光照自适应的全局与局部特征人脸识别方法提升识别率

本篇论文研究关注于解决人脸识别算法在光照变化环境下性能下降的问题，提出了融合全局和局部特征的人脸识别新方法。首先，论文强调了在计算机视觉和模式识别领域，人脸识别作为一项重要应用，其在适应环境变化方面的能力不足，尤其是光照变化对识别效果的显著影响。光照变化可能导致人脸图像纹理改变和特征丢失，这对人类识别人脸具有挑战性。 论文深入研究了全局特征和局部特征在人脸识别中的作用。全局特征关注人脸的整体属性，如肤色、轮廓和器官布局，而局部特征则聚焦于细节，如器官特征和不规则特征。作者参考了先前的研究，如使用特征脸技术区分各个局部器官（如特征眼、特征鼻和特征嘴），以及通过统计方法比较不同特征点的重要性。其他方法如图像分块处理和局部特征优化也是论文讨论的重点，这些方法试图通过独立处理再融合实现局部特征的应用。 然而，论文指出传统的加权策略和固定权值在赋予局部特征时存在局限性，因为光照条件的变化可能使某些特征变得不可见。为了克服这个问题，作者提出了一种创新的方法，即通过对整幅人脸图像进行主成分分析，提取全局特征，同时结合图像熵值自动加权局部子块，以量化各区域包含的信息量。这种方法确保了局部特征的权重会根据光照变化动态调整，增强了算法对光照变化的适应性。 论文的核心贡献在于设计了一种基于贝叶斯原理的数据融合策略，它能整合全局和局部特征，考虑到两者在人脸识别中的互补性和相对重要性。通过这种方法，论文旨在提高人脸识别的准确性和鲁棒性，特别是在光照条件多变的情况下。实验结果显示，该融合算法有效地提升了人脸识别率，证明了其在实际应用中的有效性。 这篇论文提供了一个创新的解决方案，将全局和局部特征结合起来，通过数据融合策略增强人脸识别算法对光照变化的抵抗能力，为计算机视觉领域的研究者提供了有价值的新视角和实践方法。