基于LBP算法的人脸检测与识别 - 文档网.docVIP

文档网 文档网可免积分在线阅读和下载文档包括资格考试、应用文书等大量word文档免费下载 · 文档下载 · 高等教育 · 高中教育 · 初中教育 · 小学教育 · 外语考试 · 资格考试 · 工作范文 · 求职职场 · 党团工作 · 表格模板 · 总结汇报 · 经管营销 · 思想汇报 您的位置： 文档网所有分类IT/计算机计算机软件及应用 基于LBP算法的人脸检测与识别 基于LBP算法的人脸检测与识别 基于LBP算法的人脸检测与识别 朱林楠 孙家翔 王璟岚 （西安电子科技大学 陕西 西安 710126） 摘 要： 介绍人脸检测方法，探讨PCA、ICA、LDA和LBP等人脸识别算法，并总结现有的算法得出使用LBP算法的巨大优越性。对未来工作提出研究方向。 关键词： 人脸检测；人脸识别PCA；ICA；LDA；LBP 中图分类号：TP391 文献标识码：A 文章编号：1671－7597（2012）0520036－01 0 引言 人脸识别系统是基于信息处理模式识别系统。主要包括两部分：人脸检测和定位，特征提取和模式识别。该系统具有许多优点的主动，非侵入性的，如生物特征识别技术，是一个重要方向。其在安全验证系统，信用卡验证，病历管理，视频会议，人机交互，系统公安（罪犯识别等）等方面大有前途，已日益成为模式识别和人工智能研究重点。 的数据通过一定的线性变换投影到低维空间。同时，这个线性变换必须最能带表原始数据，以保证不在降维后丢失太多数据。这样我们就需要用到协方差矩阵。协方差矩阵的主对角线上的元素是各个维度上的方差，其他元素是两两维度间的协方差，可以通过这个特性来进行降维工作。 2.2 LDA（线性判别分析）算法 LDA算法以提高样本在子空间可分性为目标，与PCA算法寻求样本数据的最优降维重组不同，该算法目的是从高维的特征中提取出最具判别能力的低维特征。 LDA算法的基本思想是将高维的样本投影到最适合鉴别的低维空间，进而能压制图像之间与识别信息无关的差异。 投影后的样本，在子空间内的类间距离和类内距离，其计算公式如下所示： 样本类间离散度矩阵： 图1 人脸识别系统流程图 1 人脸检测 1.1 人脸检测算法 1.1.1 基于先验知识的方法 该方法是是一种自上而下的方法，基于先验知识的人类面部对称性器官、灰度的差异，以用来建立鲁棒性较好的判断算法：如果满足已确定的算法要求，则被检测的区域为人脸区域，反之，即为非人脸区域。 1.1.2 基于特征不变性的方法 基于特征不变性的方法侧重于检测人脸相同的特征，如眼睛，鼻子，嘴巴。该方法是在底部，变化的特征中确定不变量，将不同的不变量整合成一个具有完备性相同的特征，基于此特征此确定被检测面积是否为人脸区域。 1.1.3 基于模板匹配的方法 预定模板方法：首先制定一个标准模板，然后分别得出待检测区域的值以及已经制定的标准模板值。当待测区域的值满足模版值的要求时，则该检测区域为人脸区域。 变形模板方法：首先建立一个模板参数，然后不断地对待检测区域的数据修改，直到达到收敛，从而实现检测面部器官位置的目的。 1.1.4 基于外观的方法（基于外观的方法） 这个模板是不预设，而是系统通过捕捉一套训练图像目标的面部特征，从而建立一个分类，达到人脸检测的目的。此方法主要是基于特征空间方法、支持向量机方法、以及Boosting 等方法。 样本类内离散度矩阵： 2 人脸识别 2.1 PCA（主成分分析）算法 PCA算法的本质就是一种降维的工具。为了降低数据处理的复杂度，需要对高维数据进行降维，而PCA算法就是将高维 基于最大的类间距离以及最小的类内距离，上述子空间的可分离指数达到最高，从而可以有效的提取数据特征，将同类别样本聚在一起，同时将不同类样本分开。[1] 2.3 ICA（独立成分分析）算法 ICA算法的目的是从混合信号中抽取得到相应的独立源信号，与PCA算法适合高斯分布的图像不同，该算法的基本出发点是假设各个独立源信号统计是独立而非高斯分布的。 ICA算法的目的是将观察到的数据进行某种线性分解，使其分解成统计独立的成分。对于人脸识别来说，ICA分为两种架构ICA1统计独立基图像和ICA2独立因子编码。 ICA1是要找到一组统计上独立的表情基图像，而ICA2是在像素空间中寻找一个统计独立的因子码表示。 两者的区别是：ICA1人脸的整体特征并不明显，更多的是一些局部特征；ICA2基图像具有全局特性，产生的基图像看起来更像人脸，不过和PCA算法得到的人脸不同的是，ICA2中某些局部特征得到了突出而不像PCA算法突出的是整体。[2] 2.4 LBP（局部二元模式）算法 LBP算法目前已经广泛应用于纹理分类，图像检索，人脸图像分析等相关 领域。按 照最原始的构想，LBP算子是一个3X3的窗口，计算后得出的LBP值用来