【正文】 其次，我們提出了一個新的特征像素提取方法，用在相對偏閾值（LRBT）方法LBP。[38]presented an eye detection method using color information and wavelet features together with a new efficient Support Vector Machine (eSVM). 英文翻譯：特征的局部二元模式與眼檢測中的應(yīng)用摘要本文提出了一種新的基于紋理特征和功能的信息的特征局部二進制模式（FLBP）方法。[33],[29][25]and[16]and (ii) the new LRBT feature pixel extraction method helps improve the FLBP eye detection performance when pared with other feature pixel extraction methods。and[1] Local Binary Pattern (LBP)。老師的檢查總是很仔細的，可以認真的看論文的每一個細小的格式要求，認真的讀每一個同學的論文，然后提出最中肯的意見，這是很難得的。 4月初，資料已經(jīng)查找完畢了，程序也已經(jīng)調(diào)試完畢，我開始著手論文初稿的寫作。在這次畢業(yè)論文的寫作的過程中，我擁有了無數(shù)難忘的感動和收獲。 第一組實驗中編號s21志愿者的訓練樣本表 4 ORL 人臉庫（2張訓練圖片，8張測試圖片）（%）方法識別率 第二組實驗中編號s21志愿者的訓練樣本表 5 ORL 人臉庫（4張訓練圖片，6張測試圖片）（%）方法識別率第5節(jié) 結(jié)果與分析傳統(tǒng)的LBP方法只考慮了局部像素點與周邊鄰近像素點之間灰度值的大小關(guān)系，而忽略掉了對比度值。本文實驗主要在ORL人臉庫以及Yale人臉庫進行，其中ORL人臉庫的變換比較小，比較適合反映在穩(wěn)定外部條件下的算法性能，而Yale人臉庫則是包含顯著光照變化以及姿態(tài)變化，所以比較適合測試在實際應(yīng)用狀態(tài)下的人臉識別算法性能。人臉庫圖片主要分為表情變化,光照變化,事物變化,和姿態(tài)變化等四種變化,同時還在距離,背景上加以區(qū)分,可以有效的對人臉識別算法進行評價與測試。(③MIT人臉庫MIT人連數(shù)據(jù)庫是由美國麻省理工學院媒體實驗室所建立。第2節(jié) 人臉庫隨著越來越多的人臉識別算法被人們提出,對人臉識別算法性能的評價與測試工作也逐漸成為了人們關(guān)注的重點。并且這種統(tǒng)計降維的方法可以在每個已有的訓練樣本集上進行。 相同LBP值卻不同局部紋理第2節(jié) 獲取LMCP特征LBP 沒有考慮像素之間對比度的原因是：在光照變化較為強烈時，對比度值會產(chǎn)生嚴重的非線性扭曲，而像素值之間的大小關(guān)系是不容易受光照變化影響的。的量化為1,此時對X)被擴展成了三值形式,如公式所示:由此,二值的LBP算子由三值的LTP算子所代替,式中/是自定義的一個閾值。公式中ω表示頻域中濾波器之間的間距因子。因此，LBP 算子在模式識別和紋理分析等方面得到了極大的推廣和發(fā)展，從而出現(xiàn)了更多新的基于改進LBP擴展算法。將結(jié)構(gòu)方法和隨機方法相結(jié)合源于這樣一個事實，即分配的微觀結(jié)構(gòu)可以被看作是一種統(tǒng)計布局規(guī)則。結(jié)構(gòu)分析方法是分析紋理圖像的結(jié)構(gòu)，從中獲取結(jié)構(gòu)特征。Ojala認為，在圖像中，大部分的LBP模式是最多包含兩次從0到1或者1到0進行跳變，所以將此類LBP所對應(yīng)的二進制稱之為統(tǒng)一等價模式。用比較正式的公式來定義的話：其中代表3x3鄰域的中心元素，它的像素值為，代表鄰域內(nèi)其他像素的值。在人眼里，通常能夠覺察出一幅圖像的紋理，判斷出紋理的存在，但是受到心理感受的影響，以及紋理的表征本來就是一個非常復(fù)雜的過程，所以我們即使能判斷出紋理的存在，但卻不能夠給出一個比較嚴格的定義。 本文組織安排 本文組織安排如下：①第一章：簡要介紹了自動人臉識別的研究背景、現(xiàn)狀和意義，然后概括說明全文的研究工作及各章安排，并指出本文的主要貢獻。另外，隨著目前人臉識別的逐步應(yīng)用，人臉數(shù)據(jù)庫更大，人臉數(shù)據(jù)的存儲也成為一個不可避免的問題，因此，如何提取更加簡單、有效的特征也是目前人臉識別應(yīng)用的難點。這種識別方法不同于上文所寫到的局部特征的是這種方法不再獨立的對人臉面部的局部特征進行檢測，而是把所有的聯(lián)系看作一個整體。正是由于人臉識別技術(shù)重要的理論意義和應(yīng)用價值，及其研究中所具有的挑戰(zhàn)性，致使對人臉識別方法的研究越來越成為當前模式識別和人工智能領(lǐng)域的一個研究熱點。