基于局部二值模式的人脸识别方法研究

摘要

人脸识别技术涉及到图像处理、模式识别、信号处理、人工智能等多门学科，还与人脑的认知科学紧密相关，是一个富有挑战性的课题。近年来，随着计算机技术的飞速发展以及计算机应用的日益普及，人脸识别因其广泛的应用前景而成为模式识别、图像处理等领域的研究热点。 局部二值模式（LBP）是一种灰度范围内的纹理描述方式。本文对LBP进行深入地分析与研究，并且针对LBP变化单一的缺点，提出了一种基于多阈值局部二值模式（MTLBP）的人脸识别方法。首先计算图像中每个像素点与其局部邻域点的灰度差，通过选择不同的阈值编码形成MTLBP，然后采用多区域直方图向量进行人脸特征描述，最后模糊化多阈值匹配结果进行人脸识别。在人脸数据库上的实验结果显示，MTLBP方法对表情、背景、距离等变化都具有较好的鲁棒性。 本文还探讨了分块加权技术在人脸识别中的应用，提出了一种熵加权局部二值模式（EWLBP）的人脸识别方法，通过引入信息熵对信息量的描述，在LBP编码并将人脸图像划分为多区域的基础上，计算不同分块区域的熵值，以此在特征匹配时对相似度加权，达到提高识别率的目的。在人脸数据库上的实验表明，EWLBP方法能有效地提高在光照、饰物、年龄等变化时的识别率。

目录

文摘

英文文摘

声明

第一章 绪论

1.1课题研究的背景和意义

1.2国内外人脸识别的研究现状

1.2.1 基于局部特征的人脸识别方法

1.2.2基于整体特征的人脸识别方法

1.2.3混合特征的人脸识别方法

1.3人脸识别研究难点

1.4本文的内容组织

第二章人脸识别原理和局部二值模式基础

2.1人脸识别原理与流程

2.2局部二值模式LBP

2.2.1 LBP背景知识

2.2.2 LBP应用及优缺点

2.3人脸识别图像库

2.3.1 常用的人脸数据库

2.3.2本文采用的人脸数据库

2.4本章小结

第三章 基于多阈值局部二值模式的人脸识别方法

3.1引言

3.2模糊融合

3.2.1 模糊分类

3.2.2信息融合

3.3多阈值局部二值模式MTLBP

3.3.1 MTLBP编码

3.3.2分类识别

3.4实验

3.4.1 实验环境及参数选择

3.4.2实验结果及分析

3.5本章小结

第四章 基于熵加权局部二值模式的人脸识别方法

4.1引言

4.2常见的分块加权方法

4.2.1先验知识加权

4.2.2 自适应加权PCA

4.3信息论及信息熵

4.4熵加权局部二值模式EWLBP

4.4.1区域熵加权

4.4.2 EWLBP算法描述

4.5实验

4.5.1 实验过程

4.5.2实验结果及其分析

4.6本章小结

第五章 总结与展望

5.1总结

5.2展望

参考文献

致谢

攻读学位期间主要的研究成果