基于DCT-LBP融合的卷积神经网络人脸识别算法研究

本篇论文是一份由2017级本科生撰写的关于神经网络算法研究的学年论文，主要关注于人脸识别技术的改进。作者来自理工分院电子信息工程专业，专注于解决传统卷积神经网络（CNN）在人脸识别中可能忽视局部特征的问题。论文的创新之处在于提出了一种结合离散余弦变换（DCT）和局部二值模式（LBP）特征的融合策略。 首先，论文利用DCT将人脸图像分解为低频系数，这些系数作为全局特征，因为它们包含了图像的基本结构信息。然后，通过对原始人脸图像应用LBP算法，提取出反映人脸局部纹理和形状的特征，作为局部特征。这两种特征被设计为互补，共同捕捉人脸的多维度信息。 作者将融合后的特征图像输入到卷积神经网络中进行训练，目的是提高人脸识别的精度。实验部分在ORL和CAS-PEAL两个知名的人脸数据库上进行了验证，结果显示，这种融合方法显著提升了人脸识别的准确性，证明了方法的有效性和实用性。 关键词包括"局部二值模式（LBP）"，"卷积神经网络（CNN）"，"人脸识别"以及"离散余弦变换（DCT）"，这些都是论文的核心技术支撑。整篇论文不仅提供了理论分析，还附带了实际操作的代码，可供读者学习和参考，旨在推动人脸识别技术的进一步发展。 这篇论文为理解如何结合全局和局部特征优化人脸识别性能提供了有价值的见解，对于那些从事人工智能、计算机视觉或深度学习领域的研究者来说，具有很高的借鉴价值。同时，由于作者强调了原创性和非商业性使用，这使得它成为了一个理想的学术资源，可以帮助其他学生和研究人员深入了解和实践相关算法。