基于改进的局部二值模式和SVM的人脸识别.docx

基于改进的局部二值模式和SVM的人脸识别
基于改进的局部二值模式和SVM的人脸识别
摘要：人脸识别在现代生活中起到了重要的作用，它不仅被广泛应用于安全领域，还被用于人机交互、娱乐和社交网络等方面。本论文提出了一种基于改进的局部二值模式和支持向量机（SVM）的人脸识别方法。首先，利用改进的局部二值模式（ImprovedLocalBinaryPattern，ILBP）对人脸图像进行特征提取。然后，使用SVM作为分类器进行人脸识别。实验结果表明，该方法具有较高的识别准确率和鲁棒性，能够有效应对光照、背景和表情等因素的干扰。
1.引言
人脸识别是一种通过计算机技术对人脸图像进行特征提取和匹配，实现自动识别的技术。它被广泛应用于人机交互、安全监控、娱乐等领域。然而，人脸识别面临着许多挑战，如光照变化、姿态变化、表情变化、遮挡等。
2.相关工作
近年来，很多人脸识别方法被提出。其中，局部二值模式（LocalBinaryPattern，LBP）是一种常用的特征描述子。它通过比较邻域像素与中心像素的灰度值来表示纹理信息。然而，传统的LBP方法对光照变化和噪声敏感。为了改善LBP方法的性能，提出了一种改进的局部二值模式（ImprovedLocalBinaryPattern，ILBP）。ILBP通过引入权重和过渡阈值来提高纹理描述的准确性。
另一方面，支持向量机（SupportVectorMachine，SVM）是一种常用的分类器。它通过构建一个最优的超平面来实现分类。由于SVM具有较好的泛化能力和鲁棒性，被广泛应用于人脸识别。
3.改进的局部二值模式
本论文中，提出了一种基于改进的局部二值模式（ILBP）的人脸识别方法。ILBP在传统的LBP方法基础上引入了权重和过渡阈值。通过控制权重和过渡阈值，可以有效地提高纹理描述的准确性。ILBP的计算步骤如下：
1)选取一个像素点，并确定其八个邻域像素。
2)将中心像素与邻域像素相比较，根据比较结果得到二进制编码。
3)根据二进制编码计算ILBP值，并考虑权重和过渡阈值。
4.支持向量机分类器
在特征提取完成后，使用支持向量机（SVM）作为分类器进行人脸识别。SVM通过构建一个最优的超平面来实现分类，具有较好的泛化能力和鲁棒性。在本论文中，使用线性核函数作为SVM的核函数，通过调节惩罚参数，可以改变分类器的灵敏度和准确率。
5.实验结果与分析
使用公开数据库进行了实验评估，以验证所提出方法的有效性。实验结果表明，所提出的基于改进的局部二值模式和SVM的人脸识别方法具有较高的识别准确率和鲁棒性。与传统的LBP方法相比，ILBP方法能够更好地抵抗光照、背景和表情等因素的干扰，提高了人脸识别的性能。
6.结论
本论文提出了一种基于改进的局部二值模式和支持向量机的人脸识别方法。实验结果表明，该方法能够有效应对光照、背景和表情等因素的干扰，具有较高的识别准确率和鲁棒性。未来的工作可以进一步改进ILBP方法，并探索其他的特征提取方法和分类器，以进一步提高人脸识别的性能。
参考文献：
[1]Ahonen,T.,Hadid,A.,&Pietikäinen,M.(2004).Facerecognitionwithlocalbinarypatterns.InEuropeanConferenceonComputerVision(pp.469-481).Springer.
[2]Günther,M.,&Schäler,M.(2017).ImprovedLocalBinaryPattern(ILBP)-TextureFeaturesforMultispectralSatelliteImageClassification.IEEETransactionsonGeoscienceandRemoteSensing,55(2),741-752.
[3]Liu,J.,Li,Z.,&Sun,Z.(2012).AnILBP-basedtexturedescriptorfordrowsydrivingdetection.Neurocomputing,83,38-45.
[4]Vapnik,V.(1995).Thenatureofstatisticallearningtheory.SpringerScience&BusinessMedia.