基于局部二值和方向模式的人脸识别研究

《基于局部二值和方向模式的人脸识别研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、学校代码10530学号201510121257分类号TP391密级公开硕士学位论文基于局部二值和方向模式的人脸识别研究学位申请人陈永指导教师杨恢先教授学院名称物理与光电工程学院学科专业集成电路工程研究方向电路与系统设计二○一八年六月八日FaceRecognitionResearchBasedonLocalBinaryandDirectionPatternCandidateYongChenSupervisorProfessorHuixianYangCollegeSchoolofPhysicsandOptoelectricEnginee

2、ringProgramIntegratedCircuitEngineeringSpecializationCircuitandSystemDesignDegreeMasterofEngineeringUniversityXiangtanUniversityDateJune8th,2018摘要随着生物识别技术的发展，人脸识别技术在各个领域得到了广泛的应用。人脸识别技术是一种比较重要的生物识别技术，在公共安全和国家安全等方面都起着重要的作用。与其他生物特征识别进行比较，人脸识别技术具有非接触性、采集简便和识别效率高等优点，越来越受到人们

3、的关注，并取得了不错的识别效果。特征提取、特征降维和分类器的设计是人脸识别中比较关键的步骤，如何设计一个有效的特征提取方式在人脸识别中显得尤为重要。局部二值模式（LocalBinaryPattern，LBP）和局部方向模式（LocalDirectionalPattern，LDP）是两种比较优秀的局部特征提取方式，但其提取特征的方式比较简单不能有效的提取人脸的纹理信息，通过对局部二值模式和局部方向模式的研究，提出了相应的人脸识别改进算法。论文研究的主要工作如下：1）针对局部二值模式采样不充分和对随机噪声及非一致性光照敏感的问题，提出一

4、种改进梯度局部二值模式（ImprovedGradientLocalBinaryPattern，IGLBP）人脸描述方法。首先，用多半径多方向的采样方式采样出两组3×3的子邻域；然后，将两个3×3子邻域用梯度局部二值模式（GradientLocalBinaryPattern，GLBP）进行提取特征，再将两组特征进行编码融合产生IGLBP值；最后将得到的IGLBP特征进行分块和统计直方图得到人脸的特征向量，利用直方图相交的方式进行人脸的分类识别。在AR和CAS-PEAL人脸库的进行的仿真实验结果表明，该方法能够有效的提取特征信息，对人脸

5、识别中光照、表情、部分遮挡变化以及噪声等具有较好的鲁棒性。2）针对局部方向模式只能在固定半径尺度内提取人脸图像信息，导致提取的人脸图像信息不充分的问题，提出了一种基于非对称局部方向模式（AsymmetricRegionLocalDirectionalPattern，ARLDP）的人脸识别算法。首先，用Kirsch模板与3×3的子邻域和非对称的5×5子邻域做卷积，得到两组边缘响应值，其中每组边缘响应值都有八个方向；然后，取各自最大值的方向编码成一个二位八进制数，产生ARLDP值；最后，将得到的ARLDP特征进行分块和统计直方图得到人脸

6、的特征向量，利用直方图相交的方式进行人脸的分类识别。在CAS-PEAL和AR人脸库上进行相应的仿真实验，结果表明算法能够提取到人脸图像的有效信息，且对光照、表情、部分遮挡变化有着较好的鲁棒性。关键词：人脸识别；局部二值模式；局部方向模式；直方图相交；特征提取IAbstractWiththedevelopmentofbiometrictechnology,facerecognitiontechnologyhasbeenwidelyusedinvariousfields.Facerecognitiontechnologyisanimpo

7、rtantbiologicalidentificationtechnologyandplaysanimportantroleinpublicsafetyandnationalsecurity.Comparedwithotherbiometrics,facerecognitiontechnologyhastheadvantagesofnon-contact,easycollectionandhighrecognitionefficiency.Ithasattractedmoreandmoreattentionandachievedag

8、oodrecognitioneffect.Featureextraction,featuredimensionreductionandthedesignofclassifierarekeystepsinfacerecognition.