纹理特征和梯度特征融合的人脸识别研究

摘要

人脸识别技术是机器视觉和图像模式识别的一个重要研究课题，在安全领域、生物领域和侦察领域有广泛的应用前景，如身份验证、指纹虹膜识别和监控系统等。人脸识别技术主要包括人脸检测、特征提取和分类识别，其中特征提取和分类识别是研究的重点，也是提高识别率的关键。图像分类识别的本质是建立一个能够识别出图像中感兴趣物体类别的表示系统，光照变化、旋转、遮挡、复杂背景等因素直接影响分类的准确率。如何消除这些外在因素的影响，提高分类识别的准确率成为当今学者的研究方向。图像的分类识别过程包括特征提取、特征向量在特征空间内进行相似性检索识别以及利用分类器进行图像的分类识别。
　　在图像的特征提取方面，基于纹理特征的提取方法和梯度方向直方图特征的提取方法已分别被广泛应用于人脸识别研究中，已有学者证明了两种方法都有各自的优越性。本文分别对两种不同的特征提取方法进行分层融合，并通过实验数据分析识别效果，在原始方法的基础上提出新的融合特征提取方法，进一步提高识别率。
　　本文对纹理特征中的局部二值模式(LBP)、中心对称局部二值模式(CS-LBP)和梯度方向特征(HOG)作了详细的介绍，并将两种方法进行分层融合应用于人脸识别，取得了较好的效果。针对LBP和CS-LBP描述子提取的纹理特征有限且不能有效描述图像边缘和方向信息的问题，本文主要对纹理特征和梯度特征提取和融合方法进行了改进，具体工作如下：
　　1．本文针对特征提取算法中的LBP和HOG算子做出了改进。由于LBP和HOG对人脸图像进行特征提取，都是对灰度图像进行运算，而单层特征并不能消除光照等影响，本文提出对两种特征分别进行分层的改进处理，分层能够提取图像更完整的特征。
　　2．针对纹理特征和梯度特征都只能单独提取纹理特征和边缘结构特征的问题，本文做出了改进。由于LBP能有效的提取图像的纹理特征，HOG能准确地描述图像的边缘结构特征和方向信息，本文提出了将两种方法进行串连级联，进一步应用分层特征进行融合。
　　3．对于原始人脸识别方法中利用欧氏距离进行相似性度量的问题，本文做出了改进。原始识别阶段是利用欧氏距离进行相似性度量，本文提出了利用卡方距离统计直方图之间的距离特征，并通过实验将两种方法进行对比分析。
　　4．LBP和HOG描述子都是对人脸的分块区域进行运算，对于分块大小的影响和边缘无法计算到的问题，本文做出了改进。本文比较了不同分块下识别率的高低，选择最优分块，且在图像外边缘补充像素，保证边缘像素可以参与运算。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1 研究背景及其意义

1.2 人脸识别系统框架及其概述

1.3 人脸识别算法分类

1.4 本文研究内容

1.5 本文的组织安排

第二章 典型的人脸识别特征提取算法

2.1 引言

2.2 纹理特征

2.3 梯度特征

2.4 本章小结

第三章 分层融合方法的图像分类研究

3.1 分层融合方法

3.2 相似性度量

3.3 仿真实验与实验分析

3.4 本章小结

第四章 融合LBP和HOG的人脸识别

4.1 分层特征

4.2 分层LBP与原始HOG特征的融合方法

4.3 分层LBP与基于分层LBP的分层HOG特征的融合方法

4.4 仿真实验

4.5 ORL人脸库实验结果分析

4.6 Yale人脸库实验结果分析

4.7 GT人脸库实验结果分析

4.8 时间复杂度分析和算法性能评估

4.9 本章小结

第五章 融合CS-LBP和HOG的人脸识别

5.1 分层CS-LBP和分层HOG特征

5.2 分层CS-LBP和原始HOG特征的融合方法

5.3 分层CS-LBP和分层HOG特征的融合方法

5.4 仿真实验与实验分析

5.5 时间复杂度分析

5.6 算法性能评价

5.7 本章小结

第六章 总结与展望

6.1 本文总结

6.2 本文的工作展望

致谢

参考文献

攻读硕士学位期间发表论文情况