论文部分内容阅读
随着计算技术以及相关学科的发展，人脸识别的应用范围不断扩大，市场占有率不断提高。但是受环境变化，图像采集设备不同，人脸本身变化以及其他因素的影响，人脸识别技术中仍然有诸多关键问题亟待解决。为了提高人脸特征对表情，光照变化以及饰物的鲁棒性，本文主要从人脸特征抽取方法方面进行相关的课题学习和研究。在充分学习和深入了解局部二值模式，韦伯局部描述算子以及单演多尺度表述等方法的基础上，提出了新的人脸特征描述方法。本文的主要工作如下：1.在单演多尺度分析的基础上，提出一种用单演局部相位异或模式来描述人脸特征的方法，在此基础上，在评分层采用基于分块融合的策略融合单演幅值局部二值模式和单演局部相位异或模式这两种互补特征，最后在实验中讨论量化和分块参数对单演局部相位异或模式的影响和不同融合权重下的特征互补对算法性能的影响。2.在韦伯局部描述算子的基础上，提出了多模式韦伯特征描述方法。多模式韦伯特征主要包含两个方面：韦伯差异激励方向分解局部二值模式和韦伯方向差分模式。韦伯差异激励方向分解局部二值模式主要是依据韦伯方向量化后的结果对韦伯差异激励进行一个统一方向的划分并且计算其二值模式；韦伯方向差分模式是对方向进行差分并求绝对值，然后计算其二值编码。在这两种编码的基础上，进一步采用块上特征层融合的策略将这两种特征进行融合。3.本文在单演表述的基础上，提出一种单演局部相位差分二值模式方法。该方法采用相位差分的方式避免了量化带来的误差，同时结合尺度和像素自身编码信息，组成一种混合相位编码。在此基础上，采用统计学的方法统计出单演局部相位差分二值模式的优势模式，缩减特征维度，降低算法的资源消耗，提高特征的鲁棒性。4.在单演表述法和韦伯局部描述算子的基础上，提出单演韦伯差异激励二值模式方法和单演主方向异或模式方法。单演韦伯差异激励二值模式主要是对单演幅值求取韦伯差异激励，然后一分为二得到描述统一规律的两幅图像，最后进行二值编码。单演主方向异或模式是利用主成分分析方法准确求取局部区域的主方向信息，然后对主方向信息进行异或编码。鉴于这两种特征可以构成互补特征，本文进一步在评分层对它们进行融合，提升算法的识别性能。本文在AR，CAS-PEAL，Yale，ORL等人脸库上验证所提出的特征描述方法。实验证明，本文提出的方法对表情，光照，遮挡等变化有着较强的鲁棒性。