基于局部二值模式与主成分分析人脸识别的研究与应用

发布时间：2021-05-07 17:59

　　随着计算机和信息技术的飞速发展,人脸识别技术越来越受到重视。光照、表情、姿态与噪声等是影响人脸识别算法精度的主要因素。本文查阅大量文献,研究LBP及PCA等经典的人脸特征提取方法,并针对二者的不足,提出相应的改进,最后通过实验进行可靠性验证。针对表情及脉冲类噪声两个因素干扰下人脸识别率低的问题,提出一种加权信息熵（IEw）与自适应阈值环形局部二值模式（ATRLBP）算子相结合的人脸识别方法（IE（w）ATR-LBP）。首先,从原始人脸图像分块提取信息熵,得到每个子块的权值;其次,采用ATRLBP算子,分别对每个人脸子块提取特征得到概率直方图;最后,将各个块的权值与概率直方图相乘,再串联成为最终的特征直方图,并采用SVM进行识别。AR人脸库算法对比实验结果显示:IE（w）ATR-LBP方法在表情、光照、遮挡A与遮挡B四个集分别取得了98.37%、94.17%、98.20%、99.34%的识别率;ORL人脸库算法对比实验结果显示:IE（w）ATR-LBP方法取得的最大识别率为99.85%;ORL人脸库噪声实验结果显示:对比无噪声、高斯、椒盐在5次不同训练样本实验下的平均识别率,高斯对比无噪... 

【文章来源】：西南交通大学四川省 211工程院校 教育部直属院校

【文章页数】：83 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 人脸识别研究背景及意义
    1.2 人脸识别发展史
        1.2.1 半自动人脸识别阶段
        1.2.2 人机交互式识别阶段
        1.2.3 智能化人脸识别阶段
    1.3 人脸识别国内外研究
    1.4 人脸识别研究内容
    1.5 人脸识别研究难点
    1.6 本文的主要工作及内容安排
        1.6.1 本文主要研究内容
        1.6.2 本文内容章节安排
第2章 人脸检测及人脸图像预处理
    2.1 人脸检测
    2.2 人脸图像几何归一化
    2.3 图像的光照预处理
        2.3.1 直方图均衡化(HE)
        2.3.2 伽马亮度校正(GIC)
        2.3.3 自商图(SQI)
        2.3.4 局部归一化(LN)
        2.3.5 实验结果对比
    2.4 图像去噪处理
        2.4.1 中值滤波
        2.4.2 均值滤波
        2.4.3 高斯滤波
        2.4.4 实验结果及分析
    2.5 国内外通用人脸图像数据库
    2.6 本章小结
第3章 加权信息熵与增强局部二值模式结合的人脸识别
    3.1 局部二值模式(LBP)
    3.2 LBP变体
        3.2.1 等价LBP模式(UI-LBP)
        3.2.2 旋转不变LBP模式(RI-LBP)
        3.2.3 旋转不变的等价LBP模式(RIUP-LBP)
        3.2.4 中心对称局部二值模式(CS-LBP)
        3.2.5 多尺度块中心对称局部二值模式(MB-CSLBP)
    3.3 图像直方图
    3.4 相似度测定方法
    3.5 加权信息熵
    3.6 结合加权信息熵与增强LBP的人脸识别
        3.6.1 自适应阈值环形局部二值模式
        3.6.2 结合IE(w)的ATRLBP特征
        3.6.3 IE(w)ATR-LBP的差值形式与自适应阈值确定
    3.7 实验结果与分析
        3.7.1 抗噪鲁棒性验证
        3.7.2 不同方法对比验证
    3.8 本章小结
第4章 采用(2D)~2-PCA降维的ATRLBP人脸识别
    4.1 特征降维的定义
    4.2 LBP等价模式的局限性
    4.3 基于PCA的人脸识别方法
        4.3.1 PCA方法
        4.3.2 PCA在人脸识别领域的应用
        4.3.3 人脸识别中的PCA与 K-L变换
        4.3.4 特征值的选择
        4.3.5 距离函数的选取
        4.3.6 PCA的优缺点分析
    4.4 基于2DPCA的人脸识别方法
        4.4.1 2DPCA的思想与算法
        4.4.2 2DPCA的特征提取
        4.4.3 2DPCA的分类方法
        4.4.4 基于2DPCA的图像重建
        4.4.5 2DPCA的优缺点分析
    4.5 结合ATRLBP算子与(2D)~2PCA的人脸识别方法
        4.5.1 列2DPCA(Alternative2DPCA)
        4.5.2 (2D)~2PCA人脸识别方法
        4.5.3 ATRLBP-(2D)~2PCA人脸识别方法
        4.5.4 ATRLBP-(2D)~2PCA方法与ATRLBP-UI方法比较
        4.5.5 实验结果与分析
    4.6 本章小结
总结与展望
致谢
参考文献
攻读硕士学位期间发表的论文和参加的科研项目


【参考文献】：
期刊论文
[1]基于LBP卷积神经网络的面部表情识别[J]. 江大鹏,杨彪,邹凌.  计算机工程与设计. 2018(07)
[2]基于稀疏表示与特征融合的人脸识别方法[J]. 木立生,吕迎春.  现代电子技术. 2018(09)
[3]Gabor特征与深度信念网络结合的人脸识别方法[J]. 杨瑞,张云伟,苟爽,支艳利.  传感器与微系统. 2017(05)
[4]一种DCT和ELBP融合的人脸特征提取方法[J]. 王燕,王芸芸.  计算机工程与应用. 2017(04)
[5]加权局部二值模式的人脸特征提取[J]. 张洁玉,武小川.  中国图象图形学报. 2014(12)
[6]基于局部Gabor变化直方图序列的人脸描述与识别[J]. 张文超,山世光,张洪明,陈杰,陈熙霖,高文.  软件学报. 2006(12)
[7]生物特征识别技术综述[J]. 孙冬梅,裘正定.  电子学报. 2001(S1)
[8]基于肤色和模板的人脸检测[J]. 艾海舟,梁路宏,徐光祐,张钹.  软件学报. 2001(12)
[9]中文OCR技术最新进展（续）[J]. 丁晓青,郭繁夏.  电子出版. 1996(01)

博士论文
[1]基于稀疏表示和局部描述的人脸识别算法研究[D]. 李志明.天津大学 2016

硕士论文
[1]基于深度学习的人脸识别方法的研究[D]. 王震.兰州理工大学 2018
[2]基于局部二值模式的纹理特征研究与应用[D]. 于亚风.西南交通大学 2017



本文编号：3173827