C-QBP与S-QBP纹理特征的2DLDA人脸识别方法

"该文提出了一种新的2DLDA人脸识别算法，它结合了两种互补的新型纹理特征：Center Quad Binary Pattern (C-QBP)和Simplified Quad Binary Pattern (S-QBP)，以解决传统纹理特征方法的高维性和对噪声敏感的问题。通过多级分割人脸图像并提取这两种特征，构建特征矩阵，然后利用2DLDA进行子空间学习以实现人脸识别。实验结果显示，该算法在OFRL、YALE和FERET等人脸数据库上的识别率分别达到了98.68%，99.42%和91.73%，表现出优越的性能。" 本文主要探讨的是基于纹理特征的二维线性鉴别分析(2DLDA)人脸识别算法的改进。现有的基于纹理特征的人脸识别算法存在两个主要问题：一是纹理特征的维度较高，这可能导致计算复杂度增加和存储需求增大；二是对图像噪声较为敏感，影响识别准确性。为了解决这些问题，作者提出了两种新的纹理特征——C-QBP和S-QBP。 1. 中心四点二元模式(Center Quad Binary Pattern, C-QBP)：这种特征专注于描述人脸图像的大尺度局部特征。C-QBP通过比较像素中心与其周围的四个像素，形成二进制代码，从而捕获图像的大规模结构信息。 2. 简化四点二元模式(Simplified Quad Binary Pattern, S-QBP)：与C-QBP不同，S-QBP旨在捕捉图像的小尺度局部特性。S-QBP同样基于像素的相对强度，但其设计更简单，对小尺度变化更为敏感。 在算法流程上，首先对输入的人脸图像进行多级分割，将图像划分为多个小块。接着，对每个分割出的图像块分别提取C-QBP和S-QBP纹理特征，将这些特征组合成一个纹理特征矩阵。最后，利用2DLDA算法对这个特征矩阵进行处理，学习一个低维投影空间，使得同类样本在该空间中的差异最小，异类样本之间的差异最大化，从而实现高效的人脸识别。 实验部分，作者在OFRL、YALE和FERET三个标准人脸数据库上验证了新算法的性能。即使在训练样本较少（每类仅5个）的情况下，新算法依然能保持高识别率，显示出了对纹理特征的高效利用和对噪声的良好抑制能力。这表明，结合C-QBP和S-QBP的新颖纹理特征与2DLDA相结合，为人脸识别提供了一个强大而稳健的方法。 该研究为纹理特征在人脸识别中的应用提供了新的思路，通过引入互补的局部纹理特征和优化的2DLDA学习，提高了人脸识别的准确性和鲁棒性。这种方法对于进一步改善生物特征识别系统，尤其是在有限训练数据和复杂环境下的应用，具有重要的理论价值和实践意义。