx100% (16) DLDP 97.00 95.00 91.33 78.00 式中：x表示原本的识别率；y表示加噪声后的识 SDLDP 98.00 98.00 95.00 80.33 别率；a表示加入噪声后，各算法识别率的下降比 LDTP 97.33 98.33 93.00 76.67 例。a越小，表示抗噪能力越强：反之，a越大，表 GCSLDP 97.67 97.33 97.67 78.33 示抗噪能力越弱。加噪声后，各算法识别率结果 见表4所示。由表4可得，在噪声实验中，随着高 DDLDP 99.67 99.00 99.00 85.33 斯白噪声归一化方差逐渐增大，当高斯白噪声归 由表I~3可得，在YALE、ORL、AR人脸库 一化方差增大到0.0005时，对比LDP、LDN、 上，对比LDP、LDN、CSLDP、DLDP、SDLDP、 CSLDP、DLDP、SDLDP、LDTP、GCSLDP、 LDTP和GCSLDP算法，DDLDP算法识别率最 DDLDP算法，DDLDP算法的6值最小，体现本文 高。特别是在AR库遮挡情况下，DDLDP算法明 算法对噪声更强的鲁棒性。且在噪声条件下，相 显高于其他算法。所以在姿态、光照、表情和遮 比其他算法，DDLDP算法的识别率一直最高，具 挡情况下，所提方法具有更强的识别能力。LDP 有更强的抗噪性
!"#$ %&'"( )*+,- . /%012 &34 5678+ ) *+,-39: ;?!"@A& BCD EF GHIJKL MN OP EF:Q?RSTUVW(XY:Z[ \ 9]^_:`abcBCdefg hij^_& BCD EF GHIJKL M NOP EF:Q?RSTUVklmno RSTUVphqUrs 9]^_:` abcBCdqoRSotefsgh^_& BC sVu ?vwxy zt?'{9]:Z|}~|efV ]XY f& (ij fghC:Z9]:Q^_ > fgh9]$RSTUVk'{^_ ijgh?:Q ?[ & EFRSTUV C XY:Z]RSTUV $VkBCdefgh^_ efsgh ^_W(ot ?gh^_ âèpäç ѳ´@Açé&´¶lå !"#ê© ë ì3Ñ& ì ´¶·±íî% ¹º´¶ïbð:sñòó%¹º´¶ï bð:sP ¸ª¸¸¸«Áô ? õV$¼ÂÈÉÊ ´¶=>?ö÷&ø ´¶ùú-q 12 ?!"#bÆ$%; ?³´& « û«ü«««ýþ «ü«««««««« « ««««! « ¿"í#]$É% Äì &Eªì EĪ¸¸ EĪ&Ä Eª& E&ª¸E EEªìE E&ªE 'ª¸¸ 'ĪìÄ Eª¸& EΪÁE EEª EìªìÁ E'ª¸E '¸ªÁÎ EªÄE E&ªEÁ E'ªÄ' EìªÁ' EEª'& '¸ª¸Î E'ª' 'ªÁ¸ 'ĪEÎ « û«(«««ýþ )* «(««««««)*«« « ««««! « ¿"í#]$É% Äì EĪ'E E'ª&Î 'Ī'' EΪÁ¸ 'ªÄ 'ìªÁÄ E&ª¸Î 'Ī&ì 'Áªìì E&ª&Ä 'ª¸Ä 'ÁªÁ¸ E&ªEÎ 'ªÄE 'ÁªÎÁ EΪÎE '¸ªEÁ 'ìªÄ' EìªÎ& '¸ªÎ 'ª'E EEªÄÎ 'ìªì 'ΪE « û«+«««ýþ * «+««««««*«« « ««««! « +, 78, )* - )* . 'Ϊ 'ª¸¸ '¸ª¸¸ &¸ªÎ& 'ΪÎ& 'ΪÎ& 'ª ÎΪÎ& 'ΪÎ& 'Eª¸¸ 'Eª &Áª '&ª¸¸ 'Áª¸¸ 'ª &Eª¸¸ 'Eª¸¸ 'Eª¸¸ 'Áª¸¸ E¸ª '&ª 'Eª 'ª¸¸ &ΪÎ& '&ªÎ& '&ª '&ªÎ& &Eª ''ªÎ& ''ª¸¸ ''ª¸¸ EÁª /«Á«0 123à4sV56:Q»Z?!" 7&Á&7
·758· 智能系统学报 第13卷 表4各种算法在ORL库实验结果的对比 [5]WAN Minghua,YANG Guowei,GAI Shan,et al.Two- Table 4 Contrast in ORL library identification algorithm dimensional discriminant locality preserving projections (2DDLPP)and its application to feature extraction via 高斯白噪声 算法 fuzzy set[J].Multimedia tools and applications,2017, 00.00010.00020.00030.00040.0005 76(1):355-371. LDP89.7686.3684.1681.5478.8876.9514.27 [6]AHMAD F,ROY K,O'CONNOR B,et al.Fly wing bio- LDN91.3289.4388.3788.0387.16 86.235.57 metrics using modified local binary pattern,SVMs and ran- CSLDP92.7491.2890.2088.6886.8185.318.01 dom forest[J].International journal of machine learning and computing,2014,4(3):279-285. DLDP93.0291.9191.2790.0489.2488.414.95 [7]童莹.一种方向性的局部二值模式在人脸表情识别中的 SDLDP93.2892.1590.7289.5888.20 87.426.47 应用[).智能系统学报，2015,10(3)：422-428. LDTP90.8589.4087.9586.2884.9683.408.20 TONG Ying.Local binary pattern based on the directions GCSLDP90.3688.3887.9988.1987.3286.024.80 and its application in facial expression recognition[]]. CAAI transactions on intelligent systems,2015,10(3): DDLDP94.3494.0893.1492.5891.1090.963.44 422-428. 