人臉具有相對穩(wěn)定的特征和結(jié)構(gòu)，這為人臉識別技術(shù)帶來了實現(xiàn)的可能。 人臉識別技術(shù)國內(nèi)外現(xiàn)狀人臉識別技術(shù)起源于上個世紀六十年代,1965 年 Chan 和 Bledsoe在Panoramic Research Inc 發(fā)表的學術(shù)報告[3]揭開了人臉識別技術(shù)研究的序幕。采集設(shè)備簡單，使用快捷。但是，如果用戶丟失或損壞了智能卡，他就必須重新輸入數(shù)據(jù)。簽名識別的關(guān)鍵在于區(qū)分出不同的簽名部分，有些是習慣性的，而另一些在每次簽名時都不同。這個樣本就成為生物識別的模板，以后驗證時取得的新樣本要以原始模板為參考進行比較，通常要取多份樣品以得到有代表性的模板。目前，用于身份認證的生物特征可分為兩類：生理特征和行為特征?！罢J證”指的是驗證用戶是否為他所聲明的身份，“辨識”指的是確定當前用戶的身份。傳統(tǒng)的個人身份鑒定的方法主要依靠信物(如各種證件、鑰匙、磁卡等)或身份標識信息(如口令和密碼)，信物攜帶不便且容易丟失、被盜、損壞；身份標識信息容易遺忘、被他人竊取或破解；更為嚴重的是傳統(tǒng)身份認證方法往往無法區(qū)分信物或身份標識信息真正的擁有者和冒充者。生理特征與生俱來，多為先天性的，包括指紋、掌紋、手形、臉型、虹膜、視網(wǎng)膜、耳廓、DNA(脫氧核糖核酸)等；行為特征則是習慣使然，多為后天性的，包括筆跡、話音、步態(tài)、擊鍵動作等。取樣的過程和結(jié)果對于生物識別成功與否至關(guān)重要。 儲存模板取樣之后，模板要經(jīng)過加密儲存起來。另一個要考慮的是成本和系統(tǒng)復(fù)雜性問題，因為要集成的東西很多。一般來說，常見的攝像頭就可以用來進行人臉圖像的采集，不需特別復(fù)雜的專用設(shè)備。經(jīng)過幾十年的發(fā)展,特別是近二十年來,人臉識別成為模式識別和人工智能領(lǐng)域內(nèi)的熱門研究課題,引起了國內(nèi)外各知名大學、研究所及一些公司的廣泛關(guān)注,每年都有大量的相關(guān)學術(shù)論文發(fā)表隨著人臉識別算法研究的深入,公正合理地測試各種算法的性能也成了不少機構(gòu)的研究課題。但人臉具體形態(tài)的多樣性和所處環(huán)境的復(fù)雜性又造成了識別的巨大困難。第三節(jié) 人臉識別算法分類目前，對現(xiàn)有的人臉識別算法很難進行準確的分類，因為不同的研究者，可能會從不同的角度對已有的人臉識別方法進行歸納和分類。這種方法不單止是保留了人臉中各部件的拓撲關(guān)系，還保留了各個部件自己的信息。局部二值模式[4](Local Binary Pattern, LBP)是一種有效的紋理描述算子，它具有旋轉(zhuǎn)不變性和灰度不變性等顯著的優(yōu)點。②第二章：簡要介紹了 LBP 算子的提出，并指出基本LBP算子的缺點，并對幾種改進LBP算子做出基本介紹。在目前為止，在計算機視覺研究中還沒有一個非常明確的定義，即使我們能夠明確的覺察出兩個不同的紋理，但我們卻不能夠準確的使用數(shù)學公式或者語言描述出兩者的差異，因此紋理分析是一個更為復(fù)雜并且具有挑戰(zhàn)性的問題。s(x)是符號函數(shù)，定義如下：圓形LBP 算子最基本的LBP算子，存在著缺陷其中最大的就是他不能滿足不同情況下的需求，例如不同的尺寸，不同的頻率紋理的需求。如從基本的LBP算子的8bit數(shù)表示 00000000為0次跳變，00111111為1次跳變，00110000為2次跳變，以此類推這些都是等價模式。這類首先將紋理看成是有許多紋理基元按照一定的位置規(guī)則組成的，然后分提取紋理基元并推論紋理基元位置規(guī)律，也有直接去探求紋理構(gòu)成的結(jié)構(gòu)規(guī)律的。LBP具有原始紋理和布局規(guī)則，因此，LBP分布具有結(jié)構(gòu)分析的特點；另一方面，這種分布又可以看做是圖像經(jīng)過一種非線性濾波后的統(tǒng)計，這明顯又具有統(tǒng)計分析方法的特點。 LGBP在原始的LBP描述子的基礎(chǔ)上,張文超等人提出了 LGBP (Local Gabor Binary Pattern)描述子。當選擇5個尺度和8個方向的Gabor濾波器的時候,將這40個濾波器與原圖像進行卷積計算會產(chǎn)生40幅Gabor能量圖像。正是因為閾值的存在,使得LTP算子對于局部噪聲更加的魯棒,但是也使得LTP算子不再像LBP算子一樣具有嚴格的灰度不變性。提出一種折中方案：將不同光照下的人臉圖片進行平滑操作，將光照變化對圖片的影響控制在一定的范圍之內(nèi)，然后將像素值之間的對比度值映射到某個層次上去，得到由多個二進制值決定的LMCP特征值，將此LMCP值作為人臉特征，可以得到非常好的識別效果。此外，還應(yīng)該考慮到每個層次 特征對整體 特征的貢獻程度是不一樣的，對比度越大反映的細節(jié)特征越明顯，而人臉的本質(zhì)特征主要就蘊含在細節(jié)信息中。