基于HOG特征LBP特征的人臉識(shí)別方法研究.pdf

1、隨著高科技的進(jìn)步與發(fā)展，數(shù)字圖像已經(jīng)成為一種重要的多媒體形式，人類生活方方面面都會(huì)涉及大量數(shù)字圖像。如何對(duì)這些圖像進(jìn)行標(biāo)識(shí)和分類已逐漸成為人們關(guān)注的焦點(diǎn)。面對(duì)海量數(shù)字圖像僅僅靠人力已經(jīng)遠(yuǎn)遠(yuǎn)不夠，我們需要借助機(jī)器來(lái)實(shí)現(xiàn)圖像識(shí)別。這時(shí)將模式識(shí)別知識(shí)應(yīng)用到數(shù)字圖像領(lǐng)域，便可解決圖像識(shí)別問(wèn)題。人臉識(shí)別技術(shù)作為圖像識(shí)別技術(shù)的重要代表，其應(yīng)用十分廣泛，例如檔案管理系統(tǒng)、住宅安全、信用卡驗(yàn)證、銀行自助提款機(jī)等。所以人臉識(shí)別技術(shù)的研究具有很重要的實(shí)用價(jià)

2、值和現(xiàn)實(shí)意義。
　　首先，本文概述了人臉識(shí)別技術(shù)的背景、意義和國(guó)內(nèi)外研究現(xiàn)狀;其次，敘述了人臉識(shí)別技術(shù)的基礎(chǔ)知識(shí)，包括圖像識(shí)別系統(tǒng)的流程、特征提取與選擇以及模式分類，其中重點(diǎn)說(shuō)明了特征臉、Fisher臉?lè)椒ㄒ约癏OG特征、LBP特征的獲取方法，并且又詳細(xì)敘述了三個(gè)分類器的算法，一個(gè)是經(jīng)典且簡(jiǎn)單的K-近鄰分類器，一個(gè)是實(shí)用的線性回歸分類器，另一個(gè)是熱門的稀疏表示分類器。文章重點(diǎn)是探究?jī)?yōu)良的特征與適當(dāng)?shù)姆诸惼鹘Y(jié)合以實(shí)現(xiàn)高的人臉?lè)诸惥?/p>

3、，通過(guò)控制變量法來(lái)研究特征提取方法與分類器結(jié)合的分類效果。本文研究結(jié)論如下:
　　(1)將HOG特征、LBP特征引入到線性回歸分類器(LRC)中能大大提高該分類器的分類精度，尤其在訓(xùn)練樣本較少的情況下更能展現(xiàn)其分類實(shí)力，進(jìn)而延伸至與最近鄰分類器(NN)、稀疏表示分類器(SRC)結(jié)合也展現(xiàn)了該方面的能力;
　　(2)盡管HOG特征和LBP特征都對(duì)光照變化等因素具有魯棒性，但HOG特征在應(yīng)對(duì)有明顯光照變化和表情變化的圖像分類問(wèn)題

4、時(shí)更具有優(yōu)勢(shì);
　　(3)特征臉特征在參與有明顯光照變化的圖像分類時(shí)并不能發(fā)揮其好的分類作用;
　　(4)我們?cè)谧鯤OG特征和LBP特征與LRC結(jié)合實(shí)驗(yàn)時(shí)發(fā)現(xiàn)，在有遮擋塊的圖像分類中二者有利于提高線性回歸分類器的分類精度。但由于本文實(shí)驗(yàn)的圖像重點(diǎn)不在于有遮擋的圖像上，所以并未在其他分類器上做深入的探討;
　　(5)以各個(gè)特征方法為控制變量研究分類器性能時(shí)，隨著訓(xùn)練樣本數(shù)一定程度上的增加，三個(gè)分類器的分類精度整體上是遞增