融合DCT与ELBP的人脸特征提取增强识别方法

"本文介绍了一种融合离散余弦变换(DCT)和伸长的局部二值模式(ELBP)的人脸特征提取方法，旨在解决单一算法无法充分捕捉人脸图像多方面信息的问题。该方法首先利用DCT提取频域特征，然后通过ELBP对眼部和嘴部等关键区域提取空域特征，再结合主成分分析(PCA)融合这两种特征，以提高人脸识别的准确性和鲁棒性。实验结果表明，这种方法在ORL和Yale人脸数据库上表现优于单独使用DCT、ELBP或DCT与LBP结合的方法。" 人脸特征提取是人脸识别技术的核心部分，其目的是从人脸图像中抽取出能代表个体身份的独特信息。离散余弦变换(DCT)是一种常用的频域分析工具，它可以将图像从空域转换到频域，提取出图像的主要频率成分，但对于局部纹理信息的捕获能力有限。另一方面，局部二值模式(LBP)是一种有效的纹理描述符，特别是其伸长版本(ELBP)，能有效捕捉图像中的局部结构和纹理信息，但可能忽视了全局的频域特性。 本文提出的融合方法弥补了这两种特征提取方式的不足。首先，通过对人脸图像进行DCT，保留少量低频系数作为频域特征，这些低频成分通常包含了图像的主要结构信息。接着，针对人脸图像中具有显著特征的部位（如眼睛和嘴巴），应用ELBP算法提取空域特征，这些特征有助于识别个体的表情和面部结构。为了整合这两个领域的特征，作者采用了主成分分析(PCA)进行降维和特征融合，PCA能有效减少数据的冗余，同时保持主要的信息。 实验部分，研究人员在ORL和Yale两个经典的人脸数据库上对比了新方法与其他单一特征提取方法的识别性能。结果显示，DCT与ELBP的融合方法在各种光照、姿态和表情变化下，都能提供更高的识别精度，证明了这种方法的优越性和鲁棒性。 这项研究对于理解如何结合不同的特征提取技术以增强人脸识别系统的性能具有重要意义。未来的研究可能会进一步探索更多的特征融合策略，以及如何应对更为复杂的变化条件，如遮挡、年龄变化等，以推动人脸识别技术在实际应用中的发展。