分块LBP融合特征与SVM在人脸识别中的应用

本文介绍了一种基于分块局部二值模式（Block LBP）融合特征和支持向量机（SVM）的人脸识别算法，旨在解决传统LBP方法在光照变化和表情变化时性能下降以及单一特征无法全面描述人脸的问题。 在人脸识别领域，局部二值模式（Local Binary Pattern, LBP）是一种常用且有效的特征提取方法，它通过比较像素邻域内的灰度差异来描述图像纹理。然而，传统LBP方法在面对光照变化、面部表情变化等复杂情况时，其鲁棒性不足。为了解决这一问题，该研究提出了分块LBP融合特征的方法。首先，将人脸图像分割成多个小块，对每个块独立提取LBP特征，这样可以更好地捕捉局部信息。接着，结合各分块的像素均值特征，与LBP特征进行融合，形成更丰富的特征向量，这有助于提高对全局信息的表达能力。 支持向量机（Support Vector Machine, SVM）是一种监督学习模型，常用于分类任务。在本研究中，SVM被用作分类器，利用融合后的特征向量对人脸进行识别。SVM的优势在于它可以找到最优的超平面，使得类别之间的间隔最大化，从而提高分类的准确性和泛化能力。 实验部分，该方法在YALE、ORL标准人脸库以及自建人脸库上进行了验证。结果显示，识别准确率分别达到了95.15%、99.75%和96.25%，显著优于传统的C4.5决策树和随机森林等方法。这表明分块LBP融合特征和支持向量机的组合策略能有效提升人脸识别的性能，尤其在处理光照和表情变化的场景下。 关键词涉及的技术点包括：像素均值特征，它提供了一种简单的全局图像描述；分块局部二值模式，增强了特征的局部细节捕获；支持向量机，作为强大的分类工具；以及特征融合，通过组合不同类型的特征来提升识别效果。 这篇论文提出的算法创新性地结合了分块LBP和SVM，提高了人脸识别的准确性和鲁棒性，对于实际应用和进一步的研究具有参考价值。