【LPQ与NMF特征融合的人脸识别】
人脸识别是一种基于生物特征的身份验证技术,它利用人的面部特征作为识别标识。由于其便捷性和无侵入性,人脸识别在安全、监控、移动设备等多种场景中得到了广泛应用。然而,由于光照变化、表情差异、遮挡等因素,人脸识别的准确性一直是一个挑战。为了解决这些问题,研究者们提出了一种结合局部相位量化(LPQ)和非负矩阵分解(NMF)的特征融合方法。
局部相位量化(LPQ)是一种针对图像细节信息提取的特征表示方法。LPQ能够捕捉图像中的高频信息,对光照变化、面部表情和部分遮挡具有较好的鲁棒性。在人脸识别中,LPQ通过将人脸图像分割成多个块,并对每个块进行相位量化,得到一系列的LPQ直方图,即LPQHS。这些直方图包含了人脸图像的局部结构信息。
非负矩阵分解(NMF)是数据挖掘和机器学习中的一个重要工具,它能将非负数据矩阵分解为两个非负因子矩阵的乘积。在人脸识别中,NMF可以用于从LPQHS中提取最具代表性的特征。通过对加权LPQHS应用NMF,可以得到一个非负子空间和对应的系数矩阵,这些系数矩阵反映了原始数据的主要成分和各个样本在这个子空间中的表示。
该方法首先使用LPQ算子提取每个面部图像块的LPQ直方图,然后根据各块的贡献度加权,形成加权LPQ直方图序列。接着,通过NMF对加权的LPQ直方图序列进行处理,提取出非负子空间和系数矩阵。这些系数矩阵可以看作是每个样本在低维空间的表示,它们保持了原始数据的非负性质,有助于减少冗余信息并增强特征的区分性。最后,采用最近邻原则对这些低维表示进行分类,以实现人脸识别。
实验结果表明,这种LPQ与NMF特征融合的方法在AR和YALE标准人脸数据库上的识别率较高,证明了该方法的有效性。AR和YALE数据库都是广泛用于人脸识别研究的标准化数据库,包含多种光照、表情和遮挡条件下的面部图像,能够全面评估人脸识别算法的性能。
总的来说,LPQ和NMF的融合提供了对复杂面部变化的适应能力,提高了人脸识别的准确性和鲁棒性。这种方法对于改善实际应用中的人脸识别系统具有重要意义,特别是在光照、表情变化大以及存在部分遮挡的情况下。未来的研究可能进一步探索如何优化LPQ和NMF的融合方式,或者与其他特征表示方法结合,以提高识别性能。