英语原文共 6 页，剩余内容已隐藏，支付完成后下载完整资料
基于LBP的多视点每人单样本人脸识别系统
摘要
大多数传统的人脸识别方法在训练阶段时采用每人多个训练样本进行特征提取的方法。在各种人脸识别系统中，如Aadhar-卡、电子护照、驾驶执照、安全认证、访问控制和法律改善，可能没有多个样本。但是这些系统在训练数据库中只有一个样本(SSPP)。因为许多著名的系统中没有足够的样本，这些系统都无法给出准确的结果。为了提高每人单个样本的识别准确度，本文提出了一种基于鲁棒性的单样本图像识别算法。首先，人脸的特征提取是使用局部二值模式（LBP），它对缩放和光照条件不敏感。在完成分类之后，然后利用欧氏距离进行人脸识别。实验在94张人脸数据集和我们自己的数据集上进行，这些数据集具有不同的姿态、光照和年龄差异。结果表明，该算法在识别率上有明显的提高。
关键词：SSPB，LBP，欧式距离
1 介绍
人脸识别是一种计算机化的机制，它可以根据一个人的面部特征来识别他们[2]。(DMMA)在人脸识别中，近年来使用了许多基于外观检测的方法，这些方法的主要目的是以监督的、半监督的或非监督的方式学习[1]。无监督学习方法只处理类间变化，容易处理SSPP问题，但在面部表情变化或在不同的照明条件下这种方法的识别率较小。当数据集中的训练图像超过一幅时，人脸识别率就会很高，因此在现有的方法中都可以得到准确的结果。
通过对人脸识别的大量研究，提高了人脸识别的准确性。每个人的单个主体是保存在数据集中的，因为有时在某些情况下收集每个人的样本是一项非常困难的任务。因此，由于数据集中缺少每个人的样本，人脸识别就会变得困难。在这种情况下，许多传统的方法，如Fisher-面，特征脸，都会受到系统失效或性能不佳的影响。因此，人脸识别遇到了一个名为“每人一个样本”的问题。
理想和流行的算法包括主成分分析(PCA)[7]、线性判别分析(LDA)[15]和边缘Fisher面分析(MFA)[16]。然而，在基于外观的方法中，每个人的训练集数极大地影响了识别率。对于LDA的人脸识别估计及改进的人脸检测流形学习算法实现数据识别，尤其当每个主体的训练图像数量比人脸图像的特征维数小的时候，类内方差并不精确。因为每个主体的训练图像存储在一些商业的应用中，所以很难记录额外的样本。目前，人脸识别在许多领域都有着非常广阔的应用前景，例如Aadhar-卡，电子护照，驾驶执照，安全认证，入口控制，身份证识别，出入控制，以及法律改善等方面[3]。一种可能的应用是人脸识别来验证智能手机的访问。此外，执法部门亦在公共场合设置闭路电视摄影机，以捕捉嫌疑犯[6]。
因此，由于缺乏训练集，基于各种外观的算法和它们的替代方法不能被直接执行以进行特征提取。一般情况下，在任何一个人的正面形象中，都有两只眼睛，一只鼻子和一张嘴巴。当一个人脸图像被分成许多局部块时，同一个人的鼻子和眼睛之间的亲密程度，比两个人的鼻子小，类似地，这些块之间位于流形中，每个块与流形中的一个点相关。此外，在同一距离和位置内的所有流形之间和同一个人的不同脸部照片小块之间的可能存在巨大的重叠。因此，使用单样本的人脸识别(SSPP)的主要目的是获得判别特征，从而使等效流形中的点变得相邻，并且在不同的流形中不接近[5]。在某些情况下，如部分遮挡，表情变化，光照，面部图像被破坏，当没有先前的知识时，识别率很低。因此，很难对这些局部变形进行建模[3]。每人单样本(SSPP)问题是由各种技术控制的，例如SOM设计了一个用于表示每个人图像的相关的自组织映射。此外，在奇异值分解(SVD)方法中，将面部图像划分为两个等效的分量。SVD可以将SSPP问题的精度提高到正的程度，但困难的是它生成了Virhzal样本。在训练图像和生成的图像中，它们都存在很高的相关信息和很大的重复特征[17]。
SSPP人脸识别作为一种流形到流形匹配问题，通过(DMMS)[8] 判别多流形分析，学习多特征空间来扩展不同人的流形边缘的方式来解决。算法或技术中的阈值是在理想的数据集上训练的。在人脸识别系统中，人脸表情变化的鲁棒性是一个主要问题，并声明为“如何识别人脸的训练和测试图像中的表达冲突？” 一些人脸识别技术在正常光照、低光照和高分辨率图像中都有很高的识别率。然而，当低质量的图像呈现出高度的姿态变化时，人脸识别是最具挑战性的。此外，所提出的算法在训练数据集中有一幅高质量的人脸图像时，在“每人单样本”条件下也存在缺陷。
