基于局部特征分析的人脸识别算法研究

摘要

自动人脸识别是当前模式识别领域中的一个极具挑战性的研究课题，因其在法律、商业、军事等领域具有广泛的应用前景而日渐受到各国政府以及科研单位的广泛关注和高度重视。如何有效地从人脸图像中提取出区别于其他个体的特征是人脸识别领域中的一个关键课题。 特征提取是模式识别研究中的最基本问题之一，对于图像识别而言，提取有效的图像特征是完成识别任务的一个关键环节。近年来，局部算法因其识别率较高、对光照、人脸表情变化不敏感而在特征提取领域得到了广泛应用，本文以人脸识别为应用背景，以局部特征提取方法为主题进行了相关研究，论文的主要工作和贡献如下： (1)针对人脸识别的识别率易受人脸图像旋转、尺度缩放、光照等影响的问题，本文将SIFT(Scale Invariant Feature Trarlsform)算法用于人脸识别，并根据人脸图像的特点，给出了一种具体的局部特征匹配算法。首先，用DOG算子对人脸图像进行关键点检测。然后，用欧氏距离对关键点进行特征匹配。最后对特征点进行错配消除。实验表明SIFT算法对旋转、尺度缩放、视角变化、光照变化等图像变化因素保持一定的不变性；对图像噪声等因素也保持较好的可匹配性。 (2)针对人脸识别算法中的效率和鲁棒性问题，改进了LVPS算法，即基于改进的局部分块LNP直方图的人脸识别算法。首先，利用k均值聚类算法获得LVPS码本。然后，利用获得的LVPS对人脸进行建模，该方法比传统的建模方法计算更简单。最后，利用分块后的LVPS加权直方图索引进行人脸识别。实验表明本文所提出的方法比传统的LNP方法具有更好的识别效果。 (3)针对人脸识别算法中的高维和鲁棒性问题，采用了LGBP算子和SIFT算子在特征级进行融合的方法。首先将Gabor小波和LBP(局部二值模式)结合以提取特征。然后将SIFT方法用于人脸识别，并利用SIFT方法提取人脸特征。最后将LGBP特征和SIFT特征在信息融合的特征级进行融合，并选取特征值的前50％作为待分类的新特征。实验表明本文所用方法不仅具有降维的作用，而且比用单一的人脸识别方法提高了识别率。

目录

文摘

英文文摘

声明

1绪论

1.1研究背景及意义

1.1.1研究背景

1.1.2研究的意义

1.2人脸检测和识别算法综述

1.2.1人脸检测算法综述

1.2.2人脸识别方法综述

1.3本文的组织结构

2人脸图像预处理及归一化

2.1引言

2.2滤波去噪

2.3图像的灰度变换

2.4图像边缘二值化

2.5图像的归一化

2.5.1几何归一化

2.5.2灰度均衡化

2.6本章小结

3基于SIFT算法的局部特征人脸描述和识别

3.1引言

3.2 SIFT的基本原理

3.3关键点的方向

3.4建立特征向量及特征匹配

3.4.1特征向量的建立

3.4.2特征匹配

3.5错配的消除

3.6实验分析

3.7本章小结

4基于改进的局部分块LVP直方图的人脸建模和识别

4.1引言

4.2 LVP的思想

4.3基于LVP的人脸重建

4.4基于LVPHF的人脸识别

4.4.1基于直方图交的LVPH匹配

4.4.2加权的LVPH匹配

4.5实验分析和结果

4.6本章小结

5基于局部多特征融合的人脸识别

5.1引言

5.2信息融合的基本思想

5.3信息融合的三个层次结构

5.4基于Gabor小波和LBP的特征提取

5.4.1基于Gabor的特征提取

5.4.2基于LBP的特征提取

5.4.3基于LGBP的特征提取

5.5基于LGBP和SIFT的特征融合

5.6图像融合效果的评价方法

5.6.1基于像素级的融合效果评价

5.6.2基于特征级的融合效果评价

5.7实验分析

5.8本章小结

6总结与展望

6.1本文的主要工作

6.2进一步研究展望

参考文献

攻读硕士研究生期间的研究成果

致谢