论文部分内容阅读
在过去几十年,人脸识别因其巨大的应用前景和理论意义,成为模式识别以及计算机视觉领域的一个研究热点。局部二值模式(Local Bianry Patterns,LBP)是一种有效的局部特征,具有强大的判别能力和鲁棒性,已经被广泛应用到人脸识别系统中。然而大部分的LBP类描述符都是人为设计的,需要大量的先验知识。本文主要研究基于学习的LBP人脸描述符,提出了一种基于学习的硬采样模式以及两种新型的人脸描述符,具体研究工作如下:1.深入研究判别局部二值模式(Discriminative Local Binary Patterns,DLBP),为克服DLBP模型复杂、求解困难的缺点,我们在其基础上提出了 PDV-DLBP硬采样模式,它使用像素差异向量(Pixel Difference Vectors,PDV)来度量两张图片的距离,基于Fisher线性判别准则建立目标函数,通过推导,我们将PDV-DLBP的求解转化为一个标准的0-1分数规划问题,较DLBP具有更低的时间复杂度。在FERET和AR人脸库上的实验表明,相对于DLBP,PDV-DLBP算法的识别率更高,运行时间也更短。2.考虑到PDV-DLBP硬采样学习与图像滤波学习(Image Filter Learning-Local Binary Patterns,IFL-LBP)目标函数的一致性,我们将二者进行结合,得到了更具判别性的人脸描述符IFL-DLBP,它同时对图像滤波与硬采样模式进行学习。另外,我们发现判别人脸描述符(Discriminant Face Descriptor,DFD)的起始邻域对最终的识别性能影响很大,我们将PDV-DLBP的硬采样模式引入DFD,解决了 DFD的邻域选择问题,得到了 Filter Sampling-Local Binary Patterns(FS-DLBP)图像滤波人脸描述符。相对于其他描述符,FS-DLBP具有更强的判别能力。最后,通过在FERET和AR人脸库上的实验,验证了新提出的IFL-DLBP与FS-DLBP的识别性能以及对表情、光照以及其他干扰因素的鲁棒性。