采用LBP算法在安霸A2S70平台上实现身份识别

    近年来,基于局部二值模式(local binary pattern,简称LBP)的人脸识别方法受到人们的关注,该方法来源于纹理分析领域.它首先计算图像中每个像素与其局部邻域点在亮度上的序关系,然后对二值序关系进行编码形成局部二值模式,最后采用多区域直方图作为图像的特征描述.这种算法的优点是计算量小，鲁棒性强，识别准确度高等特点。

   本人在人脸检测的基础上，采用LBP算法成功在安霸A2S70平台上实现了身份识别的功能。该识别过程主要包括以下几个模块：

1训练模块

   通过采集样本的在不同光照和不同姿态下的若干样本（如每种情形下50张连续帧人脸样本），然后分别进行训练，得到训练集。

2识别模块

  对识别对象先进行人脸检测，经过LBP变换和计算LBP直方图，最后通过计算对象与训练库中的ChiSquare距离函数，找出最匹配的那一组样本，在事先设定的门限值范围内就可以确认出对象的身份了。

3UI界面部分

为方便测试，事先建立一个训练顺序表，将身份ID(如TONY)输入保存。在成功识别匹配后，可以显示出对方的ID号来。

主要程序代码如下：

void createLBP(IplImage* image1,IplImage* image2)
{
    int i=0;
    int j=0;
 CvScalar s,s1;
 double bit1,bit2,bit3,bit4,bit5,bit6,bit7,bit8;

 printk("createLBP../n");
 cvZero(image2);

    for (i=0;i<image1->height;i++)
    {

        for (j=0;j<image1->width;j++)
        {
            int p1x,p2x,p3x,p4x,p5x,p6x,p7x,p8x;
            int p1y,p2y,p3y,p4y,p5y,p6y,p7y,p8y;

            p1x=j-1;
            p1y=i-1;

            p2x=j;
            p2y=i-1;

            p3x=j+1;
            p3y=i-1;

            p4x=j+1;
            p4y=i;

            p5x=j+1;
            p5y=i+1;

            p6x=j;
            p6y=i+1;

            p7x=j-1;
            p7y=i+1;

            p8x=j-1;
            p8y=i;

            //CvScalar s;
            s=cvGet2D(image1,i,j);
            bit1=128*getBIT(image1,p1x,p1y,s.val[0]);
            bit2=64*getBIT(image1,p2x,p2y,s.val[0]);
            bit3=32*getBIT(image1,p3x,p3y,s.val[0]);
            bit4=16*getBIT(image1,p4x,p4y,s.val[0]);
            bit5=8*getBIT(image1,p5x,p5y,s.val[0]);
            bit6=4*getBIT(image1,p6x,p6y,s.val[0]);
            bit7=2*getBIT(image1,p7x,p7y,s.val[0]);
            bit8=1*getBIT(image1,p8x,p8y,s.val[0]);

            s1.val[0]=bit1+bit2+bit3+bit4+bit5+bit6+bit7+bit8;
            s1.val[1]=0;
            s1.val[2]=0;
       s1.val[3]=0;
            cvSet2D(image2,i,j,s1);
        }
    }
 printk("createLBP..down/n");
   
}

 

void CalHist(IplImage* img,int row,int col,int* HistData,int img_num)
{
 int i,j;
 int HistVal;
 int hist[Hist_bin];
 CvScalar s;

 for (i=0;i<Hist_bin;i++)
       {
         hist[i]=0;
        }

 for (i=0;i<LBP_HIST_WIN_Y;i++)
 {
  for (j=0;j<LBP_HIST_WIN_X;j++)
     {
      s=cvGet2D(img,i,j);
         HistVal=s.val[0];    
         hist[(int)(HistVal/Hist_bin)]++;
     }
  }

 for(i=0;i<Hist_bin;i++)
 HistData[col*Hist_bin+row*LBP_region_col*Hist_bin+i+img_num*LBP_region_row*LBP_region_col*Hist_bin] = hist[i];

