基于MLBP和M LGBP的人脸识别改进与性能提升

需积分: 45 15 下载量 146 浏览量 更新于2024-07-18 2 收藏 7.54MB PDF 举报
本文主要探讨了基于LBP(局部二值模式)算法的人脸识别技术在实际应用中的挑战和改进。LBP是一种常用的纹理特征提取方法,尤其适用于灰度图像,因为它能够捕捉到局部像素的结构信息。然而,原始LBP在处理人脸表情时存在一些局限性,如可能丢失某些特殊特征信息,尤其是在光照变化和表情变化的情况下。 针对这一问题,作者提出了多重局部二值模式人脸表情识别方法(MILBP)。MILBP在原有的LBP基础上进行了扩展,通过增加一位二值编码,不仅保留了LBP的优点,还考虑了中心像素点及其邻域像素点的灰度值关系,这样可以更有效地提取出更丰富的表情纹理特征。实验结果显示,相比于LBP,MILBP提取的特征图更为均匀,且在人脸识别任务中,识别率得到了显著提升,大约提高了10%。 此外,文章还解决了人脸表情图像纹理特征提取时的模块大小选择问题。作者结合了MLBP和Harr小波分解,首先对表情图像进行小波分解以获取不同频率成分,然后针对特定频率的图像应用MLBP,将这些特征值串联起来形成特征向量。这种方法不仅降低了特征维数(比直接使用MLBP减少了25%),还提高了特征提取和识别的速度,同时识别率也提高了约9%。 进一步地,考虑到光照对人脸识别的影响,文章提出了多重局部Gabor二值模式方法(M LGBP)。该方法利用Gabor小波对图像进行光照不变性的预处理,保留受光照影响较小的高频信息,再用MLBP对Gabor变换后的图像进行特征编码。这种方法成功降低了光照条件对识别率的影响,提升了在光照不均匀环境下的人脸识别性能,并显示出在特征提取上的优势,相较于其他算法如Gabor等。 本文通过对LBP算法的改进,尤其是提出MILBP和M LGBP,不仅提高了人脸识别的准确性和鲁棒性,还展示了在不同场景下优化特征提取策略的重要性。这些研究成果对于实际的人脸识别系统设计和优化具有重要的理论和实践价值。