基于LBP的人脸识别.pdf

基于LBP（Local Binary Pattern，局部二值模式）的人脸识别是一种常用的人脸识别技术，它在模式识别领域占有重要地位，特别是在人脸识别的商业化应用中，因其不易伪装、操作简便和用户体验良好而受到广泛关注。LBP算子最初由Ahonen等人提出，他们依据心理学研究将人脸划分为不同区域，并赋予不同的权重，以提高识别效果。 LBP算子的基本思想是对图像中的每个像素点，比较其与其周围像素点的灰度差异，然后根据比较结果形成二进制编码。当周围像素点的灰度值大于中心点时，对应位设置为1，否则为0。这样，每个像素点就对应一个二进制码，形成一个LBP模式。在原始LBP方法中，这种模式只考虑了局部像素的相对关系，没有考虑全局信息。 为了改进LBP的性能，研究者提出了多尺度区域LBP（MB-LBP），这种方法通过计算区域内的像素均值来代替单一像素值，从而获取更精确的LBP模式，并考虑到了更多的宏观信息。此外，Tan等人进一步提出了LTP特征，这是一种改进的LBP算子，它将单一阈值的LBP算子转化为双阈值算子，提高了特征的稳定性，尤其适用于基于LBP纹理的人脸识别。 LBP模式的位置关系在人脸识别中同样重要，因此有研究者提出分层特征描述方法，如Hierarchical Kernel Descriptor，它结合SIFT和HOG等算子，通过多层特征提取，获取大尺度的信息，反映模式间的几何位置关系。 本文提出的双层LBP方法，首先从人脸灰度图像中提取LBP特征，将特征从像素级别提升到区域级别。然后，对LBP模式组成的图像再次应用LTP算子，以描述模式之间的几何位置关系。通过这两种特征的结合，可以提升人脸识别的准确率。 在传统LBP特征的基础上，本文重新定义了LTP算子，通过对3x3邻域的二值化，提取不同模式之间的相邻组合关系并统计为直方图。由于LBP模式的数值仅作为标识，直接相减并无几何意义，因此文章提出根据模式是否等于中心点模式进行分类，以降低像素值干扰带来的误差，提高LBP特征的准确性。 基于LBP的人脸识别技术通过不断的优化和改进，如多尺度区域处理、LTP特征、双层LBP和分层特征提取等，有效地提高了人脸识别的性能，满足了安防等领域日益增长的需求。这些方法不仅在理论研究上有重要意义，而且在实际应用中也展现了广泛的应用前景。