改进LDP算法提升人脸识别：剔除非特征值增强识别率

本文主要探讨了一种针对LDP（Local Directional Pattern）算法存在的问题进行改进的局部定向模式，即CLDP（Improved Local Directional Pattern）。LDP算法在计算时，将Kirsch算子运算后产生的负值邻域灰度值用于中心灰度值的编码，这可能导致中心灰度值无法准确反映局部特征，从而影响识别精度。为了改善这一情况，研究人员提出了新的算法： 1. **问题背景**：原始的LDP算法中的负值因素会削弱中心灰度值对局部特征的代表能力，使得识别性能下降。 2. **改进方法**：CLDP算法移除了负值邻域灰度值，仅保留与Kirsch算子运算后的正值，作为图像边缘的输出。这样，中心灰度值能够更有效地捕获邻域的局部特征，从而提高了人脸识别的准确性。 3. **应用验证**：作者将CLDP算法应用于YALE、ORL、JAFFE等人脸数据库进行实验，结果表明，相比于LDP、LDN（Local Difference Normalization）和ELDP（Enhanced LDP）等传统算法，CLDP算法在识别性能上有所提升，具有更好的鲁棒性和稳定性。 4. **人脸识别系统框架**：人脸识别系统由图像预处理、特征提取、训练和识别等模块组成，其中特征提取至关重要。CLDP作为局部特征提取方法的一员，强调提取人脸的细节特征，对光照、表情和遮挡变化具有较好的抗干扰能力。 5. **对比分析**：CLDP算法与基于全局特征的方法（如PCA、LDA等）相比，虽然可能牺牲部分整体信息，但其局部特性的提取使其在复杂环境下的识别性能更为优越。 总结来说，本文通过改进LDP算法，解决了中心灰度值对局部特征表示不足的问题，提升了人脸识别的精度，并通过实际应用证明了其在复杂人脸数据集上的优势。这对于提高人脸识别系统的实用性及鲁棒性具有重要意义。