【正文】 he two problems.We present in this paper a new Feature Local Binary Patterns (FLBP) method that encodes the information of both local texture and features. The features are broadly defined by any features which meet the requirements of specific applications, such as the edges, the intensity peaks or valleys, the Gabor wavelet features[4] Distance vector。 在這次畢業(yè)論文中同學(xué)之間互相幫助，共同商量相關(guān)專業(yè)問題,這種交流對于即將面臨畢業(yè)的我們來說是一次很有意義的經(jīng)歷,大學(xué)四年都一起走過了,在最后我們可以聚在一起討論學(xué)習(xí),研究專業(yè)問題,進(jìn)而更好的了解我們每個人的興趣之所在,明確我們的人生理想,進(jìn)而在今后的生活和工作中更好的發(fā)揮自己的優(yōu)勢,學(xué)好自己的專業(yè),成為一個對于社會有用的人. 在此更要感謝我的專業(yè)老師，是你們的細(xì)心指導(dǎo)和關(guān)懷，使我能夠順利的完成畢業(yè)論文。然后及時拿給老師進(jìn)行溝通，聽取老師的意見后再進(jìn)行相關(guān)的修改。論文的寫作是一個長期的過程，需要不斷的進(jìn)行精心的修改，不斷地去研究各方面的文獻(xiàn)，認(rèn)真總結(jié)。然后實(shí)驗分成3個子實(shí)驗，實(shí)驗1用set1當(dāng)作訓(xùn)練樣本，實(shí)驗2以set3當(dāng)作訓(xùn)練樣本，實(shí)驗3以每個人光照比較好的一張圖片當(dāng)作訓(xùn)練樣本。第三節(jié) 實(shí)驗環(huán)境,步驟及參數(shù)設(shè)置 實(shí)驗環(huán)境本文實(shí)驗是在PC機(jī)上進(jìn)行，系統(tǒng)為Windows7 SP1，中央處理器為 Inter Core i52430M，4G內(nèi)存。⑤CAS_PEAL人臉庫CAS_PEAL人連數(shù)據(jù)庫是由中國科學(xué)院計算技術(shù)研究所負(fù)責(zé)建立的大規(guī)模的,從不同角度獲得的人臉數(shù)據(jù)庫,同時也是國內(nèi)較為全面,標(biāo)準(zhǔn)的人連數(shù)據(jù)庫之一。②FERET入臉庫FERET[^人臉庫是目前最大的人臉數(shù)據(jù)庫,是由美國國防部高級研究項目屬于美國陸軍研究實(shí)驗室共同建立的。圖 經(jīng)過了預(yù)處理后得到的圖像第四章 實(shí)驗與結(jié)果分析第一節(jié) 引言本章節(jié)將會對上文所提出的基于LMCP的人臉識別算法進(jìn)行實(shí)驗測試，目的在于證明此算法相對于原始LBP算法的性能提升。 有256 種取值可能，然而，經(jīng)過大量不同光照下人臉圖像的統(tǒng)計，發(fā)現(xiàn)占據(jù)90%出現(xiàn)次數(shù)以上的 值大概在40 個左右。第3章 LMCP方法第1節(jié) LBP方法的缺點(diǎn)LBP方法只考慮了中心像素點(diǎn)與鄰居像素點(diǎn)之間的大小關(guān)系，而沒有考慮到它們之間的對比度，因此會出現(xiàn)圖2 所示的情況。LTP的計算方法是將與中心像素的像素差值在之內(nèi)的鄰域像素量化為0,除此之外大于amp。根據(jù)設(shè)置不同的參數(shù),Gabor濾波器可以在不同尺度、不同方向上提取圖像局部特征。這似乎也符合神經(jīng)學(xué)家在人眼視覺方面的發(fā)現(xiàn)。每個像素點(diǎn)由一個與之最匹配的局部鄰域的原始紋理形成的碼值來標(biāo)記?；驹硎沁x擇不同的統(tǒng)計量對紋理圖像的統(tǒng)計特征進(jìn)行提取。所以我們需要進(jìn)行降維。到此，我們得到了中間點(diǎn)的LBP值154。第2章 LBP 算子基本原理及應(yīng)用第一節(jié) LBP 算子概述 紋理概述 提起紋理，這個是在圖像中最常用的概念，在物體的表面上因為物理屬性的不同而造成某個特定表面特征的灰度以及顏色信息，這我們稱之為紋理。本文主要研究了采用 LBP 進(jìn)行人臉特征提取，在 LBP 的基礎(chǔ)上，才用了一種LMCP方法，解決了LBP因為沒有考慮到像素值之間的對比度從而丟失了重要的紋理特征這個缺點(diǎn)。計算機(jī)自動人臉識別跨越了模式識別、圖像處理、信息安全、神經(jīng)生理學(xué)、心理學(xué)和認(rèn)知科學(xué)等諸多研究領(lǐng)域，其難度和研究價值不言而喻。