6.1 不同參數對識別率的影響

6.1.1 通道數dr對識別率的影響

　　為了找到MDOCSBP算法最佳通道數，在AR人臉庫上，固定分塊數為11×11;Extend Yale B上固定分塊數為15×15;

　　由圖6和圖7可知，AR人臉庫光照子集在dr取6時有最佳識別;表情子集在dr取7時有最佳識別率;遮擋集A和遮擋集B均在r取5時有最佳識別率;Extend Yale B各子集人臉庫在通道數dr在9左右都取得了不錯的識別效率。通道數dr在4、5、6時，由于通道數過少，尋找的單演主方向過于粗糙，導致不同人臉庫的識別率都變化較大。

6.1.2 不同分塊數對識別率的影響

　　為了找到MDOCSBP算法最佳分塊數，在AR人臉庫上，固定通道數為6;Extend Yale B上固定通道數為9;

　　由圖7和圖8可知，AR人臉庫的最佳分塊數在13×13左右，Extend Yale B人臉庫的最佳分塊數為15×15;合理的分塊方式能有效的提取圖像的局部紋理特征,過少的分塊數不能很好的體現人臉的局部紋理細節, 而過多的分塊數又會產生特征冗余而降低識效果, 同時也會使特征維數增加，計算花費時間也越長。

6.2 不同算法識別性能比較

　　為了驗證MDOCSBP算法的有效性，分別與文獻提出的CS_LBP算法、MBP 算法、PDO算法 、LGBP算法進行對比實驗。MDOCSBP算法在AR人臉庫上分塊數取13×13，通道數dr分別取各子集的最優值;在Extend Yale B人臉庫上分塊數取15×15，各子集的通道數dr取9。不同算法在AR人臉庫、Extend Yale B人臉庫上的識別率如表1、表2所示。

　　從表1，表2可以看出，MBP算法 、PDO算法、LGBP算法、MDOCSBP算法在AR人臉庫上都取得不錯的識別效果，但在遮擋子集上，算法MDOCSBP和MBP算法表現的更為突出。在復雜光照條件下的Extend Yale B人臉庫結果顯示，各算法在光照條件良好的子集1、子集2、子集3都表現出較高的識別效果，但在光照變化較大的子集4 和子集5，算法CS_LBP、MBP、LGBP都受到劇烈影響，PDO算法識別率也有一定幅度的下降，而 MDOCSBP算法表現優異。CS_LBP算法直接對圖像像素進行編碼，提取特征比較單一;MBP對圖像進行單演濾波來獲得不同尺度下的多種局部模式圖在AR人臉庫取得了較好的識別效果，但對光照變化較大的圖像便顯得乏力。PDO算法是對圖像的梯度信息求取主方向進行特征提取，對光照變化有一定的魯棒性。LGBP算法提取的是Gabor變換后5個尺度8個方向的特征，在AR人臉庫上取得了較好的識別效果，但特征維數及計算時間較大。算法MDOCSBP 利用單演局部幅值和局部方向提取的主方向，能充分挖掘方向信息，識別效果好，對光照魯棒性強。

6.3 特征維數與時間分析

　　為對比各算法的復雜度，以AR人臉庫每人第一幅圖像作訓練樣本，光照集作測試集，所有方法的分塊數均為8×8，測試各算法完成對一張人臉圖像進行識別需要特征提取與匹配時間。

　　由表3可以看出，在相同分塊數的情況下，MDOCSBP算法無論特征維數還是各階段的所需時間都小于MBP和LGBP算法，尤其是LGBP算法由于提取的特征過于冗長，導致特征提取及匹配時間不如人意;與PDO算法相比，MDOCSBP算法由于特征長度較小，在匹配階段也有一定優勢。由以上分析可知，MDOCSBP算法相比對比算法具有較小時間和空間復雜度。

7 結論

　　在單演濾波的基礎上提出了基于單演主方向中心對稱局部二值模式的單樣本人臉識別的方法， MDOCSBP算法充分利用人臉圖像單演局部幅值與局部方向信息，采用CS_LBP算子進行編碼，最終通過分塊直方圖進行識別。在AR、Extend Yale B人臉庫各子集都有較高識別，且對光照有不錯的魯棒性，證明了MDOCSBP算法的有效性。

　　參考文獻：

　　[1]李康順,李凱,張文生.一種基于改進BP神經網絡的PCA人臉識別算法[J].計算機應用與軟件,2014,(01):158-161.

　　[2]楊恢先,翟云龍,蔡勇勇,等.基于中心對稱梯度幅值相位模式的單樣本人臉識別[J].光電子·激光,2015(05):969-977.

　　[3]高濤,馬祥,白璘.采用自適應加權擴展LBP的單樣本人臉識別[J].光電子·激光,2012(04):782 -790.

　　[4]Vu N S, Caplier A. Mining patterns of orientations and magnitudes for face recognition[C]. In Proc. Int. Joint Conf. Biometrics (IJCB), 2011:1-8.

　　[5]Wenchao Zhang,Shiguang Shan,Xilin Chen,Wen Gao. Local Gabor Binary Patterns Based on Mutual Information for Face Recognition.[J].Int. J. Image Graphics,2007,7.

　　[6]于明,胡全勝,閻剛,等.基于LGBP特征和稀疏表示的人臉表情識別[J].計算機工程與設計,201305 (05):1787-1791.

　　[7] M. Felsberg,G. Sommer, "The monogenic signal," in IEEE Transactions on Signal Processing,2001(10):3136-3144,

　　[8] 閆海停,王玲,李昆明,等.融合MBP和EPMOD的人臉識別[J].中國圖象圖形學報,2014,01:85-91.

　　[9] M.Yang, L.Zhang, S. C. K. Shiu,etc. Monogenic Binary Coding: An Efficient Local Feature Extraction Approach to Face Recognition[J],IEEE Transactions on Information Forensics and Security, 2012(10):1738-1751.

　　本文來源于《電子產品世界》2017年第9期第69頁，歡迎您寫論文時引用，并注明出處。