隨著現(xiàn)代計(jì)算機(jī)視覺技術(shù)的不斷發(fā)展和硬件計(jì)算能力的不斷提高,人臉識(shí)別相比于指紋識(shí)別等其他生物特征識(shí)別技術(shù),由于其非侵?jǐn)_、高效率、友好性等諸多優(yōu)勢(shì),已廣泛應(yīng)用于電子商務(wù)、罪犯識(shí)別、電子支付、門禁考勤等多個(gè)場(chǎng)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(shí)別方法主要對(duì)圖像的局部紋理進(jìn)行分析并提取局部特征,因此對(duì)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(dá)很難抵抗不同環(huán)境,導(dǎo)致對(duì)不同使用場(chǎng)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(shí)現(xiàn)對(duì)人臉特征的充分表達(dá)。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(bǔ)充等多方面改進(jìn),以增強(qiáng)算法的識(shí)別效果。主要工作如下:（1）針對(duì)局部方向數(shù)（LDN）類方法的人臉識(shí)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(kuò)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(duì)偏差和絕對(duì)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(jí)別】：碩士

【部分圖文】：

人臉檢測(cè)

AR 庫單一干擾的實(shí)驗(yàn)結(jié)果

杭州電子科技大學(xué)碩士學(xué)位論文53的嚴(yán)重破壞，ECLBP、FLGS方法識(shí)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(qiáng)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(shí)別率達(dá)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(yán)重干擾下，DOG-FLGS方法的識(shí)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(duì)各種干擾有更強(qiáng)的魯棒性。實(shí)驗(yàn)2：為了進(jìn)一步驗(yàn)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(shí)驗(yàn)根據(jù)AR庫的樣本特性，在不區(qū)分樣本拍攝時(shí)間的情況下隨機(jī)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(cè)試。取10次實(shí)驗(yàn)的平均值作為結(jié)果。表4.4及圖4.21統(tǒng)計(jì)了在不同比例下各算法的識(shí)別結(jié)果。表4.4AR庫混合多重干擾不同樣本比例的識(shí)別率（%）算法訓(xùn)練/測(cè)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(shí)驗(yàn)結(jié)果


本文編號(hào)：3092088