基于高阶局部模式的人脸识别算法研究.pdfVIP

摘要

人脸识别作为一种普遍为人熟知但又颇具挑战性的课题，依然存在着许多需要解决

的问题，如光照、遮挡、姿态、表情等变化因素和噪声干扰会严重影响人脸识别的准确

率；同时人脸识别实时性的要求也使得识别效率成为一个必须兼顾的指标。虽然局部模

式的人脸识别算法提取的局部纹理特征对光照、表情等变化因素具有较强的鲁棒性，特

别是高阶局部模式拥有非常强的图像细节刻画能力，但是由于局部模式过于关注人脸的

局部信息，仅利用局部模式学习到的特征有限，加上人脸识别应用场景多存在小样本问

题，如果不考虑特征的多样性表达，很难达到满意的效果。此外，现有高阶特征的人脸

识别算法在不断追求高阶数提取图像精细鉴别信息的同时，并没有考虑到高阶算法固有

的噪声敏感问题和算法的时间复杂度问题，造成算法对变化因素鲁棒性差，识别效率低

下。基于这些考虑，本文以局部模式编码方式的优化为主线，补充多尺度、多方向特征

及构造“梯度脸”等多方面改进，以增强算法的识别效果。主要工作如下：

（1）针对现有高阶特征的人脸识别对变化因素鲁棒性差以及存在小样本的问题，

提出一种基于非下采样Contourlet变换的局部高阶主方向模式的人脸识别算法。首先对

人脸图像进行非下采样Contourlet分解，得到一系列不同尺度、不同方向的子带图像，

提取到更全面的人脸特征信息；然后在子带图像引入主方向分组策略表征其高阶导数特

征，以局部邻域高阶导数方向变化的特征码形成主方向特征图，以增强特征表达的效果；

最后统计各特征图的直方图特征并级联，PCA降维后作为最终的人脸特征，利用多分类

SVM完成分类识别。算法在ExtendedYaleB、CMUPIE和LFW库的最高识别率分别达

到了99.78%、97.67%和61.34%；在CASE-PEAL的光照集、表情集和饰物集分别达到

了97.41%、99.84%和97.32%的良好识别率，均高于其他对比算法，并且在存在高维特

征的小样本条件下表现更佳。上述多个人脸库上的实验结果表明：该算法对光照、表情

以及面部遮挡等变化因素有较强的鲁棒性，在小样本条件下效果更佳。

（2）针对现有高阶特征的人脸识别由于对噪声敏感导致鲁棒性差及特征冗长的问

题，提出一种基于梯度脸的局部高阶主方向模式的人脸识别算法。首先设计梯度脸卷积

算子，计算像素的多方向梯度分量和，以构造梯度脸；然后对梯度脸利用局部高阶主方

向模式算法对其提取高阶特征；最后分块统计其直方图特征并级联，并利用多分类SVM

完成分类识别。算法在CASE-PEAL的光照集、表情集和饰物集的最高识别率分别达到

了93.48%、99.13%和97.42%；在ExtendedYaleB、CMUPIE和AR数据库的最高识别

率分别达到了99.85%、93.01%和97.33%；除了保持较高的识别率，算法在识别总时间

上也远低于其他对比算法。上述多个人脸库的实验结果表明：该算法对光照、表情以及

面部遮挡等变化因素具有较好的鲁棒性，以及更高的识别效率。

综上所述，针对高阶局部模式的人脸识别研究表明：主方向分组策略在编码方向导

数变化时，在对特征精确表征的同时，将特征的长度大大降低；非下采样Contourlet变

换补充的多尺度、多方向子带将图像的结构信息以多种方式进行呈现，在一定程度上扩

充了样本量，丰富了样本信息，从而有效缓解小样本问题。此外，梯度脸结构有效缓解

高阶算法提取特征时的噪声敏感问题，也提高了识别算法的鲁棒性。

关键词：人脸识别,高阶局部模式,主方向分组策略,非下采样Contourlet变换,梯度脸

ABSTRACT

Facerecognitionasawidelyknownandchallengingsubject,therearestillmanyproblems

tobesolved,suchasillumination,occlusion,posture,expression,noiseinterferenceandother

changingfactorswillseriouslyaffecttheaccuracyoffacerecognition.Atthesametime,the

real-timerequirementoffacerecognitionalsoma