基于二阶LBP的人脸识别研究.pdf

【基于二阶LBP的人脸识别研究】 在人脸识别领域，局部二值模式（Local Binary Pattern, LBP）是一种广泛使用的特征提取技术。该方法通过比较像素邻域内的灰度差异来形成二进制编码，从而描述图像的局部纹理特性。LBP在处理光照变化时具有较好的鲁棒性，因为它的计算过程不依赖于绝对灰度值，而是关注灰度的相对变化。然而，原始的LBP模型在某些情况下可能无法完全消除光照的影响，尤其是在人脸识别中。 本文提出了一种名为“二阶LBP”的新型算子，旨在进一步提高LBP模型对光照变化的适应性。二阶LBP不仅考虑了像素点邻域内灰度值的差异，还引入了灰度值的相对关系，即邻域像素之间的相对顺序，从而增加了特征的区分度。这种方法增强了LBP的表示能力，有助于识别过程中过滤掉更多由光照变化产生的噪声。 实验结果显示，相比于传统的LBP模型，二阶LBP在人脸识别任务中表现出更好的性能。它能更有效地抑制光照变化的影响，提高识别的准确性。这表明，二阶LBP在处理复杂光照环境下的人脸识别问题时，具有更高的实用性。 在人脸识别系统中，通常会将待识别的人脸图像与数据库中的样本进行比对，计算两者的相似度，并设定一个阈值来判断是否属于同一类别。Ahoen等人采用将人脸图像分割成多个区域的方法，利用直方图统计每个区域的LBP特征，结合局部和全局信息，提高了识别效果。S. Z. Li等人则通过结合LBP和Adaboost算法，提取出更有区分性的特征，同样取得了积极的结果。 目前，结合局部特征和全局特征的人脸识别方法是研究的热点。二阶LBP模型在这一领域的应用，正是试图通过增强局部特征的表达力，同时减少无用信息的影响，以实现更精确的人脸识别。这种技术的进步对于提升人脸识别系统的整体性能至关重要，尤其在实际应用如监控、安全和生物识别等领域有着广阔的应用前景。