论文部分内容阅读
人脸识别技术不仅是一个交叉性的技术,更是一个富有挑战性的难题。与其它物体相比,由于人脸有多种多样的变形,个体间的差异较大,所以人脸图像特征提取和识别过程比较复杂,而识别算法的实时性和鲁棒性是一个实用的识别系统所要必须考虑到的。 为了提高算法鲁棒性,在人脸特征提取阶段,本文提出了一种基于二维多尺度局部二进制模式的人脸识别方法,首先对一副人脸图像进行分块,对每一块的图像进行MB-LBP(Multi-scaleBlockLocalBinaryPatterns)算子运算,将MB-LBP与灰度共现矩阵结合起来得到了可以更好地描述局部纹理空间结构的二维MB-LBP特征,最后将各子块的二维MB-LBP特征进行连接形成人脸特征。本算法在ORL和CMU-PIE人脸数据库上进行测试,选择了支持向量机(SVM)作为分类器,并与传统的基于一维LBP特征进行比较,结果表明本文提出的算法在人脸识别问题上的有效性和优越性。 为了获得更多的样本信息,本文对图像进行了分区,获得更多的特征向量的同时随之而来的时间等待让人无法忍受,所以本文提出MATLAB并行计算工具箱解决时间等待问题。对图像进行分区后,每一个小分区同时进行运算,提取二维MB-LBP特征,然后使用径向基核函数的C-SVM作为分类器。训练结果得到每个分区所属类别的置信度,把每个分区得到的置信度信息作为神经网络的输入,最后的决策可以通过基于人工神经网络的数据融合得到。本实验证明,在保证识别率的前提下,很大程度上提高了识别时间。