人臉識(shí)別中局部特征提取方法研究.pdf

1、人臉識(shí)別技術(shù)是一種被廣泛接受的生物特征識(shí)別技術(shù)，由于具備成本低、實(shí)現(xiàn)簡(jiǎn)單以及交互界面友好等一系列優(yōu)點(diǎn)，在金融、安全、以及門(mén)禁等方面得到了廣泛的應(yīng)用。但是由于人臉圖像容易受到自身及外界因素的影響，因而人臉識(shí)別中還有很多關(guān)鍵技術(shù)仍需進(jìn)一步改進(jìn)和完善。
　　人臉識(shí)別包括特征提取和特征匹配兩個(gè)階段，其中特征提取階段毫無(wú)疑問(wèn)是整個(gè)人臉識(shí)別過(guò)程中的關(guān)鍵階段。特征提取方法大體上可以分為基于局部的特征提取方法和基于全局的特征提取方法。局部特征對(duì)光

2、照、表情、部分遮擋等的變化具有較好的魯棒性，因而在人臉識(shí)別中受到了廣泛的關(guān)注。Gabor特征作為一種典型的局部特征，因?qū)ν饨绛h(huán)境具有較好的魯棒性，在人臉識(shí)別中得到了廣泛的應(yīng)用，然而當(dāng)前的基于Gabor濾波的方法卻普遍存在計(jì)算復(fù)雜度過(guò)大的問(wèn)題。另外，局部Monogenic信息中不僅包含較多的識(shí)別信息，而且具有計(jì)算復(fù)雜度低的優(yōu)點(diǎn)，在人臉識(shí)別中展現(xiàn)出了較好的應(yīng)用前景。本文以提取最有效的人臉識(shí)別特征為目的，研究了基于Gabor濾波和Monoge

3、nic濾波的特征提取方法，重點(diǎn)研究了如何從Gabor信息中提取較低維數(shù)的特征以及如何挖掘Monogenic特征在人臉識(shí)別中的潛力以充分利用Monogenic濾波后的多模式單演信息。同時(shí)，本文研究了運(yùn)用線性判別分析(LinearDiscriminantAnalysis，LDA)對(duì)不同特征進(jìn)行融合的方法以及復(fù)雜光照背景下的人臉識(shí)別方法。論文主要進(jìn)行了以下幾個(gè)方面的研究工作:
　　1.為了降低提取的Gabor特征的維數(shù)以降低算法的復(fù)雜度

4、，提出了一種針對(duì)Gabor幅值的Gabor方向模式(GaborDirectionPatterns，GDP)算子。該算子對(duì)同一個(gè)中心頻率下八個(gè)不同方向上的幅值響應(yīng)進(jìn)行編碼，由于這種編碼方式是對(duì)同一像素點(diǎn)不同濾波器上的響應(yīng)進(jìn)行特征提取，因而提取的特征不僅具有更強(qiáng)的識(shí)別能力，而且能夠有效地對(duì)識(shí)別信息進(jìn)行壓縮，極大地降低了算法的復(fù)雜度。
　　2.在研究Gabor響應(yīng)實(shí)部信息和虛部信息的基礎(chǔ)上，進(jìn)一步對(duì)幅值GDP模式進(jìn)行擴(kuò)展，將改進(jìn)的GDP

5、算子應(yīng)用于圖像Gabor濾波后的的實(shí)部和虛部，用于提取Gabor實(shí)部特征和虛部特征。為了利用兩種特征之間的互補(bǔ)性，采用線性判別分析在特征層級(jí)別上對(duì)提取的兩種特征進(jìn)行融合，該方法不僅能夠有效地降低算法復(fù)雜度，而且能夠顯著地提高算法的識(shí)別性能。
　　3.為了充分利用單演濾波后的多模式信息，在研究局部量化模式(LocalQuantiziedPattern，LQP)的基礎(chǔ)上，提出了一種新的單演局部量化模式(MonogenicLocalQu

6、antizedPattern，M-LQP)在采樣層級(jí)別上對(duì)單演幅值、單演方向和單演相位信息進(jìn)行融合。由于該模式表示組合了同一像素點(diǎn)的三種不同單演響應(yīng)，具有較強(qiáng)的表示能力，同時(shí)由于是在采樣級(jí)別上進(jìn)行融合，因而該方法有效地降低了最終獲得的特征維數(shù)。
　　4.為了彌補(bǔ)已有的單演局部二值模式(MonogenicBinaryPatterns，MBP)特征對(duì)單演方向特征應(yīng)用不夠充分的缺陷，提出了一種新的增強(qiáng)型單演方向差分模式(Enhanced

7、PatternsofMonogenicOrientationDifferences，EPMOD)對(duì)單演方向進(jìn)行特征提取。該模式充分考慮了像素點(diǎn)的單演方向與其鄰域像素點(diǎn)的單演方向的大小關(guān)系，并運(yùn)用分裂三元模式提高了對(duì)方向信息的量化級(jí)別。文中并進(jìn)一步運(yùn)用基于分塊的線性判別分析(BlockBasedLinearDiscriminantAnalysis，BLDA)對(duì)MBP和EPMOD特征進(jìn)行融合，有效地提高了算法的識(shí)別率。
　　5.為了提

8、高算法在復(fù)雜光照背景下的識(shí)別性能，在單演濾波的基礎(chǔ)上提出了單演定向幅值模式(PatternsofMonogenicOrientedMagnitudes，PMOM)算子。該算子首先對(duì)單演方向進(jìn)行量化，并通過(guò)對(duì)局部區(qū)域內(nèi)同一方向區(qū)間下的單演幅度累加值提取局部紋理特征以獲取對(duì)光照變化魯棒的局部特征。實(shí)驗(yàn)表明該算法能夠有效克服非均勻光照變化對(duì)人臉識(shí)別的影響。
　　綜上所述，本文從提取人臉局部特征的角度展開(kāi)了相關(guān)研究，分別圍繞圖像的Gabo