融合LBP和LPQ的人脸识别.pdf

【融合LBP和LPQ的人脸识别】 在图像分析领域，空域和频域分析是两种重要的技术手段。本文提出了一种创新的人脸识别方法，它结合了空域的局部二值模式（Local Binary Pattern，LBP）和频域的局部相位量化（Local Phase Quantization，LPQ）特征，以提高识别的准确性和鲁棒性。这种方法由南京理工大学泰州科技学院的研究团队提出，他们在2015年的《南京师范大学学报（自然科学版）》上发表了相关研究成果。 LBP是一种用于描述图像纹理的简单而有效的算法，它通过比较像素及其周围像素的灰度值来创建二进制代码，这些代码形成了一种空间模式，能够反映图像的局部特性。LBP算子对于图像的尺度变化、旋转以及灰度变化具有良好的不变性，因此在人脸识别中得到了广泛应用。Ahonen等人首次将LBP引入人脸识别，通过计算图像不同区域的LBP直方图，并将它们连接起来作为人脸识别的特征向量，取得了较好的识别效果。 然而，LBP主要关注图像的空域信息，可能忽视了频域中的细节。为了弥补这一不足，本文引入了LPQ算法。LPQ是对图像频域信息的一种量化表示，它可以捕获图像的相位信息，对光照变化和面部表情的微小变化具有较高的敏感性。在频域中提取LPQ特征，可以提供与LBP互补的信息，从而增强识别性能。 本文的方法首先对人脸图像进行预处理，然后在空域中应用LBP算子提取特征，在频域中应用LPQ算子提取特征。接着，将两个域的特征融合成一个LBP/LPQ直方图，这一步骤整合了空域和频域的特征，增强了特征表达的多样性。通过比较不同样本的LBP/LPQ直方图的相似性，采用最近邻原则进行人脸识别。 实验在YALE和AR两个标准人脸数据库上进行，结果表明，融合LBP和LPQ特征的方法相比单独使用LBP或LPQ，具有更高的识别率和更好的鲁棒性。这验证了结合空域和频域信息对于提高人脸识别性能的有效性。 融合LBP和LPQ的人脸识别方法是一种结合了空域和频域优势的创新技术，它在处理光照变化、面部表情等因素时表现出了更强的适应性和准确性。这一研究对于未来的人脸识别系统设计提供了有价值的参考，特别是在需要高识别率和稳定性的应用场景中。同时，这种多模态特征融合的思想也可以推广到其他领域，如行为识别、物体识别等，以提升计算机视觉系统的整体性能。