基于改进的LBP面部识别智能算法的研究

姚静姝

（山西大同大学 山西省大同市 037009）

在我国的现今发展中，许多时候都避免不了人的身份验证，面部识别技自开发以来便受到了各个领域的重视，他是一个具有多个学科相互融合的计算机应用技术其所涉及到的范围面也十分广泛，有巨大的应用市场。通过改进的LBP 面部识别智能算法来进一步增加面部识别系统的稳定性，扩大其应用市场，也进一步满足现今社会发展的需求，以此来推动计算机领域的深度发展。本文首先简要的介绍了人脸识别系统框架并解释了人脸识别系统现今所面临的挑战，只好详细的介绍了改进的LBP 面部识别智能算法，主要是通过辨别能力与噪声干扰能力，来进一步提高图像检索的精准性。

1 人脸识别系统的框架及其现今所面临的挑战

人脸识别系统包括了对人脸的检测以及人脸的识别两个部分，其中对于人脸识别技术也应用到了LBP 面部识别智能算法，随着人脸识别技术的不断成熟LBP 面部识别智能算法也进行了相应的改进。首先从人脸识别系统的整体框架来看，人脸检测是人脸识别的一个具体步骤，想要进行人脸识别，首先从人脸检测开始，从人脸图像中将人脸区域裁剪出来，进行归一化的处理。其中整体系统主要包括人脸的检测，图像归一化，表征分类识别以及还有人脸表情的分析。改进的LBP 算法主要是通过升级的一种自适应一直应用在人类面部识别算法之中，并通过对各个图像子区域的LBP 进行相应提取特定的纹理特征，紧接着通过信息上来对特征层已分解的直方图进行相应的加权。在feret 人类数据库中进行相应的实验证明，确保人脸识别的准确有效性。

人脸识别技术在先进的发展中有了极大的应用价值与研究意义。但是由于人脸识别技术的应用环境的可控性较低，有时候由于识别人物的不配合，导致了人脸识别技术的使用以及性能受到了很大的影响。在现今人脸识别技术中由于鲁棒性他人练构建模型以及精准的特征匹配需要被监测对象的各种图像采集条件变化鲁邦的核心算法识别来完成，但是由于光照变化的原因，在室外的影响尤为明显，其实还有姿态，表情年龄以及脸上的遮挡性饰品相应的问题，很容易导致面部检测出现问题，尤其是这些问题同时发生时将会很大程度的为面部的检测识别工作增添了难度。此外，由于人脸的表情较为丰富，且人脸成像的背景较为复杂再结合外部光照角度等一系列细小的问题，都为人脸识别技术带来了巨大的阻碍。

2 改进的LBP面部识别智能算法

本文中改进的LBP 面部识别智能算法是通过自适应阈值的LBP 算法来进行实现的，在这一过程中相对于传统的LBP 算法，它是通过在各个区域中适应的图像他LBP 值来降低以往算法的繁琐复杂性，以此来进一步提高图像局部特征采取的精准度。针对于传统的LBP 算法来说，它具有良好的稳定识别性，但在传统的LBP 算法中只是笼统的对图像的纹理特征进行相应的采取工作，在这一过程中也啊，导致了许多重要纹理图像的缺失性。但在真实的图像中，每一跨子区域中所含有的纹理细节是不大相同的，LBP 算法也应该根据每一个不同的区域细节的复杂程度来进行不同程度的权重赋予。这样的头像反映纹理才能确保后期特征提取可以反映用信息，也很大程度上降低了数据的占有量，并且确保关键特征得以保留。可以通过对人类区域进行区域内的定位，像是眉毛，眼角，嘴角，鼻翼等，有效的定位可以确保图像中美一块子区域特征的精准性，完成预处理后对于之后的提取工作也奠定了相应的基础。

