基于LBP和深度学习的身份识别系统研究与实现
发布时间：2021-11-07 04:38
近年来,随着科技的进步,基于生物的身份识别技术被大量应用于身份识别系统中。如基于虹膜的身份识别、基于指纹的身份识别、基于人脸的身份识别。人脸识别主要通过对人脸特征的分析来确定人的身份。它具有自然性、方便性、非接触性的特点,是最简单自然的一种识别技术。虽然在智能安防、考试系统、交通管理等方面得到了应用,但人脸识别的准确率仍然受姿势、光照、噪声等外部因素的影响且传统的算法提取的人脸特征判别性不强,还过多的依赖于人工选择。所以,如何有效的确定人的身份,降低外部因素的影响,提高识别率,在人脸识别研究中有着重要的意义。通过对现存人脸识别算法的研究,针对现有人脸识别研究所存在的问题提出了一种自适应的LTFP特征提取算法以及一种自适应LTFP和深度信念网络（DBN）的人脸识别算法,并通过实验验证自适应LTFP和DBN算法性能,最后利用本文提出的算法设计实现了一个身份识别系统。下面介绍本文的主要工作:首先,通过研究局部二值模式（LBP）与局部三值模式（LTP）对人脸图像进行特征提取的过程及存在的问题,提出了一种改进的LBP算法—基于自适应LTFP算子的特征提取算法。它是先对人脸图像特征进行自适应阈值的...
【文章来源】：中国石油大学(华东)山东省 211工程院校 教育部直属院校
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
Haar-like特征的基本形式
中国石油大学（华东）全日制工程硕士学位论文17[17-19]。它的核心思想是定义一个像素为3*3的邻域，邻域内含有9个灰度像素值，把中间点像素值gc与四周区域像素点值gb进行大小比较，如果gb大于gc就记录为1，反之记录为0。经过一圈的比较后，将比对完成的0，1值以邻域左上角为起始端依次进行记录，得到LBP的二进制编码值，然后进行数制转换得到十进制编码值，加入到统计直方图中，就能够将原始图像通过统计直方图特征向量表达出来。公式(2-13)为基本LBP的数学计算公式：70(,)2()kcbbckLBPggGgg(2-13)elsexifxG,00,1)((2-14)其中gc为区域内中间像素点的值，gb为区域内四周像素点的值，G(x)为一个符号函数。根据公式其编码过程，如下图2-6所示，图中中间像素值为6，邻域内的其他像素值分别为5、10、6、5、2、8、7、4。经过LBP编码获得LBP模式为01100110，转化为十进制为102。图2-6LBP算子的编码过程Fig2-6TheencodingprocessoftheLBPoperator这样获得的纹理特征，当灰度平移时，邻域周围的像素值相对于区域中间像素值不会发生变化，即灰度不变性，但算子只能表示一种尺度的纹理特征。随后Ojala等人把LBP的邻域范围由原来的3*3的方形邻域扩展成半径为R的圆域，并在圆形内选取P个采样点和中间像素点构成区域。如果采样点不是整数时，可以通过双线性差值法获得该采样点的估计值。如下图2-7所示表示线性插值法。公式(2-15)、(2-16)表示x轴进行插值的计算公式。如果要计算P的值，首先根据公式(2-15)、(2-16)计算x轴1R、2R的值，再根据(2-17)计算获得p点的值。)()()(21121111221QfxxxxQfxxxxRf(2-15)
第二章相关背景知识介绍18其中，11R(x,y)。)()()(22121121222QfxxxxQfxxxxRf(2-16)其中，22R(x,y)。)()()(21211122RfyyyyRfyyyypf(2-17)图2-7线性插值法Fig2-7Linearinterpolation圆形的LBP的计算公式和方形LBP的计算公式是相似的，不过在获取LBP时，先对其进行旋转，得到p个不同的二值编码值，然后从这p个值中选取最小的一个作为该圆形区域的二值编码值。如图2-8表示旋转不变性的圆形LBP的编码过程。图2-8旋转不变性的圆形LBP编码过程Fig2-8RotationinvariantroundLBPencodingprocess图中选择了8个采样点，通过旋转分别获得225、240、120、60、30、15、135、195
