| 标题 | 一种基于中值思想的改进人脸识别方法 |
| 范文 | 郭浩 王国宇 摘要：主成分分析（PCA）是一种经典算法，可用于人脸识别系统。它基于降维的方法提取样本人脸图像中的主要成分，并将待识别的人脸图像映射到训练集中，经比对后得出识别结果。但在此基本方法中光照变化是影响判别结果的一个重要因素。为克服此问题，在此提出一种新方法，即首先基于中值思想得出较局部二值模式改进的灰度图像，然后借助主成分分析思想去除一些冗余特征，并且再次用PCA算法对图像进行识别。 关键词：中值； 人脸识别； 主成分分析； 光照条件 中图分类号：TN919?34 文献标识码：A 文章编号：1004?373X（2013）02?0016?03 0 引 言 当今社会信息安全问题备受关注，使得人们对生物特征识别技术寄予厚望。人脸识别是计算机视觉领域的重要研究内容，与其他生物特征识别技术相比具有独到的优势[1]。 近年来各种人脸识别算法相继被提出，主要分为以下几类：基于局部特征的算法，如局部二值模式法（LBP）[2]；基于人脸整体特征的主成分分析法（PCA）；基于整体与局部融合的算法，如特征脸与特征眼融合。 在各种识别方法中，光照是影响准确判别的重要因素[3?4]。要尽量消除此影响一般有两种方法，一种是尽量得到不依赖于光照的图像或特征，如3D人脸信息，非紫外线光谱特征等[5]；另一种是基于光照不变模型，也就是尽量使算法对光照不具有敏感性。局部二值模式（LBP），小波变换，边缘二值图像等具有此特点。 基于LBP的人脸识别对光照具有较强的鲁棒性，且算法复杂度不高，操作简便，因此得到了人们的广泛关注。针对它依然存在的问题，提出一种基于中值思想的特征提取方法，使识别过程对光照有更强的鲁棒性。对人脸库进行的实验证明了此方法的有效性。 1 PCA的简单介绍[6] 直观上看来，光照的信息基本被消除，从图中基本看不出光照的方向了。 各个LBP值有不同的发生概率，有的LBP值的出现是小概率事件。如果都用一种方法计算LBP值那么对于不同的纹理结构和光照条件则没有针对性。所以为了避免此问题并提出主要信息，借鉴上文PCA的思想，将所有LBP值按出现概率由高到低排列，选取前99%作为保留值，并将其他LBP值均赋值为0。这样就在保留主要细节的基础上降低了运算复杂度。 4 实验结果分析 AR人脸库由133个人的每人7幅脸部图像组成。其中跟光照有关的有4幅，分别为：中性表情时候的中性光、左侧光、右侧光、正常光。取正常光照下的中性表情作为训练集，比较不同方法的识别结果。实验结果如表1所示。 表1 不同光照下不同算法的识别结果 [＼&中性光＼&左侧光＼&右侧光＼&PCA;＼&68＼&86＼&101＼&LBP;+PCA＼&113＼&120＼&119＼&中值LBP+PCA＼&119＼&126＼&125＼&] 从表1中可以看出，在AR中，对于原始的PCA算法对于3种不同光照的正确识别数目分别为68幅，86幅和101幅，对于改进的中值LBP和PCA法[10]配合使用可正确识别的数目分别为119幅，126幅和125幅。该结果的识别率明显高于其他2种。表明提出的这种算法对于光照有很强的鲁棒性，对比于其他方法更具实用性。实验结果表明，对于光照变化的情况，中值LBP和PCA配合使用的方法与其他算法相比识别率有了明显的提升，可见所提出的算法能够很好地描述光照变化条件下人脸的主要个性特征，使PCA算法更有效率。 5 结 语 通过分析LBP算子的优缺点，提出了改进型的基于中值思想的LBP算子，根据该算子得到人脸图像的灰度图，并采用PCA算法对一系列图像进行识别。 实验结果表明，在不同光照的条件下，该算法与传统PCA算法和LBP+PCA算法相比在不提高算法复杂程度的基础上有效提高了识别精度。同时此种改进型LBP图对于提取人脸的主要个性特征有着重要意义。 参考文献 [1] GRUDIN M A. On internal representations in face recognition systems [J]. Pattern and Vision Computing， 2000 （19）： 1161?1177. [2] AHONEN T， HADID A， PIETIK M. Ainen face recognition with local binary patterns [M]. New York：Springer， 2004. [3] KAO W C， HSU M C， YANG Y Y. Local contrast enhancement and adaptive feature extraction for illumination invariant face recognition [J]. Pattern Recognition， 2010， 43（5）： 1736?1747. [4] ZOU X， KITTLER J， MESSER K. Illumination invariant face recognition： a survey [C]// Proceeding of IEEE. AC， UK： IEEE， 2007： 1?8. [5] GEORGHIADES A S， KRIEGMAN D J， BELHUMEUR P N. Illumination cones for recognition under variable lighting face [C]// Proceedings of IEEE Conference on CVPR. Santa Barbara， USA： IEEE， 1998： 147?159. [6] 庞珊珊.基于肤色和主成分分析的人脸检测和识别的算法研究[D].青岛：中国海洋大学，2011. [7] TURK M， PENTLAND A. Eigenfaces for recognition [J]. Cognitive Neuroscience， 1991， 3（1）： 71?86. [8] OJALA T， PIETIKAINEN M， MAENPAA T. A comparative study of texture measures with classification based on feature distributions [J]. Pattern Recognition， 1996， 29： 51?59. [9] GONZALEZ R C. Digital image processing [M]. 2nd ed. 北京：电子工业出版社，2007. [10] SONG Jia?tao， CHEN Bei?jing. Face recognition based on binary template matching [J]. Lecture Notes in Computer Science， 2007， 4681： 1131?1139. |
| 随便看 |
|
科学优质学术资源、百科知识分享平台，免费提供知识科普、生活经验分享、中外学术论文、各类范文、学术文献、教学资料、学术期刊、会议、报纸、杂志、工具书等各类资源检索、在线阅读和软件app下载服务。