人脸识别系统的设计与实现

在线咨询详情

人脸识别特指利用分析比较人脸视觉特征信息进行身份鉴别的计算机技术，是基于生物特征识别技术的身份认证中最主要的方法之一。近年来，基于局部模式[1]表征的人脸识别方法成为领域内的研究热点，由于受光照、姿态、表情、年龄或成像条件变化的影响，人脸识别系统只能用于某些识别准确率要求不高的场合。
局部二值模式（local binary pattern，简称LBP），采用局部二值模式（LBP）的局部纹理特征提取方法，不但计算简单，而且还能捕捉图像中微量的细节特征，从而提取更有利于分类的局部领域关系模式，其已经成功地应用在许多机器视觉识别任务中，包括人脸识别[2]。局部非负矩阵分解（local Non-negative Matrix Factorization，简称LNMF），LNMF的形成是由于对标准的NMF[3]目标函数的基础上增加了局部特征分析（LFA）的限制。
文中提出一种结合LBP和LNMF的人脸识别方法，先将人脸图像进行分块，然后采用LBP算子提取分块的直方图，将每个分块的直方图串接成直方图序列，构成新的人脸特征,整体是由部分组成的[4]。因为该特征具有人脸的纹理特征，对此采用局部非负矩阵分解，提取非负子空间和系数矩阵，对于新的人脸特征提取出训练样本库和测试样本库，将测试样本库向非负子空间投影，得到系数矩阵，根据最近邻距离进行分类最终达到较好的模式识别[5]效果。

总结
人脸特征提取是人脸识别的关键，关系到分类识别算法的选取与识别正确率，从一定意义上讲，它关系到自动人脸识别系统的有效性。本课题采用结合LBP与LNMF特征融合的人脸识别方法，先由LBP对人脸进行分块，然后利用LNMF算法对每个人脸Weight LBPHS进一步降维。由于利用训练集的纹理信息增加了LNMF特征子空间的类间特征，并且训练数据量的大幅减少，改善了LNMF迭代速度慢，训练时间长的问题，因此，这种LBP和LNMF相结合的人脸识别算法不仅有效地提高了人脸识别率，并且在相同识别率下大大提高了训练速度。近年来，研究者们成功地将其用于人脸特征描述和识别，并取得了显著的效果。然而，LBP与LNMF本身还不够完善[15]，在人脸识别的应用中还存在许多问题亟待解决。
 

以上内容只是毕业设计作品的部分资料介绍,如果了解更多详情请联系客服QQ:57510459
     购买帮助>>