基于Gabor和LBP人脸识.ppt

基于Gabor和LBP人脸识别算法研究 课题研究 背景及意义 课题主要 研究内容 结论 Gabor算法 LBP算法 Gabor+LBP算法 目录 进入二十世纪九十年代以来, 随着对安全，访问控制要求的提高，在实际应用中产生了新的需求，因此人脸识别被提高到新的高度。所谓人脸识别就是利用计算机分析人脸图像，从而获得对象的身份信息的一门技术。一种最直接、最自然、最容易被人接受的生物特征识别技术，人脸识别研究迄今已有40多年的历史，模式识别和计算机视觉中一个非常活跃的研究热点。 一、课题研究背景及意义 人脸识别技术是人类智能的基本体现，它是最典型、最困难的模式识别问题之一，对这一问题的研究和解决，有助于对其他对象识别问题的研究和解决。人脸识别也因此成为这些基础研究领域的重要课题之一，具有重要的理论研究价值。一个完整的人脸识别系统的基本构成框图如图1.1所示： 图1.1 人脸识别系统的基本构成框图 信息获取 预处理 特征提取和选择 分类器设计 分类决策 其中，特征提取是人脸识别中最重要的步骤，它影响着最终的正确识别率。目前针对人脸识别的特征提取算法的种类很多，但是没有哪种算法是十全十美的，这就导致了不同算法之间的结合使用。为了兼顾全局和局部特征的提取，全局特征和局部特征的提取算法的结合是很重要的。 二、课题主要研究的内容 人脸图像 Gabor分解 LBP特征 PCA降维 分类结果 图2.1 人脸识别系统的研究过程框图 人脸识别系统的研究过程框图如图2.1所示： 1、基于Gabor小波的人脸识别算法 二维Gabor滤波器的函数形式可表示为： （2.1） 设有一幅人脸图像的灰度值为 Gabor小波进行滤波得到： ，利用二维 （2.2） 幅值特征和相位特征分别定义如下： （2.3） （2.4） 原图像 Gabor幅值特征 32X32均匀采样后的Gabor幅值特征 图2.2 Gabor滤波结果 利用Gabor小波对ORL人脸库的图像进行 滤波，得到的幅值特征如图2.2所示。 为了验证所降维数对Gabor识别结果的影响，本实验采用ORL人脸库中40个人的前5幅图像作为训练样本，后5幅图像作为测试样本进行识别率计算。实验结果如图2.3所示。 图2.3 Gabor识别率与维数的关系 为了验证Gabor小波变换的识别率与所降维数的关系，分别选取YALE人脸库中每个人的前4幅图像作为训练样本图像，剩下7幅图像作为测试样本图像进行仿真实验，实验结果如图2.4所示。 图2.4 Gabor小波变换的识别率与维数的关系 通过上述的分析我们可以看出二维Gabor小波人脸识别具有如下优点： （1）二维Gabor滤波器的特性与哺乳动物视网膜神经细胞的感受非常相似，能够很好的逼近哺乳动物的识别功能，识别结果比较准确，具有生物学意义。 （2）二维Gabor函数在频率域和空间域上具有良好的局部性。 （3）二维Gabor滤波器对图像中的亮度、人脸姿态等变化不敏感，非常有利于在不同环境下的特征提取。 （4）二维Gabor滤波器对图像的幅值特征更不明显，能够忍受一定的旋转和变形，具有很好的鲁棒性。 2、基于LBP的人脸识别算法 1 8 2 4 3 4 7 6 5 0 1 0 0 1 1 1 1 特征值：图2.5 LBP算法具体过程 阈值4 图2.6 32X32采样后的LBP人脸特征 图2.6是32X32均匀采样后，采用LBP方法在ORL人脸库中对40个人的第一幅图像进行仿真实验的结果。 本次实验，从ORL人脸库中选择了40个人的前5幅图像（共200幅图像）作为训练样本，40个人的后5幅图像（共200幅图像）作为测试样本。图2.7为图像经过32X32采样后的训练样本、维数与识别率三者之间的关系。 图2.7 训练样本、维数与识别率三者的关系 为了分析选取不同的训练样本数量对LBP算法的影响，分别选取15个人的前2、3、4、5、6、7幅样本图像作为训练样本，再在剩余的样本中分别选取2、3、4、5、6、7作为测试样本。实验结果如表2.1所示。 训练样本数(个) 2 3 4 5 6 7 识别率(%) 0.2323 0.3124 0.4143 0.5136 0.6422 0.7032 表2.1 训练样本数与识别率的关系 通过上述分析，我们可以看出LBP算法具有如下优点： （1）计算简单，易于实现。大大降低了图像的维数，节约计算时间。 （2）能够很好的描述图像纹理信息。LBP方法能够很好的提取图像边缘、角点等局部变化特征，这些信息往往对识别具有很大的作用，因此图像的