基于局部纹理特征和DBN的人脸识别算法研究
发布时间：2021-11-11 18:15
人脸识别一直是身份识别的热点研究领域。特征提取和分类识别算法是人脸识别中的两大问题,但非特定情境下很容易受到表情、姿态、饰物、头发以及光照等因素的影响。本文主要针对人脸的局部纹理特征及深度信念网络模型进行研究,主要工作如下:1、提出了一种基于TPLBP特征和深度信念网络人脸识别算法模型。该模型先提取人脸的TPLBP特征;再采用深度信念网络对之进行学习和降维;最后采用Softmax分类器对人脸进行识别分类。模型利用TPLBP特征克服了 LBP特征易受噪声干扰的问题。通过分析和实验确定出TPLBP的参数及DBN隐含层节点数,最终获得较好的识别效果。2、提出了一种加权的局部三值模式（WLTP）算法,并结合深度信念网络给出了一种新的人脸识别算法。该算法先求取人脸的WLTP特征并利用PCA对之进行预降维,之后再由深度信念网络和Softmax进行学习和识别。WLTP算法根据人脸不同区域对识别率的贡献度赋予不同的权值,既发挥了 LTP算法对光照的鲁棒性,又给予不同区域以合理的权值,提高了识别效率。3、基于CMUPIE人脸库和FERET人脸数据库,对两种人脸识别算法进行了训练和测试,讨论了参数、特征、...
【文章来源】：山东科技大学山东省
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
图１．２人脸识别系统??Ｆｉｇ．?１．２?Ｆａｃｅ?ｒｅｃｏｇｎｉｔｉｏｎ?ｓｙｓｔｅｍ??１．２．１人脸检测??
骤可总结为：首先，给定一个窗口，按着从左到右，从上往下的顺序滑动窗口??遍历整幅图像；然后，提取窗口对应的图像特征；最后，将获取的人脸特征输??入到分类器中，判断是否有人脸存在，其示意图如图１．３所示。其方法主要是有??Ｈａａｒ－ｌｉｋｅ特征法［３］、ＦｌｏａｔＢｏｏｓｔ算法［４］、ＩＬＢＰ特征法［５】平行级联分类器［６］、金字??塔结构分类器［７］、宽度优先搜索树［８］等，??咖??图１．３人脸检测??Ｆｉｇ．?１．３?Ｆａｃｅ?Ｄｅｔｅｃｔｉｏｎ??１．２．２特征提取??人脸特征提取的目的是在人脸图像数据中获得能够表示人脸的有效信息特??征，这些特征具有唯一性，不会雷同于其他人脸样本。由于人脸图片的数据维??度较高，假若直接用人脸图片的原始数据作为特征来一一对比进行识别，将会??导致费时、费力、计算开销大等问题，所以对人脸照片进行特征提取变的非常??重要，是实现人脸识别的关键。人脸特征提取的方法主要有：??（１）
Ｐｅ?Ｐｓ??图２．１?ＬＢＰ邻域窗口??Ｆｉｇ．２．１?Ｎｅｉｇｈｂｏｒｈｏｏｄ?ｗｉｎｄｏｗ?ｏｆ?ＬＢＰ??以上图中大小为３ｘ３的ＬＢＰ邻域窗口为例，ＬＢＰ算法的计算过程描述为：??Ｔ?￣（Ｓ（ｐ０－ｐｃ），?ＭｐｒｐＪ）?式（２．１）??如Ｕ〇〇?式（２．２）??因此将ＬＢＰ邻域窗口的各个像素点的灰度值转化为了一个二进制值，同时??为每个二进制值赋予不同的权值２＇，然后将ＬＢＰ邻域窗口获得的二进制值重新??编码成一个十进制的５＾／－凡）值，这个值就是用来表征这个邻域窗口的ＬＢＰ特??征值，即表示该区域的纹理信息。该过程用数学公式表示为：??ＬＢＰ?＝?Ｔ＾Ｐ．－Ｐｃ）２ｉ?式（２．３）??２．２ＬＢＰ理：??
【参考文献】：
期刊论文
[1]几何结构保持非负矩阵分解的数据表达方法[J]. 李冰锋,唐延东,韩志. 信息与控制. 2017(01)
[2]采用局部二值模式与深度信念网络的人脸识别[J]. 吴进,严辉,王洁. 电讯技术. 2016(10)
[3]改进的二维变换Gabor小波滤波器特征提取算法[J]. 闫俊强,乔志伟,王强. 计算机工程与设计. 2016(10)
[4]基于L1-范数的二维线性判别分析[J]. 陈思宝,陈道然,罗斌. 电子与信息学报. 2015(06)
[5]基于I-DCV的人脸识别方法[J]. 许良凤,李艳秋,胡敏,刘盛中,王晓华. 电子测量与仪器学报. 2015(01)
[6]基于鉴别流形的不相关稀疏投影非负矩阵分解[J]. 李新玉,徐桂云,任世锦,杨茂云. 山东大学学报(工学版). 2015(05)
[7]基于离散小波变换和ICA支持向量机的人脸识别[J]. 祝加雄,贺元骅. 电视技术. 2014(11)
[8]一种自适应加权SpPCA单样本人脸识别算法[J]. 唐雨佳,周李威,陈耿,朱玉全. 计算机应用研究. 2014(09)
[9]改进的小波分解、Fisher脸及几何特征相结合的人脸识别方法[J]. 彭叶,王顺芳,丁海燕. 云南大学学报(自然科学版). 2011(S2)
硕士论文
[1]基于LBP算法的人脸识别研究[D]. 嵇介曲.安徽理工大学 2017
[2]基于稀疏表示的人脸特征提取与识别算法研究[D]. 王永欣.山东师范大学 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]改进型LTP在人脸识别中的研究与应用[D]. 李德宁.哈尔滨理工大学 2012
本文编号：3489293
【文章来源】：山东科技大学山东省
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
图１．２人脸识别系统??Ｆｉｇ．?１．２?Ｆａｃｅ?ｒｅｃｏｇｎｉｔｉｏｎ?ｓｙｓｔｅｍ??１．２．１人脸检测??