【参考文献】：
期刊论文
[1]一种基于局部三值模式的深度学习人脸识别算法[J]. 郑秋梅,谢换丽,王风华,苏政,刘真. 计算机与现代化. 2018(02)
[2]一种多特征提取及融合的虹膜识别方法[J]. 张震,刘博,李龙. 郑州大学学报(工学版). 2017(01)
[3]基于主成分分析（PCA）的人脸识别算法研究[J]. 赵来元,高鸿彬,李媛. 电子世界. 2017(02)
[4]基于深度学习的人脸识别方法研究综述[J]. 杨巨成,刘娜,房珊珊,谢迎. 天津科技大学学报. 2016(06)
[5]基于微调优化的深度学习在语音识别中的应用[J]. 彭玉青,刘帆,高晴晴,张媛媛,闫倩. 郑州大学学报(理学版). 2016(04)
[6]一种自适应加权HOG特征的人脸识别算法[J]. 胡丽乔,仇润鹤. 计算机工程与应用. 2017(03)
[7]基于深度玻尔兹曼机的文本特征提取研究[J]. 张立民,刘凯. 微电子学与计算机. 2015(02)
[8]生物特征识别技术的实现原理与前景分析[J]. 满江月. 中国安防. 2014(11)
[9]生物识别:身份认证的第六道“令牌”[J]. 李刚. 中国信息安全. 2013(03)
[10]局部二值模式方法研究与展望[J]. 宋克臣,颜云辉,陈文辉,张旭. 自动化学报. 2013(06)
硕士论文
[1]基于OpenCV的智能视频监控系统设计[D]. 姜涛.江苏科技大学 2017
[2]基于深度学习的人脸识别技术研究[D]. 钱程.西南交通大学 2017
[3]基于LBP和深度学习的人脸特征提取[D]. 王芸芸.兰州理工大学 2016
[4]基于人脸识别身份验证系统的研究与实现[D]. 徐向茹.电子科技大学 2016
[5]基于深度学习的人脸识别方法的研究[D]. 池燕玲.福建师范大学 2015
[6]基于Adaboost人脸检测算法的研究及实现[D]. 徐信.太原理工大学 2015
[7]基于深度学习的多形态人脸识别[D]. 王莹.大连理工大学 2015
[8]基于HOG特征的人脸识别方法的研究与实现[D]. 周天荟.北京建筑大学 2014
[9]LBP和深度信念网络在非限制条件下人脸识别研究[D]. 刘银华.五邑大学 2014
[10]基于AdaBoost算法的人脸检测研究[D]. 李长风.兰州理工大学 2014
本文编号：3481177
【文章来源】：中国石油大学(华东)山东省 211工程院校 教育部直属院校
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
Haar-like特征的基本形式
中国石油大学（华东）全日制工程硕士学位论文17[17-19]。它的核心思想是定义一个像素为3*3的邻域，邻域内含有9个灰度像素值，把中间点像素值gc与四周区域像素点值gb进行大小比较，如果gb大于gc就记录为1，反之记录为0。经过一圈的比较后，将比对完成的0，1值以邻域左上角为起始端依次进行记录，得到LBP的二进制编码值，然后进行数制转换得到十进制编码值，加入到统计直方图中，就能够将原始图像通过统计直方图特征向量表达出来。公式(2-13)为基本LBP的数学计算公式：70(,)2()kcbbckLBPggGgg(2-13)elsexifxG,00,1)((2-14)其中gc为区域内中间像素点的值，gb为区域内四周像素点的值，G(x)为一个符号函数。根据公式其编码过程，如下图2-6所示，图中中间像素值为6，邻域内的其他像素值分别为5、10、6、5、2、8、7、4。经过LBP编码获得LBP模式为01100110，转化为十进制为102。图2-6LBP算子的编码过程Fig2-6TheencodingprocessoftheLBPoperator这样获得的纹理特征，当灰度平移时，邻域周围的像素值相对于区域中间像素值不会发生变化，即灰度不变性，但算子只能表示一种尺度的纹理特征。