论文部分内容阅读
近年来,人脸识别技术广泛应用于通信、教育、安防等领域。目前,在限定环境下,人脸识别技术相对成熟。但在非限定环境下,人脸图像往往存在光照变化、姿态变化和人脸信息缺失等非限定因素。非限定因素会造成人脸图像的特征损失、对准误差和局部混叠等问题,这影响了人脸识别技术的识别效果与应用范围。为降低光照、姿态变化对人脸识别效果的影响,本文利用中心对称局部二值模式(CS-LBP)对光照和姿态变化具有一定的抑制能力,提出了基于CS-LBP和深度信念网络(DBN)的人脸识别方法;为降低人脸图像信息缺失对人脸识别效果的影响,本文利用协同表示(CR)能够分离真实人脸图像和信息缺失产生的误差,提出了基于分块CR的人脸识别方法。1.基于CS-LBP和DBN的人脸识别方法(FRMCD)的研究。一方面,CS-LBP算子具有抑制像素点的亮度变化、降低编码耗时,抗噪声能力强的特点;另一方面,DBN具有自动学习图像抽象信息、主动因素干预小的特点。因此,本文提出了应用CS-LBP人脸图像局部信息,并采用DBN进行学习分类的人脸识别方法。在此基础之上,使用三个通用的具有姿态变化,光照变化情况的人脸库,即ORL、Extend Yale B及CMU-PIE人脸库,进行实验,验证本方法的有效性。实验结果表明,在光照变化、姿态变化的人脸识别时,FRMCD识别效果好;当训练样本不足时,FRMCD优势更显著;与基于LBP-DBN的人脸识别方法相比,耗时有大幅降低。2.基于分块协同表示的人脸识别方法(FRAPCR)的研究。本文采用CR将原图像与缺失信息分离,可有效降低缺失信息图人脸识别结果的影响;各个子块获得协同误差进行分类,用统计的方式完成最后类别标签的确定,可有效的降低一个或多个子块特征求得的最小协同误差较大的无效分类对整张图像分类结果产生的影响。在此基础之上,使用ORL、Extend Yale B及存在遮挡图像的AR人脸库,针对人脸图像存在部分信息缺失(像素信息缺失、腐蚀块和遮挡)的情况,进行实验,验证本方法的有效性。实验结果表明,FRAPCR在人脸图像存在部分信息缺失时,识别率高,识别效果稳定。