在不同姿态下的二维人脸图像之间建立区域映射，并在一些姿态不变算法中建立相应的三维人脸模型。典型相关分析(CCA)被Li[4]所占据，从而形成一个子空间，在该子空间中，同一人的两种姿势的这两个块之间的相关性增加。为了提高每个对象单个训练样本进行人脸识别的性能，本论文提出了一种单个人脸训练的人脸识别算法。
2 相关工作
人脸识别问题主要分为整体法、局部法和混合法三大类。整体方法将面孔识别为完整的面孔作为输入。这种方法的挑战是来怎么处理样本来源较少的困难。它需要有完整的形状和纹理报告，这是区分人脸所需要的。它可以采取比基于局部特征的细节更具有整体性的人脸形式。图像数据的高维数与一小块数据之间存在着很大的区别。因此，类内部的变化不能直接识别[13]。张和高等人[20]提出了两种基于奇异值分解（SVD）的整序算法，以得到每个人脸的多个人脸图像，然后利用传统的LDA进行特征提取。在一定程度上，这种方法减少了SSPP问题，所有这类方法的共同缺点是，在这些方法中，几乎普遍的主体之间的存在大的交互，不能假定为单独的主题来获得特征。因此，这是它们是在学习的鉴别特征向量中具有很高的双重性的主要原因。杨等人提出了另一种二维主成分分析(2 DPCA)的整体方法[21]。这种方法代替1维矢量，它们使用2维图像矩阵进行协方差矩阵估计，使得其在计算上是简洁的，并且对于每个对象较少样本是相关的。因此，这种方法的局限性在于当光照不稳定或姿势变化时，它并不稳定[18]。局部方法：主要用于获取局部人脸特征进行识别。人脸识别的局部方法是利用人脸的局部特征进行人脸识别[13]。对于人脸图像，采用鲁棒高效的描述子将每幅人脸图像表示为特征向量，并在特征向量中尽可能地对各种人脸图像进行区分。一些基于局部特征的方法是局部二进制模式(LBPS)、局部导数模式(LDPS)和基于Gabor体积的LBPS(GV-LBPS)[11，12]。在基于局部的方法中，局部特征集是由低维向量表示的，因此维数问题在一开始就变得容易解决。此外，局部方法还提供了根据人脸图像的部分识别人脸图像的额外灵活性，从而更容易地识别出人脸图像的主要特征。在人脸识别中，由于人脸特征的不同，使得分类器的显着性得到提高。局部方法分为基于局部特征和基于局部外观的方法。前人首先揭示所有的局部特征，然后根据特征点发现特征。分割后得到图像的单元格和局部特征。
张宝昌提出了局部导数模式(LDP)[19]用于人脸识别。在局部导数变化的基础上，对方向特征进行编码。与一阶LBP相比，LDP可以获取完整的信息。LDP是一种微观排列方式，它与直方图一起用于保存LDP微观图案分布的数据。LBP获取高阶导数的详细信息。因此，与局部二进制模式(LBP)相比，LDP获得了额外的鉴别性特征。因此，与局部二进制模式(LBP)相比，高阶LDP获得了更高的信息。因此，与局部二进制模式(LBP)相比，高阶LDP获得了更高的信息。在灰度人脸图像和Gabor特征图像中，较高层次的LDP处理效果较好，并且Gabor特征图像的精度高于灰度图像。但在较高层次上的变化并不容易识别。基于局部外观的方法是局部方法的一个范畴，一般用于分割、特征提取、特征选择和分类。
在该方法中，首先将图像分割成多个块，然后用一些特征提取技术进行特征提取，并将这些特征称为流形。因此，人脸识别是以流形对流形匹配的形式完成的[14]。为了解决单个训练图像的人脸识别问题，在DMMA方法中，我们首先将人脸图像分割成不同的局部块，以获得训练的特征，并将人脸识别作为一个多流形的相同困境。在DMMA中，利用局部块的几何数据的优点。首先，我们从图像中找出人脸区域，然后转换成A*B的大小，这里A和B是图像的宽度和高度。在此之后，每幅图像都被分割成T(a*b)不重叠块[1]。因此，通过主成分分析将向量的维数转化为特征向量。人脸识别的混合方法是局部方法和整体方法的结合[23]。两种局部和全局特征方法都具有完全明显的优点，可以为协调提供等价的信息。因此，这些方法的性能取决于特征的组合。在光照影响方面，局部特征受影响较大，而在整体方法中，面部表情变化的影响更大。因此，为了降低分类器的复杂度和克服局部和整体方法的缺点，通常采用混合法[23]。混合法的性能受到多种特性的影响。因此，如何增加这些方法的优劣，减少它们的缺点，取决于特征的选择，以及如何利用不同的方法将它们合并成一个单一的特征向量。不幸的是，这些问题仍然没有得到解决。因此，为了克服这些问题，提出了一种基于单个训练图像的方法。该方法主要分为三个步骤：1)将LBP应用于原始人脸图像；2)权向量的计算；3)欧氏距离的测量。本文的安排如下：第二节对相关工作做了简要回顾，第三节介绍了本文提出的方法。第四节对该方法的实验和性能分析进行了客观评价。最后，第五节讲述了结论和今后的工作。