只有通過統(tǒng)一標準的評價與測試才能夠獲得人臉識別算法間的差距,為了解決這一問題,國內(nèi)外的很多著名的大學,研究機構(gòu)相繼推出了各自的標準人臉數(shù)據(jù)庫,下面將進行簡單的介紹。人臉庫中主要包含了從16名志愿者所提取的2592張人臉圖片。⑥0RL人臉庫ORL人連數(shù)據(jù)庫是有贏過劍橋大學在早起創(chuàng)立的人臉數(shù)據(jù)庫。 Matlba運行結(jié)果以及運行消費總時間 實驗方法實驗包括了Yale和ORL人臉庫，每個實驗均采用了最小距離法作為分類器。這些丟棄的對比度值卻往往蘊含著大量的紋理特征，也是表示物體表面細節(jié)特征的重要組成部分。2月初，在與導(dǎo)師的交流討論中我的題目定了下來，是：基于改進LBP的人臉識別算法研究， 當開題報告定下來之后，我便立刻在網(wǎng)上著手資料的收集工作中，當時面對眾多網(wǎng)絡(luò)資料庫的文章真是有些不知所措，不知如何下手。初稿的寫作顯得邏輯結(jié)構(gòu)有點不清晰，總是想到什么相關(guān)的問題就去寫，而沒有很好的分出清晰的層次，讓文章顯得有點凌亂，這樣的文章必然是不符合要求的，但畢竟是初稿，在老師的指導(dǎo)下還要進行反復(fù)的修改。參考文獻 [1] E. Newham. The Biometric Report[R]. SJB Services, New York, 1995.[2] Biometrics Market and Industry Report 20072012[R]. International Biometric Group, 2007.[3] H. Chan and . A manmachine facial recognition system: some preliminary results[R]. Technical report, Panoramic Research Inc., Cal, 1965.[4]T. Ojala, M. Pietikainen, D. Harwood. A parative study of texture measures with classification based on feature distributions[J]. Pattern Recognition, 1996, 29(1):5159.[5]T. Ojala, M. Pietikainen, T. Maenpaa. Multiresolution gray scale and rotation invariant texture classification with local binary patterns[J]. IEEE Trans. on Pattern Analysis and Machine Intelligence, 2002, 24(7):971987.[6]X. Qing, Y. Jie, D. Siyi. Texture segmentation using LBP embedded region petition[J]. Electronic Letters on Computer Vision and Image Analysis, 2005, 5(1):4147.[7]T. Ahonen, A. Hadid, M. Pietikainen. Face recognition with local binary patterns[C]. In:Proc. of 8th European Conference on Computer Vision, Prague, Czech, 2004: 469481.[8]蔣思洋. 基于擴展LBP特征的人臉識別系統(tǒng)研究[D].電子科技大學,2012.[9]康健. 基于多閾值多尺度LBP的人臉識別研究[D].北京郵電大學,2013.[10]胥淘. 基于局部二值模式的人臉識別算法研究[D].中南大學,2010.[11]李銳杰. 基于LBP的人臉圖像集識別算法的研究[D].吉林大學,2014.[12]陸華. 基于局部二值模式的人臉識別和表情識別研究[D].山東大學,2014.[13]郭強. 基于改進LBP特征的人臉識別系統(tǒng)[D].西安電子科技大學,2013.[14]岳林. 基于MBLBP特征的人臉識別方法研究[D].西安電子科技大學,2013.[15]胥淘. 一種基于改進LBP算子的人臉識別算法研究[J]. 電腦與信息技術(shù),2010,06:3638.[16]王月華. 基于LBP的特征空間研究及其在自動人臉識別中的應(yīng)用[D].南京航空航天大學,2006.[17]翁寧龍,劉冉,吳子章. 一種改進的LBP特征的人臉識別方法[J]. 信息通信,2011,03:34.[18]馬麗,劉高原,呂海蓮. 基于二階LBP的人臉識別研究[J]. 河南大學學報(自然科學版),2013,06:703706.