基于KPCA與LBP的人臉識(shí)別.pdf

1、人臉識(shí)別已經(jīng)成為數(shù)字圖像處理和模式識(shí)別研究領(lǐng)域的一個(gè)研究難點(diǎn)和熱點(diǎn)，其應(yīng)用已經(jīng)在社會(huì)生活中占有越來越重要的地位。根據(jù)數(shù)據(jù)類型的不同，可以將人臉識(shí)別分為三個(gè)類型：基于靜態(tài)圖像的識(shí)別、基于視頻的人臉識(shí)別和基于一些傳感器如熱紅外傳感器和3D數(shù)據(jù)的人臉識(shí)別。由于人臉是人類最自然和直接的生物特征，相比于指紋、虹膜和掌紋等特征具有無可替代的優(yōu)點(diǎn)。盡管經(jīng)過了近半個(gè)世紀(jì)的發(fā)展，但由于人臉的非剛性特點(diǎn)和具體應(yīng)用場(chǎng)景下識(shí)別系統(tǒng)容易受到人臉光照、姿態(tài)、表情、

2、遮擋等影響導(dǎo)致了現(xiàn)今人臉識(shí)別系統(tǒng)的識(shí)別率和魯棒性都不高，探索出能夠解決上述各種復(fù)雜條件下的人臉識(shí)別系統(tǒng)仍然是一個(gè)具有挑戰(zhàn)性和巨大應(yīng)用前景的課題。
　　LBP(Local Binary Pattern局部二值模型)由于計(jì)算簡(jiǎn)單，描述能力強(qiáng)而廣泛應(yīng)用在紋理分析、人臉識(shí)別、人臉檢測(cè)和表情識(shí)別中。但是 LBP直方圖存在當(dāng)分塊數(shù)過大時(shí)級(jí)聯(lián)直方圖維數(shù)過大和稀疏的特點(diǎn)，現(xiàn)有的LBP直方圖降維方法如旋轉(zhuǎn)不變LBP算子等存在降低LBP算子的描述能力

3、和降維維數(shù)不靈活的缺點(diǎn)。本文針對(duì)傳統(tǒng)PCA(主成分分析)對(duì)處理非線性問題上的不足、分塊LBP特征維數(shù)過大和有限樣本下樣本的利用率不高，將有限樣本LBP特征在直方圖下進(jìn)行加權(quán)融合，采用KPCA降維，研究了LBP模式在非線性子空間下的特性。文章的研究?jī)?nèi)容如下：
　　1、系統(tǒng)介紹了人臉識(shí)別，包括人臉識(shí)別概述、背景、意義、發(fā)展現(xiàn)狀、發(fā)展方向、常用的測(cè)試數(shù)據(jù)庫以及經(jīng)典的人臉識(shí)別算法等。
　　2、針對(duì)傳統(tǒng)LBP在多樣本作為樣本庫時(shí)樣本的

4、使用率不高，提出來一種分塊直方圖級(jí)聯(lián)加權(quán)融合的方法，將融合后的直方圖和原始樣本的直方圖一起構(gòu)成樣本集，研究了加權(quán)系數(shù)對(duì)識(shí)別率的影響。
　　3、研究了主成分分析方法（PCA）和核主成分分析（KPCA）方法，詳細(xì)推導(dǎo)了其原理以及驗(yàn)證了在通用人臉數(shù)據(jù)庫中的識(shí)別效果。分析了傳統(tǒng) PCA在處理非線性問題上不足的原因，將核主成分分析(KPCA)用于分塊LBP直方圖降維。由于在分塊降維時(shí)提取相同主成分貢獻(xiàn)率會(huì)導(dǎo)致特征數(shù)的不同，本文采用固定特征值