基于改进的局部二值模式和SVM的人脸识别.pdf

【基于改进的局部二值模式和SVM的人脸识别】 人脸识别技术是一种利用人的面部特征信息进行个人身份识别的生物识别技术。在众多的人脸识别算法中，基于局部二值模式（Local Binary Pattern, LBP）的方法因其计算简单、对光照变化具有鲁棒性等优点而受到广泛关注。本文介绍了一种结合改进的LBP特征和支持向量机（Support Vector Machine, SVM）的人脸识别方法。 LBP算子是通过比较像素点及其邻域像素的灰度关系来描述图像纹理特征的一种方法。原始的LBP算法在每个像素点处比较8个邻域像素的灰度值，若邻域像素小于中心像素，则该位置记为1，否则为0。将这8个二进制位组合成一个整数，形成一个局部描述符。然而，原始LBP对光照变化敏感，因此需要进行改进以增强其稳定性。 改进的LBP方法通常包括对邻域像素的加权处理，以降低光照变化的影响。在本论文中，作者提出了一种称为加权MBGLBP（Weighted Multi-block Gabor Local Binary Pattern）的特征提取方法。这种方法首先将人脸图像分成多个块，然后对每个块内的像素进行LBP运算，并结合加权策略，以增强不同区域的纹理信息。加权策略可以根据各区域的重要性或特性来调整权重，从而提高特征的区分度。 接下来，SVM作为一种有效的分类器，被用于处理提取的LBP特征。SVM通过构建最大边距超平面，将不同类别的样本分开。在人脸识别任务中，SVM可以对每一个LBP特征进行训练，得到一系列的支持向量，这些支持向量反映了人脸图像的关键特征。然后，通过投票机制，将各个支持向量的分类结果组合起来，形成最终的识别决策。 为了验证提出的算法效果，论文选择了ORL和AR两个常用的人脸数据库进行测试。ORL数据库包含40个个体的10张不同表情和光照条件下的脸部照片，而AR数据库则包含了更复杂的情况，如遮挡、姿态变化等。实验结果表明，结合改进的LBP特征和SVM的识别方法在这些数据库上的表现优于传统的LBP和其它人脸识别算法，具有较高的识别准确率。 该论文提出的改进的LBP特征和SVM结合的人脸识别方法，通过优化LBP算子并利用SVM进行分类，提高了在光照变化、表情变化等复杂条件下的人脸识别能力。这种方法对于实际应用场景，如安全监控、门禁系统等，具有很高的实用价值。同时，它也为未来的人脸识别技术研究提供了新的思路和参考。