人臉辨識

國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y

圖4.6 CDR-ELTP 中使用不同分群演算法的於紋理影像辨識的準確率比較圖

從圖4.6 中可以看出，樣式以 spectral clustering 分群，在辨識率上高於利用 k-medoids clustering 分群之樣式，對照表 3.7 中的分群指標來看，雖然後者具有較好的分群結果，

但對描述子卻沒有正面的影響。討論其原因，有可能所使用的分兩個分群指標確實不適 用在評估本研究中的樣式分群。

4.2 人臉辨識

本實驗將比較各種描述方法，於人臉辨識的準確率。實驗依照ELTP 人臉辨識實驗的方 法[6]，採用 Yale Face Database B 中的共 10 人的臉部影像，且在 9 種姿勢中選出較接近 正面的6 種，在每種姿勢中，則又包含 64 種光源效果。部分樣本如圖 4.7 所示。

‧ 國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y

圖4.7 人臉辨識實驗中所使用的部分臉部影像

在實驗中，我們從每種姿勢的64 張影像中，隨機取出 32 張作為訓練樣本，其餘為 測試樣本。而特徵描述的方式，參考了A. Hadid 等學者所提出的 LBP 應用於人臉辨識 的方法[14]，將人臉影像切成 7x5 個區塊，並對不同區塊賦予不同的權重，如圖 4.8 所 示。其中，由於人臉影像在眼睛周圍的部分較為複雜，也較重要，因此這些區塊被賦予 較高的權重(圖中的白色區塊)，而角落的部分，則因可能不屬於臉部範圍，而給予較低 的權重(圖中的黑色區塊)。如此劃分後，分別計算各區塊的特徵直方圖，再將各區塊的 直方圖串接起來，作為人臉影像特徵，串接的方法如圖4.9 所示。

圖4.8 臉部區域劃分及權重分配示意圖

‧ 國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y

圖4.9 特徵串接示意圖

由於串接後的直方圖維度相當大，以LBP(8,1)為例，每個區塊產生一個 256 維的直 方圖，共有7x5 個區塊，串接後的直方圖維度將是 256x7x5=8960，因此在效能考量下，

我們使用Chi-square KNN 進行分類。

實驗中將比較LBP、使用 uniform pattern 降維的 LBP，維度 59 維的 ELTP，以及維 度在59、128 及 256 維的 CDR-ELTP。而除了測試原始影像的辨識準確率外，也會在影 像中加入數種程度的雜訊，再做比較。實驗結果如表4.5 及圖 4.10 所示。

表4.5 人臉辨識準確率表

SNR LBP ULBP-58+1 ELTP-58+1 CDR-ELTP-59 CDR-ELTP-128 CDR-ELTP-256

w/o noise 95.31 94.48 94.22 94.64 94.84 94.95

40.14 93.39 90.78 84.53 84.48 85.31 87.03

30.99 86.77 81.56 72.76 74.27 74.01 77.08

26.67 76.77 65.26 55.78 58.75 59.9 65.31

‧ 國

立 政 治 大 學

‧

N a tio na

l C h engchi U ni ve rs it y

圖4.10 人臉辨識準確率比較圖

由實驗結果可以看出，在未加雜訊的情況下，各種描述方式均有很高的準確率，但 在影像加入雜訊後，ELTP 有較大幅度的下滑，其中 ELTP-58+1 下滑的幅度最大，而在 CDR-ELTP 中，取的維度較高者，下滑的幅度較小。整體來說的話，ELTP 的表現沒有 LBP 理想，而 LBP 在未降維的情況下，辨識率下降的幅度為最小。

而針對在以上實驗中，ELTP 表現不如 LBP 的情形，推測可能的原因，是由於原始 影像中，有相當比例的影像過暗，如此整張影像的像素值將會偏低，甚至接近於0，如 此將不利於ELTP 使用的三元的編碼方式，進而影響其表現，如將輸入影像進行前處理，

使平均亮度一致化，應可改善此狀況。