8.3.1.1 基本LBP 算法
在对纹理进行描述时，局部二值模式（local binary pattern，LBP）也是不错的方法[154]。在最近10 年里，LBP 方法也在持续地发展和演变，而且在纹理分类[155]、纹理分割[70]以及人脸图像剖析中使用得非常多[156-158]。
最早提到的算子是在一个像素点附近选择3×3 个像素点，并将最中间像素点的值当成参照物，将其他点的值和这个值做比较，假设另外像素点的值比这个值大，则这个像素点的位置记为 1，反之就记为0。对比之后，就会在这几个点上产生一个八位的二进制数，把这个二进制数字串叫做中心像素点的LBP 值。将全部像素点的LBP 值连接在一起就构成了整个图像的LBP 特征，图8-7 表示的是计算一个点附近的LBP 示意图[159]。
图8-7 LBP 示意图
LBP 用式（8-1）来计算：
式中，xc, yc表示3×3 个像素区域的中心元素位置，其像素值是ic，其附近像素值为ip。其中，s(x)是一个符号函数，可用式（8-2）来计算。
(www.xing528.com)
8.3.1.2 基于支持向量机（SVM）的人脸识别
在机器学习领域，SVM 算法使用得比较多，它是一种有监督的学习，一般在模式识别、回归分析及分类中使用[160]。这种算法是二类分类方法，其主要观点是找出特征空间中导致两种样本距离最大的那个平面，SVM 模型能够将其转变为对一个凸二次规划问题进行求解。使用SVM 分类方式对人脸信息进行训练，创建人脸识别器，和直接的欧氏距离计算相比，SVM 算法可以挖掘出与人脸识别有关的核心特征数据，进而提高人脸识别的精确度。在通过人脸定位并创建局部LBP 的人脸模型以后，人脸面部所包含的LBP 特征信息是68 组，把这些LBP特征信息联系在一起，就可以获得人脸模型特征向量。收集训练集中全部图片的人脸模型特征向量，构成训练矩阵，再按照SVM 算法训练就可以获取SVM 人脸识别器。其过程如图8-8 所示。另外，本书使用的SVM 算法选择线性核函数来处置线性不可分问题，并且训练停止条件为达到设定的最大迭代次数100，或迭代偏差小于1e-6 等。
图8-8 SVM 人脸识别过程图
在ORL 人脸数据库中，运用其中的两幅图进行检测，而将其余的图像当成训练数据。在这个算法中，其邻域包含8 个像素，在每组训练样本中，其图片数量是不同的，分别训练改进之后的算法和原有算法的辨识器。人脸数量和辨识率测试结果如图8-9 所示。对比图8-9 和本书的改进算法结果图8-2，可以看出，如果训练的人脸数量较少，本书的改进算法、SVM-LBP算法和传统算法的辨识率相近；如果训练的人脸数量增多，辨识率会得到提升，其中PSO-LDA 算法的辨识率为95%，SVM-LBP 算法的辨识率最大为98%，主要是SVM 算法的特点表现出来了，若使用传统算法，辨别的精准度只有89%。因此，当能够满足人脸识别算法要求的训练样本足够多时，可以实现比较高的辨别率；而如果当人脸样本不够多时，辨识率也会降低到传统算法级别。另外，此实验也展现了SVM 分类的好处。本书提出的算法在分类上使用欧氏距离作为标准，可以为下一步工作明确方向。
图8-9 训练样本数量与识别率关系图
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