}

void CalLbpHist(IplImage* img1,int* LbpHistData,int num)
{
    int i,j;
    int m,n;
 printk("CalLbpHist../n");
    for (m=0;m<LBP_region_row;m++)
    {
        for (n=0;n<LBP_region_col;n++)
        {
         cvSetImageROI(img1,cvRect((LBP_HIST_WIN_X*n),(m*LBP_HIST_WIN_Y),LBP_HIST_WIN_X,LBP_HIST_WIN_Y));
   CalHist(img1,m,n,LbpHistData,num);
            cvResetImageROI(img1);
        }
    }
 printk("CalLbpHist..down/n");
}

 

double CalHistChiSquare(int* hist1,int* hist2,double len)
{
    double chiSquare=0;
 double chiSquareSum=0;
  double i;

    for ( i=0;i<len;i++)
    {
            if ((*hist1+*hist2)!=0)
              chiSquare=((pow((double)(*hist1-*hist2),2)/(*hist1+*hist2)));
  chiSquareSum += chiSquare;
  hist1++;
  hist2++;
    }
 //printk("chiSquareSum=%8.4f/n",chiSquareSum);

    return chiSquareSum;
}

 

void LbpTrain(FILE *pfile)
{
   int i,nsize,offset=0;
 FILE* p_file;
 IplImage* Train_Img;
 char p_file_name[50],file_name[50],pUniName[50];
 printk("lbptrain../n");
 
 nsize = TrainNum*LBP_region_row*LBP_region_col*Hist_bin;

 for(i=nTrainFaces-TrainNum; i<nTrainFaces; i++)
 {
  IplImage* LBPimg=cvCreateImage( cvSize(80,88), 8, 1 );
  sprintf(p_file_name, "d://train%1d.raw", i);
  asc_to_uni(p_file_name, pUniName);  
  printk("loading %s..",p_file_name);
  Train_Img = LoadImage( pUniName,80,88);
  if(Train_Img)
  {
     //createLBP(faceImgArr[i],LBPimg);
  createLBP(Train_Img,LBPimg);
  dly_tsk(20);
  offset = i<TrainNum?i:i-((nTrainFaces/TrainNum)-1)*TrainNum;
  CalLbpHist(LBPimg, LBPtrainHistData,offset);
  dly_tsk(20);

  }
     cvReleaseImage( &LBPimg); 
  }
 dly_tsk(100);
 //ff_fseek(pfile,0L,SEEK_END);
   writeData(LBPtrainHistData, nsize, pfile);
   printk("lbptrain..down/n");
 dly_tsk(100);
}

int FindTheBest( int* trainData, int* testdata,int num)
{
 double ChiSquare=0;
 int i, iTrain, iBest = 0;
 double leastDistSq = DBL_MAX;
 int nsize = 1*LBP_region_row*LBP_region_col*Hist_bin;
 int* data_pointer,*test;
 data_pointer = trainData;
 test = testdata;
 printk("trainData pointer:%10x/n",trainData);
 printk("testdata pointer:%10x/n",testdata);

 if(!data_pointer||!test){printk("data pointer error!/n");return iBest;}

 for(iTrain=0; iTrain<num; iTrain++)
 {  
  ChiSquare = CalHistChiSquare(data_pointer,test,nsize);
  if(ChiSquare < leastDistSq)
  {
        leastDistSq = ChiSquare;
        iBest = iTrain+1;
    }
  data_pointer += nsize;
  printk("ChiSquare=%8.4f/n",ChiSquare);
 }

 return iBest;
}

int LbpRecognize(IplImage* recimg,int train_num)
{
 int nsize,Trainsize;
 int RecNum = 0;

 printk("Lbp Recognize../n");
 printk("train num=%d/n",train_num);
    createLBP(recimg,LBPimg);
 dly_tsk(20);
 CalLbpHist(LBPimg, LBPHistData,0);
 dly_tsk(50);
 if(TrainData)
 RecNum = FindTheBest(TrainData,LBPHistData,train_num);
 else
  printk("TrainData buffer error!/n");
 dly_tsk(50); 
 printk("Lbp Recognize..down/n");
 return RecNum;
  
}

 

实验结果表明在正面人脸（不超过+—10度偏转）的情况下，识别准确度比较高。但在侧面，或姿态变化（大表情变化）时，则识别效果很差，这是我后续需要努力改进的地方。不管怎样在安霸A2S70平台上实现身份识别的实验效果是有意义的，为实现智能图象识别产品化迈出了重要的一步。