2.1 LBP面部识别智能算法中自选适应阈值

在人脸识别的技术整体流程过程中面部特征的提取是一个非常基本且异常重要的流程。如何可以快速有效的提取出正确且具有鲁棒性的特征特点，是改进LBP 面部识别智能算法中非常重视的一个问题，因此不得不重视对面部区域适应阈值的选取，通过对面部图像进行科学的次区域划分之后，将各个区域的LBP 统计直方图进行有效的提取。在改进的LBP 面部识别智能算法中，对于传统LBP 算法所存在的优势进行了保存，阈值根据所呈现图像的具体情况进行相应的适应选区，将不同纹理风格的子区域进行区别对待，通过分别对待其他差异性来进一步提高识别的精准度。再进行中心点像素周围区域均值的计算时，可以将阈值取值调成均值的m%。接着在在具体实验中来确定m 的具体取值。最终取值必须要通过后续的细节实验来进行确立。确立最终其实可以通过ATLBP 特征实验中对不同值算法的考验情况，观察m 取值时算法的变化波动情况，接着在后续实验中来选取识别波动较小平稳的作为自适应阈值的最优选择。

2.2 特征层信息熵加权融合

在1948年的时候信息熵每一位美国学者提出并在信息熵加权中展开了应用，通过信息熵可以获取图像中所能出现的各类信息，并分析各个图像中不同的特征层来满足各种不同信息熵的表述，在这之中图片中所呈现的纹理细节的丰富程度和信息熵之间有明显的正比例关系，因此我们可以通过信息熵将化分的每一个小区中所反映的图片特征纹理值进行量化，以此这样便形成了特征层信息熵权重。在进行多层特征的融合过程中，需要通过各个子区域图像的特征贡献度来进行信息熵的计算，从而可以更加准确有效的确定每一个子区域的权值，通过进行相应的计算，假设出第级像素点所出现的频率，根据以往的有效数据可以看出，在子区域中如果信息熵大同时也将会赋予他更大的权值。

2.3 提取直方图向量

建立在在2.2 特征层信息熵加权融合的基础上，在6 可面部图像子区域通过计算与处理环节，进行局部的权值，再通过预处理之后便可以进行LBP 的交换，通过这样的方法便可以得到6 种不同的特征，通过对这6 种特征的分析，来进一步建立特征的融合直方图，常采用的方法便是将这6 种特征并联在一起组成一个三维的直方图，在直方图中也分别将整个图像的纹理图以及子区域的纹理图在现有的级联直方图中进行相应的加权，并在这一过程中适当的进行分类识别的融合，这样的融合方式可以有效的减少了直方图间由于相互作用所产生的不良影响，大大减少了检测时间的消耗。

2.4 进行分类识别

为了确保人脸识别技术的准确性，在这之中必须对所获取到的人脸特征向量跟数据库中所现存在的特征向量今相比较工作，并在这之中寻找最为相近的向量，之后再进行下一步的审核。可以通过对特征值设定他一直范围以及相应的计算结果，进行详细的审核。如果所有信息都相符合他们便认定这一向量便是所要查找的人。在部分实验中有的通过通道最近邻分类器来将6 个区域中所获取到的信息通过最近邻分类器进行相应的分类工作。

3 改进的LBP面部识别智能算法的实现

3.1 对人脸结构的划分和检测

LBP 面部识别首先就是要勾画出人脸的五官，才能更加准确识别面部。人脸的划分和检测就需要训练采用不同的样本库等精准地算出人的眼睛，鼻子，嘴等。然后在检测的时候需要输入人脸图像，然后在检测对应的地方，最后就可以在这个相应的区域进行LBP特征提取。所以要做好划分和检测的工作，这样才能更加精确人脸的每一个结构，在检测时要注意人脸图像的输入是否正确。去更好地实现这个智能识别。

3.2 把LBP特征提取进行归类

为什么要把LBP 特征提取归类呢？因为LBP 特征提取需要根据不同的结果去进行更加精确的模拟。所以我们可以先根据上述中检测的人脸重要区域和非重要区域采取LBP 的特征，然后LBP 特征提取本身就是一种算法模拟的东西，它需要加强那种空间模拟结构，让智能识别更加具有生动性。智能识别它需要一个精准度，也需要更加深入化。在LBP 提取特征中要掌握图像局部的纹理特征，这样才能更好地进行计算。所以我们要先计算图像在图像局部领域的一个二值关系，然后根据这种关系加强局部的二值模式，然后，就是根据这些局部领域的序列去观察图像的特征。每个智能识别的程序和其中的过程都有它的计算方法，比如这个图像局部的纹理特征，它是用二进制乘以相应的加权值2p，然后再用累加法得到一个中心，这样就可以得到一个圆，然后以R 为半径对图像局部的纹理特征进行描述。这样就可以得到一个详细的纹理特征了。

