| 以下仅列出文章摘要、提纲简介，如需获取全文阅读权限，或原创定制、长期合作，请随时联系。 微信QQ:312050216 |
 |
 |
| 基于改进LBP算子的人脸识别算法研究 摘 要 随着计算机科学技术的快不断发展，人脸识别技术的地位变得越来越重要。经过几十年的发展，人脸识别技术已经取得了巨大的进步，现有的技术在理想状态下的识别率已经达到了很高的水平。但是由于人脸的不可控因素太多，所以现有的技术依然不能很好的应用于实际。在人脸识别领域，最受关注的一直是特征提取，特征提取算法的好坏会直接影响到识别率。 本文介绍了特征提取算法的一种——局部二值模式（LBP），该算法是一种基于灰度变化的纹理描述，最早被应用为辅助图像局部对比度，由于LBP算法计算简单、易于推广、分类能力强等优点，近年来被很好的应用于人脸识别领域，并且取得了一定的成绩。但是LBP算子本身还存在一定的局限性，在人脸识别的特征提取与识别方面还存在一定的问题。针对这些问题，本文主要完成了以下的研究工作： 针对原始LBP模式类别的数量太多，同时为了解决Ojala提出的“等价模式”的缺点，本文提出一种新的方法对LBP算子进行维数约简，与LBP等价模式采用特征选择进行维数约简不同，本文采用特征抽取的方法，使用主成分分析（PCA）算法对原始LBP算子进行降维，能有效的降低“维数灾难”问题，对识别效率起到了至关重要的作用。实验数据表明，结合PCA的LBP算法，既能有效地提取人脸的信息，又可以大大降低特征的维数，减小计算量。 针对LBP算子提取人脸图像的表情特征信息时忽略了各相邻邻域点之间的关系的缺点，本文提出了改进的LBP算法，该算法在局部二值模式的基础上，通过增加比较各相邻邻域点之间的大小关系，得到全新的LBP算子值，并最终得到特征向量图。实验结果表明改进的LBP算法比原始的LBP算法描述的表情纹理图像更加均匀，且识别率有显著提高。 本文主要研究了LBP算子及其发展应用，在LBP的降维方式、以及基于LBP算子的人脸识别等方面作了比较深入的研究工作，提出了有效的改进算法，对于推动人脸识别的进一步发展和应用具有积极的意义。 关键字：特征提取；局部二值模式；人脸识别；等价模式；维数 目录 摘 要 I 1 绪论 1 1.1课题研究背景和意义 1 1.2人脸识别算法国内外研究现状 2 1.3人脸识别过程 5 1.4文主要研究内容与章节安排 5 1.4.1本文主要研究内容 5 1.4.2本文章节安排 6 1.4本章小结 7 2 LBP算法的基本原理与应用 8 2.1 LBP算法概述 8 2.2 LBP算法的发展 9 2.2.1圆形LBP 9 2.2.2旋转不变的LBP 9 2.3 LBP算法的特点 12 2.3.1 LBP算法的统一模式 12 2.3.2 LBP算法的优点 12 2.3.1 LBP算法的缺点 13 2.4 LBP算法的应用 13 2.4.1 LBP在图像分类中的应用 13 2.4.2 LBP在图像检索中的应用 14 2.4.3 LBP在人脸识别中的应用 16 2.6本章小结 16 3 结合PCA与LBP的特征提取算法 17 3.1 LBP等价模式 17 3.1.1 原始的LBP等价模式 17 3.1.2 改进的LBP等价模式 18 3.2 PCA算法概述 19 3.2.1 PCA算法综述 19 3.2.2 PCA算法原理 20 3.2.3 PCA算法实现人脸识别的步骤 21 3.3 结合PCA与LBP的特征提取算法 22 3.3.1 特征提取 22 3.3.2 识别分类 23 3.4 算法测试与分析 23 3.4.1 识别算法实验 23 3.5本章小结 27 4 基于改进的LBP算子的特征提取算法 28 4.1基本LBP算子的局限性 28 4.2改进的LBP算子原理 28 4.3基于改进的LBP算子的特征提取算法 30 4.3.1 改进的LBP算子的优势 30 4.3.2 改进的LBP算子的人脸识别过程 31 4.4算法测试与分析 34 4.3.1 改进的LBP算法实验结果分析 34 4.4.2 改进的LBP算法人脸识别技术的可靠性分析 38 4.5本章总结 40 5 总结与展望 41 5.1总结 41 5.2展望 41 |