4结束语 [8]TAN Xiaoyang,TRIGGS B.Enhanced local texture fea- ture sets for face recognition under difficult lighting condi- 针对差值局部方向模式(DLDP)特征提取不 tions[J].IEEE transactions on image processing,2010, 够充分和对光照、噪声敏感的问题，本文提出的 19(6):1635-1650. 双差值局部方向模式人脸识别方法相比其他算 [9]张毅，廖巧珍，罗元.融合二阶HOG与CS-LBP的头部 法，DDLDP算法通过双作差运算不仅提取了相邻 姿态估计[U).智能系统学报，2015,10(5)：741-746， 卷积后的人脸灰度值之间的内在空间梯度信息， ZHANG Yi,LIAO Qiaozhen,LUO Yuan.Head pose es- 而且提取了相邻不同半径人脸像素点之间的外在 timation fusing the second order HOG and CS-LBP[J]. 方向信息，边缘响应值之间内在关系与外在关系 CAAI transactions on intelligent systems,2015,10(5): 741-746. 的结合使人脸特征得到了更充分的提取。在 [10]WANG Kai,BICHOT C E,LI Yan,et al.Local binary YALE、ORL、AR人脸库上，DDLDP算法均取得 circumferential and radial derivative pattern for texture 了较高的识别效果。在噪声实验中，DDLDP算法 classification[J].Pattern recognition,2017,67:213-229. 也表现出更强的鲁棒性，证明了该算法的有效 [11]GUO Zhenhua,LI Qin,YOU J,et al.Local directional 性。接下来的工作是研究不相邻边缘响应值对识 derivative pattern for rotation invariant texture classifica- 别率的影响。 tion[J].Neural computing and applications,2012,21(8): 参考文献： 1893-1904. [12]JABID T,KABIR M H.CHAE O.Local Directional Pat- [1]LANG Liying.HONG Yue.The application of face recog- tern(LDP)for face recognition[C]//Proceedings of 2010 nition in network security[C]//Proceedings of 2008 Interna- Digest of Technical Papers International Conference on tional Conference on Computational Intelligence and Se- Consumer Electronics.Las Vegas,NV,USA,2010: curity.Suzhou,China,2008:395-398. 329-330. [2]BOWYER K W.Face recognition technology:security [13]ZHONG Fujin,ZHANG Jiashu.Face recognition with en- versus privacy[J].IEEE technology and society magazine, hanced local directional patterns[J].Neurocomputing, 2004.23(1):9-19 2013,119:375-384. [3]VIDAL R,MA Yi,SASTRY S.Generalized principal [14]RAMIREZ RIVERA A,ROJAS CASTILLO J,CHAE O component analysis (GPCA)[J].IEEE transactions on pat- O.Local directional number pattern for face analysis:face tern analysis and machine intelligence,2005,27(12): and expression recognition[J].IEEE transactions on im- 1945-1959 age processing,2013,22(5):1740-1752 [4]SKROBOT VL.CASTRO E V R,PEREIRA R CC,et al. [15]杨恢先，翟云龙，蔡勇勇，等.基于中心对称梯度幅值相 Use of principal component analysis (PCA)and linear dis- 位模式的单样本人脸识别).光电子·激光，2015,26(5)： criminant analysis (LDA)in gas chromatographic (GC) 969977. data in the investigation of gasoline adulteration[J].En- YANG Huixian,ZHAI Yunlong,CAl Yongyong,et al. ergy and fuels,2007,21(6):3394-3400. Face recognition based on center-symmetric gradient
