LBP改进人脸识别算法:提高识别率与适应性

需积分: 13 3 下载量 41 浏览量 更新于2024-09-04 收藏 1.04MB PDF 举报
本文主要探讨了一种基于LBP (Local Binary Pattern,局部二值模式) 的改进人脸识别算法,由高旭和黄建琼两位作者针对LBP算法的局限性进行研发。LBP算法最初由Timo等人在1996年提出,由于其简单易用且在纹理识别和人脸识别中表现出色,得到了广泛的应用。然而,原始的LBP算法存在一些缺陷,如对光照和旋转变化的敏感性。 为了克服这些问题,该改进算法LBP_Gao着重进行了以下几点优化: 1. 像素计算:算法对像素的处理方式进行了改进,可能是采用了更高级的特征提取方法,或者对原始像素值进行了更精细的处理,以提高对图像细节的捕捉和理解。 2. 重点区域的权重:算法给予某些关键区域更高的权重,这可能是因为人脸的特定区域(如眼睛、鼻子和嘴巴)对于识别至关重要,权重的调整有助于增强这些区域的特征表达。 3. 重点区域遮盖:通过对重点区域的特殊处理,如模糊或增强,可能使得算法能够更好地忽略噪声,专注于关键特征,从而提高识别的鲁棒性。 作者们参考了其他学者的研究成果,例如郭氏团队通过引入符号向量和梯度向量来减少光照影响,以及刘丽团队关注像素强度和差异的模型。他们的工作为LBP算法的改进提供了有价值的参考。 张弢等人则在此基础上进一步发展了LBP算法,表明人脸识别技术在不断迭代和进步。通过模拟实验,改进后的LBP_Gao算法被证明具有更高的识别率和更强的适应能力,这意味着它在不同光照条件和轻微旋转变化下仍能保持稳定的识别性能。 这篇文章的核心内容是介绍了一种针对LBP算法不足之处进行优化的人脸识别算法,旨在提升人脸识别的准确性和鲁棒性,对于研究者和实际应用中的面部识别系统具有重要的参考价值。
2018-12-29 上传
随着计算机和信息技术的快速发展,人脸识别技术越来越受到重视,本文主要研究了人脸在不同光照、不同表情下的特征提取与识别的一些关键问题,提出了一些改进方法,并通过实验进行了可靠性验证. 针对LBP算法提取人脸图像的表情特征信息时会丢失特殊的特征信息的缺点,本文提出了多重局部二值模式的人脸表情识别方法(Multiple Local Binary Patterns,MILBP),该方法在保持LBP算法优点的前提下,通过增加一位二值编码,利用中心像素点作用以及邻域像素点灰度值之间的关系,得出特征向量图. 实验结果表明MLBP算法比LBP算法描述的表情纹理图像更加均匀,且识别率约提高10%. 针对人脸表情图像进行纹理特征提取时的模块大小划分问题,本文提出将MLBP算法与Harr小波分解相结合,该方法首先将表情图像进行Har小波分解,得到四幅不同频率的子图像,然后对其中三幅图像进行MLBP特征提取,并将得到的特征值串联形成表情图像的特征向量。实验结果表明该方法比MLBP方法直接提取表情特征所产生的特征向量的维数减少了25%,特征提取和识别的速率提高了,其中识别率约提高了9%. 人脸识别研究中的识别率容易受光照强度的影响,针对MLBP算法在光照变化时具有旋转不变性,以及Gabor小波能提供空间位置、空间频率的特性,本文提出了多重局部Gabor二值模式方法(Multiple Local Gabor Binary Pattern,M LGBP),该方法先对人脸图像使用Gabor小波进行变换处理,保留受光照影响较小的高频部分,然后再采用MLBP算法对Gabor提取后的图像采用分块编码,最后得到联合直方图序列,获得丰富的局部特征信息,实验结果表明了该算法有效的降低了光照对识别率的影响,提高了光照不均匀时的人险识别率,且在特征提取方面比Gabor等算法更加有效.