基于LBP特征的人臉識(shí)別算法研究與應(yīng)用.pdf

1、人臉識(shí)別技術(shù)具有非接觸性、采集設(shè)備成本低、交互界面友好等諸多優(yōu)點(diǎn)，在安防、金融等方面得到廣泛應(yīng)用。但是由于實(shí)時(shí)采集的人臉圖像容易受到自身（如姿態(tài)、表情、遮擋、年齡等）以及外界（主要是光照）諸多因素的影響，使得人臉識(shí)別技術(shù)仍需進(jìn)一步改進(jìn)和完善。
　　本研究主要內(nèi)容包括：⑴針對(duì)小樣本問(wèn)題，提出了一種權(quán)值融合原始和虛擬樣本的人臉識(shí)別方法。該方法首先通過(guò)幾何變換構(gòu)建原始訓(xùn)練樣本的鏡面對(duì)稱(chēng)虛擬訓(xùn)練樣本，再分別提取原始訓(xùn)練樣本和虛擬訓(xùn)練樣本的

2、LBP特征直方圖，最后利用權(quán)值融合兩種特征直方圖進(jìn)行分類(lèi)。由于構(gòu)建的鏡面虛擬訓(xùn)練樣本保留了原始樣本的某些特征，卻又和原始樣本不一樣，代表了樣本的多樣性，使得人臉識(shí)別率得到提高。⑵研究了當(dāng)前比較流行的基于稀疏表示和基于協(xié)同表示的分類(lèi)算法，分析了稀疏表示和協(xié)同表示的差異。通過(guò)基于協(xié)同表示的兩級(jí)分類(lèi)人臉識(shí)別算法實(shí)驗(yàn)，驗(yàn)證了在沒(méi)有提取特征的情況下，協(xié)同表示分類(lèi)依然表現(xiàn)出較好的分類(lèi)能力。然后在針對(duì)協(xié)同表示在小樣本情況下識(shí)別效果不理想及對(duì)光照、表情

3、等魯棒性不好的問(wèn)題，提出了一種自適應(yīng)加權(quán)融合的雙重分類(lèi)人臉識(shí)別方法。該方法首先提出了一種自適應(yīng)融合機(jī)制，該機(jī)制能夠自動(dòng)分析樣本特征，為每種數(shù)據(jù)分配最優(yōu)的權(quán)重，移植性更佳，且克服了不同的樣本特征使用相同的權(quán)值組合影響最佳識(shí)別效果的弊端。自適應(yīng)加權(quán)融合的雙重分類(lèi)人臉識(shí)別方法同樣先分別提取原始樣本和虛擬樣本的LBP特征直方圖，然后將測(cè)試樣本分別在原始樣本集字典和虛擬樣本集字典上進(jìn)行協(xié)同表示編碼，各自將測(cè)試樣本歸為殘差最小的一類(lèi)，實(shí)現(xiàn)第一次預(yù)分