骤可总结为：首先，给定一个窗口，按着从左到右，从上往下的顺序滑动窗口??遍历整幅图像；然后，提取窗口对应的图像特征；最后，将获取的人脸特征输??入到分类器中，判断是否有人脸存在，其示意图如图１．３所示。其方法主要是有??Ｈａａｒ－ｌｉｋｅ特征法［３］、ＦｌｏａｔＢｏｏｓｔ算法［４］、ＩＬＢＰ特征法［５】平行级联分类器［６］、金字??塔结构分类器［７］、宽度优先搜索树［８］等，??咖??图１．３人脸检测??Ｆｉｇ．?１．３?Ｆａｃｅ?Ｄｅｔｅｃｔｉｏｎ??１．２．２特征提取??人脸特征提取的目的是在人脸图像数据中获得能够表示人脸的有效信息特??征，这些特征具有唯一性，不会雷同于其他人脸样本。由于人脸图片的数据维??度较高，假若直接用人脸图片的原始数据作为特征来一一对比进行识别，将会??导致费时、费力、计算开销大等问题，所以对人脸照片进行特征提取变的非常??重要，是实现人脸识别的关键。人脸特征提取的方法主要有：??（１）
Ｐｅ?Ｐｓ??图２．１?ＬＢＰ邻域窗口??Ｆｉｇ．２．１?Ｎｅｉｇｈｂｏｒｈｏｏｄ?ｗｉｎｄｏｗ?ｏｆ?ＬＢＰ??以上图中大小为３ｘ３的ＬＢＰ邻域窗口为例，ＬＢＰ算法的计算过程描述为：??Ｔ?￣（Ｓ（ｐ０－ｐｃ），?ＭｐｒｐＪ）?式（２．１）??如Ｕ〇〇?式（２．２）??因此将ＬＢＰ邻域窗口的各个像素点的灰度值转化为了一个二进制值，同时??为每个二进制值赋予不同的权值２＇，然后将ＬＢＰ邻域窗口获得的二进制值重新??编码成一个十进制的５＾／－凡）值，这个值就是用来表征这个邻域窗口的ＬＢＰ特??征值，即表示该区域的纹理信息。该过程用数学公式表示为：??ＬＢＰ?＝?Ｔ＾Ｐ．－Ｐｃ）２ｉ?式（２．３）??２．２ＬＢＰ理：??
【参考文献】：
期刊论文
[1]几何结构保持非负矩阵分解的数据表达方法[J]. 李冰锋,唐延东,韩志. 信息与控制. 2017(01)
[2]采用局部二值模式与深度信念网络的人脸识别[J]. 吴进,严辉,王洁. 电讯技术. 2016(10)
[3]改进的二维变换Gabor小波滤波器特征提取算法[J]. 闫俊强,乔志伟,王强. 计算机工程与设计. 2016(10)
[4]基于L1-范数的二维线性判别分析[J]. 陈思宝,陈道然,罗斌. 电子与信息学报. 2015(06)
[5]基于I-DCV的人脸识别方法[J]. 许良凤,李艳秋,胡敏,刘盛中,王晓华. 电子测量与仪器学报. 2015(01)
[6]基于鉴别流形的不相关稀疏投影非负矩阵分解[J]. 李新玉,徐桂云,任世锦,杨茂云. 山东大学学报(工学版). 2015(05)
[7]基于离散小波变换和ICA支持向量机的人脸识别[J]. 祝加雄,贺元骅. 电视技术. 2014(11)
[8]一种自适应加权SpPCA单样本人脸识别算法[J]. 唐雨佳,周李威,陈耿,朱玉全. 计算机应用研究. 2014(09)
[9]改进的小波分解、Fisher脸及几何特征相结合的人脸识别方法[J]. 彭叶,王顺芳,丁海燕. 云南大学学报(自然科学版). 2011(S2)
硕士论文
[1]基于LBP算法的人脸识别研究[D]. 嵇介曲.安徽理工大学 2017
[2]基于稀疏表示的人脸特征提取与识别算法研究[D]. 王永欣.山东师范大学 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]改进型LTP在人脸识别中的研究与应用[D]. 李德宁.哈尔滨理工大学 2012
本文编号：3489293
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3489293.html
