论文部分内容阅读
人脸识别技术具有防伪性、用户友好性和主动识别等优点,不仅在安检、智能视频监控等领域发挥着重要作用,而且在电子商务的移动支付等方面同样表现出极大的实用性。在实际应用中,人脸识别技术需要克服光照、姿态变化、遮挡、表情变化等带来的干扰,尤其当同时存在光照和人脸姿态变化时会严重影响人脸识别效果。目前对于光照和姿态变化的干扰问题仍未彻底解决,因此研究如何克服光照和姿态变化对人脸识别的干扰具有重要的意义。众多专家学者为解决人脸识别的干扰问题开展了一系列研究,其中,基于纹理特征的人脸识别算法越来越受关注。本文主要针对人脸纹理特征提取和融合算法进行研究,进而提高人脸识别系统对光照和姿态变化的鲁棒性,具体工作如下:①重点研究了Gabor小波变换、非下采样Contourlet变换(Nonsubsampled Contourlet Transform,NSCT)和局部二值模式(Local Binary Pattern LBP)纹理特征提取算法。通过实验实现对上述算法的人脸特征提取并分析得出:二维Gabor小波虽然能够提取多尺度、多方向的人脸纹理特征,但是人脸特征中存在部分高频信息的缺失和维数过大问题。NSCT变换提取的高频特征对光照变化有较强的鲁棒性,但未能充分利用人脸特征中的低频子带信息。LBP算子能够很好地表达人脸的邻域纹理特征,但是易受光照和人脸表情影响。为了充分结合LBP算子和NSCT的优点,本文提出了运用均匀LBP算子来提取NSCT变换多尺度、多方向高频子带的纹理特征的方法,然后统计每个高频子带的均匀模式LBP特征信息并将它们组合在一起,进而得到了一种新的纹理特征(Histogram of Uniform Local NSCT Binary Pattern,ULNBH),这种特征实现了各尺度高频纹理特征信息的表达和降维。②ULNBH充分结合LBP算子和NSCT的优点,但仍然缺乏低频信息,因此结合Gabor特征的特性提出将ULNBH特征和Gabor特征在特征层进行融合,从而得到一种人脸纹理特征信息更加完备的融合特征(G-ULNBH特征)。为了进一步检验G-ULNBH特征的有效性,选择支持向量机(Support Vector Machine,SVM)作为分类器对G-ULNBH特征进行人脸识别的验证。首先运用主成分分析(Principal Components Analysis,PCA)方法对高维的特征向量进行降维,然后采用SVM对降维后的融合特征进行识别。实验中选用了ORL、Yale人脸库和自建人脸库,并在实验中对多种其他算法提取的人脸特征的识别效果进行仿真对比。实验结果表明G-ULNBH+PCA+SVM算法的识别效果相对较好,该融合特征对光照和姿态变化的鲁棒性更强。