《分层CS-LBP和HOG特征融合的人脸识别研究》.pdfVIP

第 38卷 第 4期 武汉理工大学学报 (交通科学与工程版) Vo1．38 NO．4 2014年 8月 JournalofWuhanUniversityofTechnology Aug．2014 (TransportationScience8LEngineering) 分层 CS—LBP和 HOG特征融合的人脸识别研究* 万 源 李欢欢 童恒庆 吴克风 (武汉理工大学理学院 武汉 430070) 摘要：针对单独的纹理特征只能提取图像的纹理信息而不能得到图像轮廓边缘信息的问题，在人 脸识别的特征提取研究中提 出了分层 CS-LBP和分层 HOG特征的融合方法．对 图像分别进行多 次 CS-LBP和 HOG特征的提取，得到分层 CS-LBP特征提取 图像和分层 HOG特征提取 图像 ，对 分层的特征提取图像再次提取分层 CS-LBP和分层 HOG特征 ，并将两种分层特征进行融合 ，得到 更有效的人脸的纹理及边缘轮廓特征．在 ORL和 GT人脸库上 的实验结果验证 了所提 出的分层 特征融合方法的有效性． 关键词 ：中心对称局部二值模式 ；梯度方 向直方 图；分层特征 ；特征提取 中图法分类号：TP391．4 doi：10．3963／J．issn．2095—3844．2014．04．022 0 引 言 的特征之一．HOG特征边缘描述能力强 ，且对光 照和小量的偏移具有鲁棒性 ，但其提取的特征向 特征提取是人脸识别中的核心问题．近年来 ， 量维数较大且提取时间较长 ，当图像比较复杂时 ， 局部特征的人脸识别技术备受学者的关注，局部 HOG效果会变差且提取 的特征不完整 。]． 二值模式(1ocalbinarypattern，LBP)_】与局部三 值模式 (1ocalternarypattern，LTP)[2J、梯度方向 1 相关特征介绍 直方图(histogramoforientedgradient，HOG)|3] 等特征是人脸识别 中常用的局部特征提取 的方 1．1 CS-LBP特征 法．LBP特征 由于其分类 能力强 ，对单调 的灰度 LBP特征只考虑邻域像素与中心像素 的灰 变化具有不变性 ，且能结合 图像 的整体特征 ，因此 度关系并不能完全有效 的反映局部纹理特征 ，另 于 2004年被 TimoAhonen等_4]成功地应用于人 一 方面，以8邻域像素来描述 图像的局部纹理特 脸识别 中，成为人脸识别 的重要方法．虽然 LBP 征，则 LBP的纹理直方 图为 256维 ，即所得到 的 和LTP能很好地描述纹理特征 ，但对噪声却非常 特征维数相对较高，若用来描述 图像的局部特征， 敏感 ，中心对称局部二值模式 CS—LBP(center 将导致维数快速增长，而且邻域越大特征维数越 symmetriclocalbinarypattern)特征是 LBP特征 高 ． 的进一步改进 ，降低了特征维数，减小了时间复杂 Heikkila等 提出了中心对称的局部二值模 度．HOG特征最初是 Dalal等于 2005年提 出的 式 (CS_LBP)纹理谱描述符，通过 比较关于中心对 一 种行人检测方法 ，后来被 D6niz等[5]应用于人 称的4对像素之间的灰度值变化来描述局部纹理 脸识别 中．HOG特征在一个大小统一 、网格密集 模式 ，即具体的CS—LBP算子计算公式为 的细胞单元上进行计算 ，利用相互重叠的局部对 N ／2--1