基于均匀LBP和稀疏编码的人脸识别算法-论文.pdf

《基于均匀LBP和稀疏编码的人脸识别算法-论文.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、第32卷第1期计算机应用与软件Vo1．32No．12015年1月ComputerApplicationsandSoftwareJan．2015基于均匀LBP和稀疏编码的人脸识别算法董文或冯瑞郭跃飞(复旦大学计算机科学技术学院上海201203)摘要人脸识别一般都要先对入脸特征做维数约简，再做识别。有些传统的维数约简算法对训练样本的数量有一定的要求，比如对分类比较有效的LDA算法。而现实应用中，数据库往往只能为每个人脸对象提供数量非常有限的图片，甚至是单样本。提出一种基于均匀LBP(LocalBinaryPattern)算子和稀疏编码的人脸识别

2、方法，使用少量关键特征代替维数约简过程，解决训练样本稀少的问题。在Stirling人脸库上进行测试，获得较高的识别率和鲁棒性，证实了算法的有效性。关键词LBP算子稀疏编码人脸识别单训练样本鲁棒性中图分类号TP391．4文献标识码ADOI：10．3969／j．issn．1000—386x．2015．O1．045FACERECoGNITIoNBASEDoNUNIFoRMLBPANDSPARSECoDINGDongWenyuFengRuiGuoYuefei(SchoolofComputerScience，FudanUnive~ity，Shangh

3、ai201203，China)AbstractFacerecognitiongenerallyrequiresfacialfeaturedimensionalityreductionbeforerecognition．However，forsometraditionaldi-mensionalityreductionalgorithms，theyhavecertainrequirementsonthenumberoftrainingsamples，suchasLDA(1ineardiscriminantanaly-sis)，thoughit

4、isquiteeffectiveincategorisation，whereasinreal—worldapplications，oftenthedatabasescanonlyprovideverylimitedBum—berofpicturesforeachhumanface，orevenasingletrainingsample．Thispaperpresentsafacerecognitionmethod，itisbasedontheuni—formLBPoperatorandsparsecoding，andUSeSfewkeyfe

5、aturestoreplacethedimensionalityreductionprocess，thusovercomestheproblemoflimitednumberoftrainingsamples．ThemethodistestedonStirlingfacedatab／iseandachieveshigherrecognitionrateandrobustness，thisconfirmstheeffectivenessofthealgorithm．KeywordsLocalbinarypattern(LBP)Sparseco

6、dingHumanfacerecognitionSingletrainingsampleRobustness特征分类问题涉及范围极广，常用方法包括SVM方法、线0引言性判别法和最近邻法等。分类问题还包括距离度量，常用的有欧氏距离、马氏距离、明科夫斯基距离等。近年来，稀疏编码』人脸识别技术特指利用分析比较人脸视觉特征信息进行身作为一种高鲁棒性的分类算法，已被广泛应用于人脸识别问题。份鉴别的计算机技术，是一项热门的计算机技术研究领域。人稀疏编码通过求解测试向量在训练向量上的最稀疏表示，来得脸识别的核心步骤包括特征提取、维数约减和特征分类。到高鲁

7、棒性、低误差率的识别结果”。但是稀疏编码存在时间人脸识别中常用的特征有Gabor特征和DCT特征_3l4复杂度过高的问题，所以对于原始向量，必须采取必要的降维手等。其中Ojala等人提出的LBP能够非常有效地提取人脸的段。而实际应用中，人脸的样本数往往远小于向量维数，这就导纹理特征，并且具有两大优势：致当样本数量过少时，常用的降维方法会失效。(1)能够很好地描述人脸的局部频域特征；本文提出一种结合分块一致LBP和稀疏编码的方法，首先(2)计算简便，运算效率高。通过提取人脸的少量关键特征，省去了后续的降维步骤，再用这ojala等人在2002年

8、又提出了均匀LBP这一新概念，使些关键特征通过稀疏编码计算得到良好的分类结果，达到了效率和效果兼顾的目的。得原来的LBP算子维数大大降低，同时又最大程度保证了原始频域信息的完整性