然后就是根据空间的直方图对LBP 进行编码。人的脸部的每个地方有不同的纹理，所以在描述LBP 直方图时要利用整体的纹理信息，然后就是用直方图去描述不同局部领域的直方图信息。然后利用人脸器官不同的位置，去把这些直方图信息连在一起，最后就可以去描绘出整个的人脸部信息。然后根据一些计算机算法，对整个图像进行一个过滤删除，这个过程它需要uniform 模式去增强整个局部特征。然后把除了鼻子，眼睛，眉毛等明显的器官都进行一个过滤，让整体的图像看起来更加逼真。

3.3 对PCA特征进行修改

因为LBP 直方图信息有一定模式，它体现的区域是为矩形的，因为要采取PCA 算法，所以要对这个矩形进行一个降维。这样这个矩形的面积就看起来比较小，就让整体模拟更加准确。这个算法也是和数学知识有联系，把这样这个样本根据向量去把它的维度进行降低，需要经过LBP 提取特征的D 维向量降低为d 维向量，这就需要一个PCA 的降维理论，就是把这个计算这个矩阵按一个本征值去计算出其向量的本征值，然后再根据从大到小对本征值进行一个排序，找出在d 维向量对应的最大本征值，将这个值作为一个投影向量，然后根据计算方法就可以降低PCA 的维度了。这样就可以改变这个直方图信息，让LBP 特征提取更加具体。从而可以体现它的效果。

4 改进的LBP面部识别智能算法有待提高的地方

人脸识别技术在我国的发展已经有了几十多年的历史，并值得认可的是成功的在我国的多个领域以及行业内有了值得肯定的实际应用与价值。虽然人脸识别技术也在不断改善进步，本文也通过对改进的LBP 面部识别智能算法的研究针对于现今我国人脸识别技术发展的现状，对于仍有待提高的地方进行深入的突破与改进，为我国人脸识别技术迎来更大的发展空间。可以从以下几个方面进行深入的突破与改进，确保我国人脸识别技术可以可持续性的健康发展。第一方面是在Adaboost 人脸检测时，在现今的现有技术中训练分类器的时候往往是通过现今所具备的MIT 以及c mu 来进行人脸检测训练样本集来将所有信息进行公布。但是在这一方面分类器的分类性能有待进行深一层次的提高，可以以训练样本集为方向进行研究思考。第二方面是在特征提取时，在改进后的LBP 面部识别智能算法中对于图像的局部纹理信息的处理有了更进一步的关注，此外也简单直接的引入了LBP 的直方图，特征提取这一过程有了更高的总体特征，但这一方面也造就了一定弊端，加大了信息处理的复杂性与难度。因此在特征提取的后期可以将图像的整体信息与特征提取的技术相结合来完成提取工作。第三方面是数据降维，在改进后台，APP 面部识别智能算法中采用的数据将为主要是通过PC 方法，但由于PC 方法只能单纯的帮助线性数据来进行降维工作，而不是线性的数据则无法达到降低维度的目的。但是在现今的图像处理中不仅包含新型数据，自然也包含着一些非线性的数据，因此针对于这种情况我们可以结合考虑，将线性与非线性降维技术相结合，以此来确保可以获取更为精准的人脸描述特征。

5 结束语

改进的LBP 面部识别智能算法对人脸识别技术创造了一个更高更大的平台。在这一篇文章中通过对改进自适应阈值的算法来有效的改善了算法受光以及噪声的影响性，进一步提高了人脸识别技术的图像检索的精确率。此外对于改进算法的实现以及有待改进的地方都提出了相应的要求，这也为LBP 面部识别智能算法的进一步发展提供了相应的信息基础，加速了我国人脸识别技术的发展，推动了我国社会科学的深度研发与进步。