!"#$%&'()*+% , -./0 123456 1(6178,9:6;?@%-.AB CD%EFGDHBIJ( KL
第5期 杨恢先，等：双差值局部方向模式的人脸识别 ·759· magnitude and phase pattern[J].Journal of optoelectron- [22]王晓华，李瑞静，胡敏，等.融合局部特征的面部遮挡表 ics-laser,2015,26(5:969-977. 情识别[J].中国图象图形学报，2016,21(11)：1473 [16]朱明早，陈日新.局部方向数字模式算子的改进[.光 1482. 电子.激光.2015,26(6)：1179-1185. WANG Xiaohua,LI Ruijing,HU Min,et al.Occluded fa- ZHU Minghan,CHEN Rixin.Improvement of the local cial expression recognition based on the fusion of local directional number pattern operator[J].Journal of opto- features[J].Journal of image and graphics,2016,21(11): electronics-laser,2015,26(6):1179-1185. 1473-1482 [17]吴迪，唐勇奇，林国汉，等，基于显著性局部定向模式和 [23]DHURANDHAR A,DOBRA A.Probabilistic character- 深度学习的鲁棒人脸识别.光电子激光，2016,27(6)： ization of nearest neighbor classifier[J].International 665-661. journal of machine learning and cybernetics,2013,4(4): WU Di,TANG Yongqi,LIN Guohan,et al.Roboust face 259-272. recognition based on significance local directional pattern 作者简介： and deep learning[J].Journal of optoelectronics.lasers, 2016,27(6):665-661. 杨恢先，男，1963年生，教授，主 [18]吴迪，胡慧，李亚.基于显著性差值局部定向模式和深 要研究方向为图形图像处理和嵌人式 度卷积网络的鲁棒人脸识别[J].光电子·激光，2017， 系统。曾获湖南省教育厅科学进步奖 三等奖，湖南省教育厅教学成果奖二 28(8:902-909. 项。获得国家发明专利5项。发表学 WU Di,HU Hui,LI Ya.Roboust face recognition based 术论文80余篇，出版教材2部。 on significance difference local directional pattern and deep convolution neural network[J].Journal of optoelec- tronics.laser,.2017,28(8):902-909. 刘建，男，1992年生，硕士研究 生，主要研究方向为人脸识别、目标检 [19]RAMIREZ RIVERA A,ROJAS CASTILLO J,CHAE O. 测和语义分割。 Local directional texture pattern image descriptor[J].Pat- tern recognition letters,2015,51:94-100. [20]李照奎，丁立新，王岩，等.基于差值局部方向模式的人 脸特征表示[).软件学报，2015,26(11)：2912-2929 LI Zhaokui,DING Lixin,WANG Yan,et al.Face feature 张孟娟，女，1989年生，硕士研究 representation based on difference local directional pat- 生，主要研究方向为数字图像处理、模 tern[J.Journal of software,2015.26(11):2912-2929. 式识别。 [21]EL KHADIRI I,CHAHI A,EL MERABET Y,et al.Loc- al directional ternary pattern:a new texture descriptor for texture classification[J].Computer vision and image un- derstanding,2018,169:14-27
! " "#"$$ %&' ()* +,-./01234567 8 94:8 ! $"# ; ? @=AB CD E F G ! $"# ; H I JK LMN OPQ R STUVW+,X.12Y Z[\]5^_`abc 894:8 $ ! # d> e fgBh ij kEB h CG G $ ! # H $I JK lm no STUVWpq+,X.12YZ [rstu5^_`abc 894:8 $ ; ; ! "#"" d> e => = kE i CG G F vw $ ; ; ! "#"" H ;I Cg?xCA ? z D G ! }$# }; HI e=>CgBe=gC g ezCg g |GG ¡ G E G } } ! "#$ HI ¢£¤¥¦ §¨©ª«ª " ¬ª®¯ª° ±²³´µ¶·¸·¹º»¼½¾¿ ÀÁÂÃÄÅÆÇ®ÈÉÊËÌÍÎ ÏÐΪÅÆÇ®ÈÉ®ËÑÒÎÓ ÔÂÄÕÖ×ØÙÚÛ ÔÂØÜË ÝÞß ;àáªâã®ä å æ窫ª ""¬ªèé²³ ª°±²³´µ¶êëìíîïðñ ò¼óôõö ÷øùªúª ";"¬ªèé²³ ª°±²³´µ¶ûü·¹º»îý ¿ìí þ Rpq+,-.125`abc $ "