基于Curvelet与LBP的面部识别：局部属性保留与高效特征提取

本文探讨了一种创新的人脸识别方法，主要利用Curvelet变换和局部二进制模式（Local Binary Pattern, LBP）特征的结合，通过"局部属性保留"这一关键策略实现。Curvelet变换是一种多分辨分析工具，特别适合捕捉图像中边缘的不连续性，因为它提供了各向异性分解，能有效提取不同方向和尺度的信息。LBP则作为纹理描述符，在人脸图像分析中表现出色，它能突出图像局部区域的纹理特征。 在特征提取过程中，作者将这种方法分为几个步骤。首先，通过对图像进行Curvelet变换，不同频带的特征被分别处理。低频带部分，即主要包含全局信息的部分，采用LBP方法提取纹理特征，而中高频带则进行归一化处理，以减少噪声的影响。这样的选择基于Curvelet变换在不同频带的特性，确保每个频带都能提供独特且相关的面部特征。 其次，通过"局部保留投影"技术，这种方法减小了特征集的维度，保留了重要的局部特征信息，同时降低了计算复杂度。这一步对于提高识别效率至关重要，因为在高维空间中寻找最佳匹配往往耗时且容易过拟合。 最后，采用最近邻分类器在降维后的特征空间中对测试样本进行分类。这种简单的非参数分类器在小数据集上表现良好，且不需要复杂的模型训练。 实验部分，研究者在包括Yale数据库、扩展的Yale B数据库、PIEpose 09数据库和FRGC数据库在内的多个常用人脸数据库上进行了大量的实验验证。结果显示，这种基于Curvelet和LBP特征的局部属性保留方法在人脸识别任务上取得了显著的效果，证明了其在实际应用中的有效性。 本文的研究提供了一种新颖且高效的面部识别解决方案，利用Curvelet和LBP的优势，通过局部属性的保留，克服了传统方法可能遇到的纹理细节丢失和特征冗余问题，为人脸识别领域带来了新的思路和技术提升。