基于LBP和Fisher face的人臉識別算法研究.pdf

1、在基于生物特征的身份鑒別中,人臉識別研究起步較早,技術(shù)也較為成熟,被廣泛應(yīng)用于計算機智能識別領(lǐng)域。人臉特征提取與表達是人臉識別中的關(guān)鍵一環(huán),人臉識別的效果好與壞和人臉特征提取與表達密切相關(guān)。一方面,不同的特征表達方法和特征向量的維數(shù)對識別率都會產(chǎn)生影響,在通常情況下,采用同樣的特征表達方法,如果特征向量的維數(shù)越高,那么其識別率也將越高;另一方面,從人臉圖像中提取的特征向量的維數(shù)大小也將直接影響著計算的復(fù)雜度,提取的特征向量的維數(shù)越高,識

2、別算法運行的時間也就越長。
　　本文在重點分析基于局部模式描述子的人臉特征表達與識別方法的基礎(chǔ)上,探討了利用Fisher face方法對特征向量進行降維的同時提高其識別效果,從而滿足人臉識別系統(tǒng)的實際需要。論文的主要工作體現(xiàn)在以下兩個方面:
　　(1)深入研究了基于局部二值模式(Local Binary Pattern,LBP)、局部三值模式(local ternary pattern,LTP)、主成分分析(Principa

3、l Component Analysis,PCA)、Fisher線性判別分析(Fisher Linear Discriminant Analysis,FLD)的人臉特征提取方法。與全局模式描述子相比較,人臉識別采用局部模式的人臉特征表達效果更加理想,大大提高了人臉識別的識別率;與局部二值模式描述子相比較,基于局部三值模式的描述子抗噪聲的能力更強。
　　(2)考慮到Fisher face方法對特征向量來說,不僅能夠有效地對提取的特征