基于HOG特征LBP特征的人脸识别方法研究的中期报告.docx

基于HOG特征LBP特征的人脸识别方法研究的中期报告
一、前言
随着计算机视觉和模式识别领域的不断发展，人脸识别技术被广泛应用于安全、监控、人机交互等领域。本文基于HOG特征和LBP特征，研究了人脸识别方法，并在FERET数据库上进行了实验。
二、方法
1.数据集
选用FERET数据库进行实验，该数据库包含了多个人的正面照片和侧面照片，每个人都有多张照片，共有1199个人，3846张照片。我们选取其中80%用于训练，20%用于测试。
2.特征提取
选用HOG（HistogramofOrientedGradient）特征和LBP（LocalBinaryPattern）特征。
HOG特征是一种描述局部图像纹理的特征，它将图像分成若干个小的块，并对每个块内的像素进行梯度和方向的计算，最终将所有块的梯度方向直方图串联起来得到的特征。本文选用了9×9的块和8个方向。
LBP特征是一种描述局部纹理的特征，它对图像中每个像素点，将其周围的8个像素与该像素点的灰度值作比较，生成一个二进制数，并将所有像素的二进制数串联起来形成一个特征。本文选用了8×8的局部窗口。
3.训练与测试
对于每张图像，将其预处理为灰度图像并进行归一化处理。然后提取HOG和LBP特征，将两种特征串联起来作为该图像的特征向量。
然后，使用支持向量机（SVM）对训练集进行训练，得到一个分类器，用于对测试图像进行分类预测。在测试集上评估分类器的准确率和召回率。
三、实验结果
在FERET数据库上，我们采用HOG和LBP特征分别进行实验，分别得到了84.4%和87.2%的准确率。然后将两种特征串联起来进行实验，得到了90.2%的准确率。
四、总结
本文基于HOG和LBP特征提取方法，采用支持向量机对人脸进行识别。实验结果表明，串联HOG和LBP特征可以提高识别准确率。未来可以进一步优化算法，提高准确率，也可以尝试更多的特征提取方法。