考勤APP中基于LBP的人臉識別方法

王衍 胡鋼俊 馬明珠

摘要：該考勤APP主要針對作業環境較差的工業企業的職員打卡活動，為了解決露天作業人員考勤困難的問題，APP實現了一種基于LBP的人臉識別功能。通過提取人臉的局部紋理特征，組合特征向量，得到人臉LBP特征，進行相似度計算，從而判別打卡對象是否來自真實人臉。系統測試是在工業露天環境下進行，經測試驗證了方法的有效性。

關鍵詞：考勤;APP;人臉特征;LBP;人臉識別

中圖分類號：TP391 文獻標識碼：A

文章編號：1009-3044（2020）03-0207-02

1 背景

目前，主流的人臉識別算法有基于幾何特征、基于模板匹配、基于統計特征以及基于深度學習Ⅲ的方法。前兩種方法由于識別準確度不夠高而且易受光照環境的影響，因此不適用于工業露天環境?；谏疃葘W習的人臉識別算法識別精度最高，但是其算法復雜、參數多并且訓練時間長，不適用于移動端的考勤APP中。結合工業實情以及可操作性綜合考慮，本文選取了屬于基于統計特征的局部二值模式（Local Binary Pattems，LBP）方法。

LBP算法[2]能很好地描述圖像局部區域[3]的紋理信息，在人臉識別領域，它具有識別準確高、對光照環境變化有很強的魯棒性、算法復雜度低、效率高等特點。因此，利用LBP算法[4]實現移動端的人臉識別打卡，能在保證識別準確度的同時，兼顧系統性能。

2 LBP算子

對圖像進行LBP算子運算，是人臉紋理特征提取的關鍵部分，基本的LBP算子是在3x3的像素區域內，將周圍像素灰度值分別與中心像素灰度值進行對比，如圖1所示，大于中心像素灰度值的取l，小于中心像素灰度值的取0。這樣得到的8位二進制數就是新的中心像素的灰度值，定義為該區域的LBP值。

基礎的LBP算子存在覆蓋區域不全、數據量大、旋轉可變等問題，于是本系統采用了改進的LBP算子。首先，將3x3的像素區域擴展為任意大小的圓形區域，形成圓形LBP算子，這樣可以覆蓋圖像任意區域。然后，不斷旋轉圓形區域，按照公式2-1計算，可得到P個LBP值，P為外層像素點的個數，取其中最小的一個作為該區域的LBP值。這樣，得到的LBP值具有旋轉不變性。最后，采用等價模式的方法對LBP模式進行降維，即LBP值對應的二進制數如果發生最多兩次跳變則認為等價。通過改進，二進制模式種類大大減少，在保證圖像特征信息不丟失的情況下減少數據量。

3 功能方法設計

在實現基于LBP的人臉識別方法時，通過LBP方法提取人臉的局部紋理特征，然后將所有特征按照一定的方法組合成特征向量，得到人臉LBP特征存入后臺，這就完成了APP人臉采集登記的過程，在人臉識別時，系統提取手機攝像頭捕捉的人臉圖像LBP特征，與后臺存儲的特征進行相似度計算，觀察是否匹配。方法實現過程如圖2所示。

具體實現步驟如下：

1）將人臉圖像分割，劃分不同區域。首先，對員工打卡時的圖像進行人臉幾何歸一化，經過處理后的圖像為IOOXIOO像素的標準人臉圖像。然后，對人臉圖像進行分割。一般來說，圖像分割的越小，使用LBP方法提取的局部紋理信息越準確，但是算法的計算量也會增大。綜合準確率和效率兩個因素，本系統采用了4x4的分割方式，將人臉圖像分割成16塊25x25像素大小的圖像，如圖3（a）所示。

2）提取圖像的LBP特征。本文采用領域為8半徑為2改進的圓形LBP算子，對分割后的每塊圖像進行LBP計算，得到LBP特征圖，其效果如圖3所示。

3）計算特征直方圖。步驟（2）得到的LBP特征圖雖然具有較為清晰的紋理特征，但仍然是一幅圖像，系統不能直接用來進行對比。因此，需要計算每塊圖像的特征統計直方圖，即每個LBP值出現的頻率，并進行歸一化處理。本系統進行一次變換會得到16張對應特征統計直方圖，圖4只截取了從左至右、從上至下數，第2、3、10和II-共4個圖像方塊對應的特征直方圖。

