基于人脸识别分类器（SRC）的LBP算法与稀疏表达联合方法的改进
需积分: 9 40 浏览量
2015-05-22
16:22:31
上传
评论 3
收藏 47KB DOC 举报
基于人脸识别分类器（SRC）的 LBP 算法与系数表达联合方法的改进
摘要
最近，基于描述子的局部二进制模式（LBP）与基于分类器（SRC）稀疏表示（SRC）
成为人脸识别两个杰出的技术。初步结合 LBP 和 SRC 技术已经在文献中提出的。然而，在
真实世界国家的艺术方法，遭受的“维数灾难”。在本文中，提出了一种新的 LBP 与 Src 结
合的人脸识别算法。其中的维数问题的分而治之和辨别力是加强通过金字塔增强。所提出
的人脸识别方法是在 AR 人脸数据库上的评价，产生令人印象深刻的结果。
指数条款-人脸识别，局部二值模式，基于稀疏表示的分类，分而治之，金字塔结构
1． 简介
自动人脸识别（AFR）是计算机视觉的一个经典的研究课题。由于在信号处理和机器学
习的快速发展，新的 AFR 的方法，可以在受控环境中达到较高的精度（例如，在生物特征
识别系统），和改善的不同变化引起的性能退化（光照变化，带来的变化，闭塞等）在不
受控制的环境中（例如，在视频监控系统）。许多现有的算法中，局部二进制模式
（LBP）和基于稀疏表示的分类（SRC）两个主要在人脸识别技术的研究。由于在特征提
取和模式分类其突出的能力，，近年来基于人脸识别技术的研究非常活跃，这样的作品。
LBP 是一个人脸表示强大的特征提取。LBP 的人脸描述的成功是由于歧视性的权力和
算子计算简单，鲁棒性和它所引起的，单调的灰度变化，例如，光照变化。收集特征的直
方图也使得 LBP 方法面偏差和姿态的变化有鲁棒性。到目前为止许多人脸识别的扩展的
LBP 的已被提出，例如（不是一个详尽的列表）：提高 LBP [ 2 ]，LGBP [ 3 ]，多尺度 LBP
[ 4 ]，MB-LBP [ 5 ]，CLBP [ 6 ]等。所有的扩展是为了提高鲁棒性的目标，以及在非最佳
的人脸识别方案的精度。
最近，赖特等人。[ 7 ]介绍了一种通过稀疏表示的对人脸识别鲁棒的框架。在这里，
人脸识别是惩罚在过完备字典上的线性组合系数的 L1 范数。基于稀疏表示的分类（SRC）
已被证明是优于最近邻（NN）和最近的子空间（NS）在不同的子空间为基础的分类（如
PCA 或 LDA）。当应用于人脸识别，它也可以有效地处理由于闭塞和腐败引起错误。之后
赖特等人的工作，在过去的一年中，几个扩展 SRC 的人脸识别提出了。在[ 8 ]，周等人。
为了为严重遮挡情况下提高性能，将马尔可夫随机场模型应用于人脸识别。为了降低阻塞
面孔编码的成本，同时提高了精度。Yang 和 Zhang [ 9 ]利用 SRC 图像的 Gabor 特征。在
[ 10 ]，杨等人。在人脸识别中的 SRC，回顾了五个有代表性的 L1 最小化的方法。最近，
一个初步的试探性的基于特征 LBP 与基于人脸识别 Src 结合是由陈和基特勒提出的。
作者 表 明， 直 方图 描 述符 ， 如 LBP ， 本 地相 位 量化 （ LPQ ） 和 Gabor 相 位模 式
（GPP），比用 SRC 整体特征对错位和启示有更好的鲁棒性。他们的方法返回的结果令
人印象深刻
在 Yale 人脸数据库 B 相结合和扩展 Yale 人脸数据库 B（38 人的 64 种不同的光照条件下）。
然而，这样的方法是最真实世界的数据集是不可行的，只有很少的样本可为被使用到。原
因是由于维度“灾难”。 在 SRC，判别的能力，依赖于计算一个欠定的线性方程系统稀疏的
解决方案的正确性。但是在在对等的击穿点（EBP）系数向量对数量的非零项的进入，方
法是非稀疏。换句话说，当训练样本的数目比特征向量的树木是足够大的数量，正确的稀
疏方法才能恢复。不幸的是，用于人脸表征 LBP 直方图的维数，一般是巨大的（16384 在
一个普通的 8×8 块划分）。因此，LBP 和 SRC 直接结合是非现实的。（在[ 11 ]，作者仅用
于测试的 2×2 个子块，但 722 个训练图像。）。在进行 SRC 之前，运用降维工具（如 PCA
或 LDA 由杨等人的建议。[ 13 ]），
一个可能的解决方案是降低了提取特征的维数。这确保了所期望的解决方案是稀疏的，
因此“维数灾难”已不再是一个问题。这种方法可以提高性能相对于基线算法。在本文中，
资源评论