随后Ojala等人把LBP的邻域范围由原来的3*3的方形邻域扩展成半径为R的圆域，并在圆形内选取P个采样点和中间像素点构成区域。如果采样点不是整数时，可以通过双线性差值法获得该采样点的估计值。如下图2-7所示表示线性插值法。公式(2-15)、(2-16)表示x轴进行插值的计算公式。如果要计算P的值，首先根据公式(2-15)、(2-16)计算x轴1R、2R的值，再根据(2-17)计算获得p点的值。)()()(21121111221QfxxxxQfxxxxRf(2-15)
第二章相关背景知识介绍18其中，11R(x,y)。)()()(22121121222QfxxxxQfxxxxRf(2-16)其中，22R(x,y)。)()()(21211122RfyyyyRfyyyypf(2-17)图2-7线性插值法Fig2-7Linearinterpolation圆形的LBP的计算公式和方形LBP的计算公式是相似的，不过在获取LBP时，先对其进行旋转，得到p个不同的二值编码值，然后从这p个值中选取最小的一个作为该圆形区域的二值编码值。如图2-8表示旋转不变性的圆形LBP的编码过程。图2-8旋转不变性的圆形LBP编码过程Fig2-8RotationinvariantroundLBPencodingprocess图中选择了8个采样点，通过旋转分别获得225、240、120、60、30、15、135、195
【参考文献】：
期刊论文
[1]一种基于局部三值模式的深度学习人脸识别算法[J]. 郑秋梅,谢换丽,王风华,苏政,刘真. 计算机与现代化. 2018(02)
[2]一种多特征提取及融合的虹膜识别方法[J]. 张震,刘博,李龙. 郑州大学学报(工学版). 2017(01)
[3]基于主成分分析（PCA）的人脸识别算法研究[J]. 赵来元,高鸿彬,李媛. 电子世界. 2017(02)
[4]基于深度学习的人脸识别方法研究综述[J]. 杨巨成,刘娜,房珊珊,谢迎. 天津科技大学学报. 2016(06)
[5]基于微调优化的深度学习在语音识别中的应用[J]. 彭玉青,刘帆,高晴晴,张媛媛,闫倩. 郑州大学学报(理学版). 2016(04)
[6]一种自适应加权HOG特征的人脸识别算法[J]. 胡丽乔,仇润鹤. 计算机工程与应用. 2017(03)
[7]基于深度玻尔兹曼机的文本特征提取研究[J]. 张立民,刘凯. 微电子学与计算机. 2015(02)
[8]生物特征识别技术的实现原理与前景分析[J]. 满江月. 中国安防. 2014(11)
[9]生物识别:身份认证的第六道“令牌”[J]. 李刚. 中国信息安全. 2013(03)
[10]局部二值模式方法研究与展望[J]. 宋克臣,颜云辉,陈文辉,张旭. 自动化学报. 2013(06)
硕士论文
[1]基于OpenCV的智能视频监控系统设计[D]. 姜涛.江苏科技大学 2017
[2]基于深度学习的人脸识别技术研究[D]. 钱程.西南交通大学 2017
[3]基于LBP和深度学习的人脸特征提取[D]. 王芸芸.兰州理工大学 2016
[4]基于人脸识别身份验证系统的研究与实现[D]. 徐向茹.电子科技大学 2016
[5]基于深度学习的人脸识别方法的研究[D]. 池燕玲.福建师范大学 2015
[6]基于Adaboost人脸检测算法的研究及实现[D]. 徐信.太原理工大学 2015
[7]基于深度学习的多形态人脸识别[D]. 王莹.大连理工大学 2015
[8]基于HOG特征的人脸识别方法的研究与实现[D]. 周天荟.北京建筑大学 2014
[9]LBP和深度信念网络在非限制条件下人脸识别研究[D]. 刘银华.五邑大学 2014
[10]基于AdaBoost算法的人脸检测研究[D]. 李长风.兰州理工大学 2014
本文编号：3481177
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3481177.html
