基于局部特征描述的HMM人臉識(shí)別算法研究.pdf

1、作為一種生物特征識(shí)別技術(shù)，人臉識(shí)別已經(jīng)成為模式識(shí)別和計(jì)算機(jī)視覺(jué)領(lǐng)域中最具挑戰(zhàn)性的研究課題之一，它在信息安全、人機(jī)交互、身份認(rèn)證等領(lǐng)域有著非常廣闊的應(yīng)用前景?；陔[馬爾可夫模型(Hidden Markov Model, HMM)的人臉識(shí)別方法，不僅能夠考慮到人臉各個(gè)器官的數(shù)值特征，而且還兼顧了人臉的整體結(jié)構(gòu)，因而取得了比較好的識(shí)別效果。
　　本文首先針對(duì) HMM方法在特征提取方面的不足進(jìn)行研究，采用局部特征描述算子從圖像中提取較為魯

2、棒的特征信息，并將其作為觀察向量對(duì) HMM進(jìn)行訓(xùn)練和識(shí)別。文中分別研究了基本的局部二值模式(Local Binary Pattern, LBP)算子和三種改進(jìn)局部二值模式算子：多閾值局部二值模式(Epsilon Local Binary Pattern,εLBP)，增強(qiáng)局部二值模式(Improved Local Binary Pattern, ILBP)和局部差分模式(Local Derivative Pattern, LDP)。相比主

3、成分分析、離散余弦變換和奇異值分解的特征，采用局部特征信息作為觀察向量更加具有分類(lèi)性和靈活性，且避免了因降維造成的局部重要信息的丟失。實(shí)驗(yàn)表明，基于局部特征描述的HMM人臉識(shí)別方法在表情、姿態(tài)和光照變化下均達(dá)到比較滿意的識(shí)別率。
　　其次，本文從信息融合的角度對(duì)上述HMM做了進(jìn)一步研究。傳統(tǒng)的HMM算法能夠利用重疊采樣得到的觀察向量建立起高精度人臉模型，但訓(xùn)練和識(shí)別時(shí)間較長(zhǎng)。本文在非重疊采樣的方式下，采用多閾值局部二值模式或者局部