隨著現(xiàn)代計算機視覺技術(shù)的不斷發(fā)展和硬件計算能力的不斷提高,人臉識別相比于指紋識別等其他生物特征識別技術(shù),由于其非侵擾、高效率、友好性等諸多優(yōu)勢,已廣泛應(yīng)用于電子商務(wù)、罪犯識別、電子支付、門禁考勤等多個場景,近年來得到大量研究人員的關(guān)注。由于基于局部模式的人臉識別方法主要對圖像的局部紋理進行分析并提取局部特征,因此對于表情、光照等局部變化表現(xiàn)出一定的魯棒性。但是,目前局部模式方法單一的特征表達很難抵抗不同環(huán)境,導(dǎo)致對不同使用場景的魯棒性較差。另外,由于局部模式過于關(guān)注單張圖像局部信息,僅利用局部模式學(xué)習(xí)到的特征有限,如果不融合其他特征,很難實現(xiàn)對人臉特征的充分表達。基于這些考慮,本文綜合局部采樣、模式編碼優(yōu)化及利用多尺度特征補充等多方面改進,以增強算法的識別效果。主要工作如下:（1）針對局部方向數(shù)（LDN）類方法的人臉識別通常僅利用梯度信息且存在信息提取不充分的問題,提出雙偏差雙空間局部方向模式（DVDSLDP）。該方法首先通過像素采樣擴大關(guān)聯(lián)鄰域信息,再利用邊緣響應(yīng)算子和局部前后向差分,分別獲得相對偏差和絕對偏差以構(gòu)成雙偏差信息,充分挖掘局部梯度空間信息;然后與所提取像素的灰度空間特征... 

【文章來源】：杭州電子科技大學(xué)浙江省

【文章頁數(shù)】：78 頁

【學(xué)位級別】：碩士

【部分圖文】：

人臉檢測

AR 庫單一干擾的實驗結(jié)果

杭州電子科技大學(xué)碩士學(xué)位論文53的嚴重破壞，ECLBP、FLGS方法識別率都要明顯高于LGS等同類特征提取方法，這表明了均衡局部模式提取的人臉特征擁有更強的判別能力和良好的魯棒性。另外，尤其需要說明的是，通過DOG金字塔與均衡局部模式的融合，DOG-FLGS、DOG-ECLBP在表情、光照子集下識別率達到了100%，它們的曲線始終在最上方且基本趨于平穩(wěn)，在圍巾的嚴重干擾下，DOG-FLGS方法的識別率也僅下降1%。這表明通過金字塔與局部特征提取方法的融合，算法有著顯著的性能提升并且對各種干擾有更強的魯棒性。實驗2：為了進一步驗證在混合光照、表情、遮擋、年齡等多重干擾后，所提方法是否有效。本實驗根據(jù)AR庫的樣本特性，在不區(qū)分樣本拍攝時間的情況下隨機打亂樣本順序后，選擇26張圖片的任意3、6、10、13張參與訓(xùn)練，剩余圖片參與測試。取10次實驗的平均值作為結(jié)果。表4.4及圖4.21統(tǒng)計了在不同比例下各算法的識別結(jié)果。表4.4AR庫混合多重干擾不同樣本比例的識別率（%）算法訓(xùn)練/測試3/236/2010/1613/13LBP[8]50.4370.1182.4490.18NI-LBP[68]51.3671.3584.1990.46ECLBP57.8877.8989.1393.68LGS[67]51.5470.3084.1889.66SLGS[72]52.6971.1285.9590.13ESLGS[70]54.6775.5587.8192.11FLGS61.8080.4491.1595.29DOG-ECLBP68.5285.4094.1896.58DOG-FLGS71.0487.5095.2097.82圖4.21AR庫混合多重干擾不同樣本比例的實驗結(jié)果


本文編號：3092088