大邻域序数特征的增强局部量化模式人脸识别算法

本文主要探讨了一种增强局部量化模式人脸识别算法，针对传统局部二值模式(LBP)和局部强度顺序模式(LIOP)的局限性进行了改进。LBP通过比较像素邻域与中心像素，但忽略了邻域点之间的相对强度，而LIOP仅考虑了较小范围内的邻域点顺序信息，这可能导致特征表示的不足。作者提出的新算法则旨在克服这些不足，它首先借鉴LIOP的编码方式，但在较大的邻域范围内利用了邻域点之间的序数信息，从而获取更丰富的特征向量。 新算法首先通过类似于LIOP的编码方法生成邻域特征向量，这一步骤捕捉到了更全面的局部结构信息。接着，算法采用[k]均值聚类算法对这些特征向量进行处理，目标是减少主模数量，即降低维度，同时保持关键特征的区分度。这种聚类过程是离线执行的，并且效率较高，有助于提高算法的计算效率。 在特征提取阶段完成后，级联直方图被用作人脸特征向量，这是一种常见的特征表示方法，能够较好地保留图像的局部特征。实验证明，这种方法具有较高的鲁棒性，能够在光照、姿态变化以及饰品遮挡等非受控环境中提供更好的识别性能，相较于传统的PCA和LDA等全局特征方法，具有更强的适应性和抗干扰能力。 为了进一步提升识别精度，文章还引入了WPCA（Weighted Principal Component Analysis），这是一个结合权重的主成分分析方法，它可以在保持主要特征的同时，降低维度，从而减少噪声的影响。WPCA的运用使得算法在保持识别效果的同时，提高了整体性能。 总结来说，这项研究提出了一种新的局部量化模式人脸识别算法，它通过大邻域序数信息的利用和特征向量的优化处理，显著提高了鲁棒性和识别率，适用于实际的非受控环境人脸识别任务，为计算机视觉中的人脸识别技术提供了有竞争力的解决方案。