3 提议的方法
在详尽研究的基础上，已经发现在以往的方法中，一个人需要多幅图像来训练系统，还存在一些由于光照、遮挡和表情变化而导致人脸细节不清的问题。因此，有必要设计一个基于单一训练数据集的人脸识别系统。在我们提出的方法中，我们只有一个训练图像。然后，根据给定的单一训练图像及其特征，对系统进行了能够识别人脸的训练。为了训练我们的系统，我们采用了以下方法。所建议的方法的体系结构如图1所示。
图1：采用方法的体系结构。
LBP算法首先以如下方式使用，先将原始人脸图像分割成多个单元(例如，每个单元格为10*10像素)。在每个像素的单元格中，比较其8个邻域(右上、左下、左上、左中等)的每个像素，并沿顺时针或逆时针方向应用像素。当中心像素或阈值大于邻域的值时，则为“0”，否则为“1”。因此，我们得到了一个二值图像结果如[9, 10, 12]。在子图像上应用LBP算法对图像进行重建，重建后得到的图像与输入图像大小相等，重建后的图像为二值化。
将LBP算法应用于人脸图像中，得到了一些模式。
图2：LBP例子
二进制模式等于11110001，LBP权重为241。图3给出了原图像的等效二值图像。
图3：原图像转换为LBP图像
在应用LBP之后，我们使用以下步骤：步骤1(平均计算)：
其中n是人脸图像的数目，是图像的平均值。
步骤2(图像减法)
步骤3(协方差矩阵) 其中，A是归一化面向量。
第四步由协方差矩阵C确定特征值和相关的特征向量。其中Z是与特征值lambda;相关的特征向量集。
步骤5选择对应于最高特征值的最佳特征向量K。
步骤6特征向量可以给出如下：
步骤7(输出)：为了检查图像是否被识别，本文使用了欧几里德距离。
这里i=1,2,3,4,5,6,n 和A是测试图像。
将识别过程应用到输入测试人脸图像的权重向量上，对训练图像的权重向量进行识别。首先，我们要找出输入人脸图像与训练图像的权重向量之间的距离。通过计算这些图像之间的距离，我们得到了一些权重值。因此，通过设置阈值，我们得到了一定的值和最小值，从而得到了准确的人脸识别结果。
4 实验
本文在Matlab 2014编程工具上进行了实验操作，系统配置如下：Intel i5处理器、4GB RAM和Windows8.1操作系统。我们已经选择了我们自己创建的脸数据集和Face94人脸数据集。
A 数据集：
在本文中，我们选择了自己创建的数据集，其中包含了20个不同的人脸图片，每个人有10个不同的图像。在光照、姿态变化、年龄变化等不同的状态下。我们的数据集的示例图像如图4所示。此外，我们还使用了另一个数据集，即Face94，其中被摄者和摄像机在固定的距离上，在说话条件下捕获照片，以表示面部表情的变化。该数据集的总人数为153人，其中包括女性(20人)、男性(113人)、男性工作人员(20人)，图像分辨率为180*200。如图5所示，Face94数据集的样本图像如图5所示。
图4：自己创建的数据集
图5：Face94的训练集
B 结果和分析：
表1.对Face94和我们的数据集的不同子集所提出的方法和现有方法的识别精度(百分比)
用DMMA[1]方法对该方法进行了比较。表1分别说明了在Face94数据集和我们自己的数据集上提出的方法和现有方法的识别率(%)。结果表明，所提出的方法给出了在Face94数据集上97.3%和在自己的数据集上89.86%的准确率，现存的方法给出了在Face94数据集上95.1%和在自己的数据集上87.4%的准确率。所提出的方法与现有方法在我们自己的数据集上准确性方面的性能分析见图6，对Face94数据集的结果分析见图7。因此，与现行方法相比，提出的方法比现有的方法的平均识别率更高。
图6：自己数据集上的性能分析
图7：Face94数据集上的性能分析
5 结论和接下来的工作
本文提出了一种基于单个训练图像的人脸识别问题的解决方案。在此，我们提出了一种人脸识别算法。与以往不同的人脸识别方法相比，该方法在光照变化、表情变化、年龄变化等条件下效果最好。因此，该算法提高了识别率，具有更强的鲁棒性。
在未来的工作中，如何利用全局和局部的小块信息来提高人脸识别的识别率和准确率。同时，我们也很高
全文共10101字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[14232]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
