论文部分内容阅读
人脸识别技术是关于图像识别技术的一个非常活跃的研究领域,它包含了数字图像处理、图像识别、计算机视觉、卷积神经网络、模式识别、数学等许多科技的内容。由于传统人脸识别特征提取方法过于简单,从而导致提取的人脸特征过于简单。为了克服特征提取的过于简单的问题,本文提出了一种多特征融合的算法是通过多层(Local Binary Patterns:LBP)+(fast Fourier transform:FFT)可以提取更为抽象和复杂的人脸特征,从而提高了系统的人脸识别率。此人脸识别系统在外界环境的影响下具有非常好的表现,不仅识别速度快,而且准确率也非常高。在公开的ORL、Yale和GT人脸库中,本文提出的多层LBP-FFT与LBP、FFT、(Local Binary Patterns:LBP)-(Histogram of oriented gradient:HOG)以及多层LBP-HOG相比,识别正确率提高了0.8%～41.5%。实验数据的结果表明,与现有的所有的人脸特征提取的方法相比较,多层LBP-FFT可以更好的提取出人脸的的特征。本文结合了基于深度学习理论和稀疏增强协同表示的分类器算法两种方式,设计了多特征融合的提取识别系统。与此同时(Sparsity Augmented Collaborative Representation based Classification:SA-CRC)与(collaborative representation classification:CRC)相比,更好的能够提高识别正确率。