圖4中，上面兩張圖是左眼和右眼區域對應的直方圖，下面兩張圖是上嘴唇左邊區域和右邊區域對應的直方圖，由于紋理相似，所以得到的直方圖也有較高的相似度。

4）直方圖相似度比較。將待識別的人臉特征直方圖與系統后臺存儲的人臉模板特征直方圖進行相似度比較，判別人臉是否匹配。常用的直方圖相似度計算方法有Log概率統計、直方圖相交以及卡方統計。本文選用了計算量稍大但效果最好的卡方概率統計方法[5]。假設已知的模板人臉特征直方圖為Mn，待匹配的人臉特征直方圖為Sn，那么計算的相似度值為：

其中，N表示一張人臉圖里直方圖的個數，在本文中即為分塊的數量。按照以上公式，可以算出兩幅人臉圖像之間的距離，設置距離的閾值，根據距離值的大小來對比確認是否為本人打卡。

在考勤APP中，按照圖3（a）進行的人臉分割，不同區塊包含的人臉有效信息不一樣，如人的眼睛、嘴巴和鼻子包含更多的特征信息。為了提高系統人臉識別的準確率，本文設計了一種方法，對不同區塊的相似度計算設置不同權值，具體為：對分為16塊的每塊圖像分別采用步驟（2）（3）（4）進行人臉識別，按識別率的比值來設置該塊對應的特征直方圖權重的大小。那么，直方圖相似度的計算公式對應修改為：

在本文設計的考勤APP中，為了更為直觀的判別人臉是否匹配，系統根據求出的卡方值查詢卡方分布表，得到此次人臉對比的置信度。然后，將置信度轉換為相應的百分制。即人臉對比時，系統按上述過程計算后，最終返回的結果為0至100分。分數越大，代表人臉相似度越高，卡方距離越小?？紤]到人臉識別的準確率和速率，本考勤APP設計的閾值默認為60分。當系統計算的分值高于60分，代表人臉匹配成功。否則，代表人臉匹配失敗。

通過以上步驟，也就完成了整個人臉識別的過程。為了提高系統的靈活性，本文系統將人臉識別的分數閾值設置為可調狀態。系統管理員可以根據企業實際情況，隨時設置人臉匹配通過的相似度閾值的大小。

4 人臉識別性能測試

人臉識別考勤APP性能測試主要測試在工業露天環境下人臉識別的效率和識別的準確率，做到快速考勤，精準考勤。以70名男性和30名女性作為測試樣本，其中戴眼鏡的男性有50人，女性有10人，戴口罩的男性有30人，女性有20人，在不同條件下進行了多輪測試，人臉識別考勤測試的結果如表1所示：

考慮到工業露天作業環境較差，可能會存在大量灰塵覆蓋在臉部，在光線良好臉部有灰塵的情況下，人臉識別準確率達到96%，平均識別時間在2s以內，在光線較弱的情況下，會略微影響系統識別的效率和正確率，但仍然滿足考勤APP的要求。從實驗數據分析可知，人臉是否佩戴眼鏡對考勤的結果和效率幾乎沒有影響，但是戴口罩卻極大降低了人臉識別的正確識別率。

經以上測試和對比分析，本文考勤APP中基于LBP的人臉識別方法可以有效提高企業考勤管理的效率，具有一定的實用價值。

5 結束語

本文選取了基于統計特征中的局部模式（Local Binary Pat-terns，LBP）方法實現考勤APP中的人臉識別功能，并進行了相關測試，經測試該方法可以有效提高工業企業考勤效率。

參考文獻：

[1]鄧智銘，陳帥帥.基于深度學習的人臉識別[J].信息與電腦：理論版，2018（11）：149-150.

[2] Werghi N，Tortorici C，Berretti S，et al.Boosting 3D LBP-based face recognition by fusing shape and texture descriptorson the mesh[J]. IEEE Transactions on Information Forensicsand Security， 2016， 11（5）：964-979.

[3]李根.基于局部特征和進化算法的人臉識別[D].長春：吉林大學，2014.

[4]高濤，何明一，戴玉超，等.多級LBP直方圖序列特征的人臉識別[J]中國圖象圖形學報，2018，14（2）：202-207.

[5]陳亮，龔儉.基于卡方統計的應用協議流量行為特征分析方法[J]軟件學報，2010，21（11）：2852-2865.

[6] DOLLAR P，TU Z.PERONA P，et al.Integral Channel Fea-ture[C]. British Machine Vision Conference， 2009： 5-16.