论文部分内容阅读
人脸识别被广泛地应用于支付、视频监控和刑事侦查等。鉴于Gabor、LBP和ASIFT等对光照、偏转具有一定鲁棒性,以及DBN网络对训练样本数量要求不高的特性,论文在此基础上对已有的子空间算法进行了改进研究和实验。为了解决已有子空间算法采用传统分类器判别时过于依赖训练样本量的问题,提出了一种采用DBN网络作为分类器的人脸识别算法,即“DBN人脸识别算法”。在无光照、姿态变化等条件下,该算法较已有子空间算法的识别率高。实验结果表明,在ORL库下,“DBN人脸识别算法”的识别率达到91.79%;在YaleA库下,其识别率达到86.84%;在CMU-PIE库下,其识别率达到93.50%。为了解决“DBN人脸识别算法”抗光照和姿态变化能力较弱的问题,在2DGabor特征的基础上,引入旋转不变一致LBP,提出了一种基于2DGabor与LBP的改进人脸识别算法,即“2DGabor+LBP算法”。它利用2DGabor提取人脸的初始特征,生成Gabor图像后,采用旋转不变一致LBP算子对Gabor图像进行特征提取,以实现对光照和姿态变化的鲁棒性。实验结果表明,与已有算法相比,在ORL库下,该算法的识别率达到95.35%,在YaleA库下,其识别率达到96.14%,在CMU-PIE库下,其识别率达到95.83%。针对“DBN人脸识别算法”和“2DGabor+LBP算法”对旋转和尺度变化图像识别率低的问题,提出了采用信息熵进行优化的ASIFT人脸识别算法,即“ASIFT+信息熵算法”。利用二维最大信息熵,对提取的ASIFT特征点进行筛选,并计算特征点集中区域的信息熵,以此作为二次匹配参数,从而达到提高识别率的目的。实验结果表明,在针对光照变化图像的CMU-PIE库上,该算法的识别率达到95.2%,匹配时间为10.65s;针对姿态变化图像,其识别率达到96.85%,匹配时间为7.17s;针对旋转图像,其识别率达到96.7%,匹配时间为9.46s;针对尺度变化图像,其识别率达到95.7%,匹配时间为8.44s。论文所述的研究工作表明,改进后的“DBN人脸识别算法”、“2DGabor+LBP算法”和“ASIFT+信息熵算法”适用于处理训练样本数较少的情形,且“2DGabor+LBP算法”适合用于识别具有光照和姿态变化的图像,而“ASIFT+信息熵算法”既具有抗光照和姿态变化,又增加了对旋转和尺度变化的处理能力。