基于稀疏表示并结合LBP直方图与PCA的人脸识别研究

发布时间：2019-11-08 23:00

【摘要】：近年来,人脸识别技术飞速发展,但是在实际应用中还存在着诸多的问题,主要包括人脸类似性和易变性,正是因为人脸的这种不确定性,所以才会给检测和识别带来了很多的不确定性问题。另外,人脸还会受到不同类型光照的影响或者因人而异的各类装饰,这些都给人脸识别带来困难。本文从影响人脸识别的光照和噪声因素入手,研究并提出了基于稀疏表示并结合LBP直方图和PCA的人脸识别方法,主要包括：首先进行图像预处理,然后利用局部和全局相结合的方法统计LBP直方图,随后再利用PCA对统计得到的直方图进行数据降维,最后利用稀疏表示的方法进行人脸识别。通过实验证明了多级LBP直方图相结合方法的有效性以及基于稀疏表示的人脸识别对噪声的鲁棒性。具体包括以下部分：首先,对局部二值模式进行了深入研究,介绍了LBP算法对光照的鲁棒性,并着重说明了LBP等价模式的优点,它能够在二进制模式数目大大减少的情况下,保留大部分的图像关键信息。其次,介绍了几种在人脸识别过程中人脸特征的提取方法,主要包括：根据面部重要的器官之间的距离关系进行特征提取、根据已知人脸库进行模板匹配的特征提取和利用代数的方法进行特征提取。其中重点介绍了主成分分析法在数据降维方面的应用。最后,对于一般的人脸识别方法在训练样本较少、特征向量维数较小时的识别率不太理想,并且对光照和噪声的鲁棒性较差,提出了基于稀疏表示并结合LBP直方图和PCA的人脸识别方法,即：提出了一种基于局部和整体相结合的多级分子区域统计LBP直方图算法,并阐述了算法的原理。由于分块统计得到的LBP直方图所包含向量维数过高,导致分类器的计算量过大,不利于分类识别,所以本文利用PCA算法进行数据降维,最后利用稀疏描述思想进行分类识别,在ORL和Yale人脸数据库上进行实验,并将本文所提出的方法获得的实验结果与目前常用的方法进行对比,验证了本文所提出的方法的有效性和稳定性。
【学位授予单位】：昆明理工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41
，

本文编号：2558088