而基于局部特征人臉識別就是將這些人臉之中的這種特殊的位置特點(diǎn)的形狀參數(shù)以及類別參數(shù)一起組合成識別特征矢量。人臉識別本質(zhì)上是要賦予計算機(jī)區(qū)分不同人類個體的能力，也就是“看”的能力。但對計算機(jī)來說，卻是一個極其復(fù)雜的課題。一個沒有經(jīng)過特殊訓(xùn)練的人，無法利用指紋和虹膜圖像對其他人進(jìn)行身份識別。與其它生物識別技術(shù)相比較，人臉識別具有：非侵?jǐn)_性。這是一個很吸引人的想法。簽名識別是建立在簽名時的力度上的。 生物識別的過程 一個優(yōu)秀的生物識別系統(tǒng)要求能實(shí)時迅速有效地完成其識別過程。人體所固有的生物特征有許多，一般認(rèn)為，能夠用來認(rèn)證身份的生物特征應(yīng)該具有以下的特性：①普遍性：每個正常人都應(yīng)該具有這種特征； ②惟一性：不同的人應(yīng)該具有各不相同的特征；③可采集性：所選擇的特征可以定量測量；④穩(wěn)定性：所選擇的特征至少在一段較長的時間內(nèi)是不變的，并且特征的采集不隨條件、環(huán)境的變化而變化。而隨著計算機(jī)及網(wǎng)絡(luò)技術(shù)的高速發(fā)展，電子商務(wù)、網(wǎng)上銀行、公共安全等領(lǐng)域的信息安全顯示出前所未有的重要性，個人身份鑒定是保證系統(tǒng)安全的必要前提。顯然，這些致命的缺點(diǎn)使得傳統(tǒng)的身份鑒定方法已經(jīng)完全不能滿足現(xiàn)代社會的要求，于是人們亟需尋找一種更方便、更可靠、更安全的身份驗證方式?；谶@些特征，人們發(fā)展了指紋識別、面部識別、發(fā)音識別等多種生物識別技術(shù)。例如，面孔識別系統(tǒng)通過分析臉部特征的唯一形狀、模式和位置來辯識人。②存放在遠(yuǎn)程中央數(shù)據(jù)庫里。在有些系統(tǒng)中，參考用的模板是隨著每一次有效的交易過程而動態(tài)更新的。通過人臉識別身份，與人類的習(xí)慣一致。另外,國內(nèi)的很多高校,如清華大學(xué)、哈爾濱工業(yè)大學(xué)、南京理工大學(xué)、復(fù)旦大學(xué)、南京大學(xué)、西安電子科技大學(xué)等,也在進(jìn)行人臉識別相關(guān)領(lǐng)域的研究。人臉識別問題的深入研究和最終解決，可以極大地促進(jìn)這些學(xué)科的成熟和發(fā)展。這里，根據(jù)特征提取的方法、特征形式的不同，我們將人臉識別方法主要分為三類：基于局部特征、基于全局特征、基于混合特征。天然的人臉識別系統(tǒng)中并不是單一的局部以及全局的運(yùn)用，而是從這兩個方面同時進(jìn)行作用，二者同樣的重要，并且這一類不能很好的區(qū)分出主要是運(yùn)用了局部特征方法還是全局特征方法。Ahonen 等將 LBP 算子引入了人臉識別[7]，他們將人臉圖像劃分為幾個互不重疊的區(qū)域，利用 LBP 的局部特性和直方圖方法的統(tǒng)計特性，一定程度上實(shí)現(xiàn)了局部特征與全局特征的結(jié)合，該方法在 FERET 人臉庫上取得了較好的實(shí)驗效果。然后描述LMCP特征值的獲取方法，并將其用于人臉識別中。 基本LBP定義，我們要計算的中間那個點(diǎn)的LBP。如下圖定義的的5*5領(lǐng)域 5*5領(lǐng)域的圓形LBP算子，每個點(diǎn)可以各自計算出它的值：其中為鄰域中心點(diǎn)，為某個采樣點(diǎn)。第2節(jié) LBP 的特點(diǎn)紋理同時具有隨機(jī)性和結(jié)構(gòu)性的特點(diǎn)，為了定量描述紋理，多年來人們建立了許多紋理算法以測量紋理特性。任何紋理圖像都包含了統(tǒng)計特征和規(guī)律特征兩種特征，因此，使用單一的統(tǒng)計分析方法或結(jié)構(gòu)分析方法都很難取得令人滿意的分類效果。第3節(jié) LBP 算子的發(fā)展和演化LBP 算子從提出至今，引起了許多學(xué)者的興趣和關(guān)注。LGBP方法對光照變化、表情變化都具有一定的魯棒性,并且有效地提高了人臉識別率。 LTP根據(jù)LBP編碼公式中的。為了計算簡單并且運(yùn)用現(xiàn)有LBP算子的一些研究成果,我們將LTP算子的分為正負(fù)兩個部分,將其看作兩個獨(dú)立通道的LBP算子對待,并且分別計算其分割后的灰度直方圖和相似度矩陣,最后才將這兩個部分結(jié)合在一起作為一個特征來對待。在半徑為R，點(diǎn)為P 的局部區(qū)域，每個鄰居點(diǎn)對應(yīng)的對比度層次由下式計算所得：式中，max C 、min C 分別代表鄰居點(diǎn)和中心點(diǎn)之間的對比度最大值和最小值，L 表示分層數(shù)量。這里采用的權(quán)重與層次相同，即： = i, i = 1，2，…，L 。人臉庫中主要包含了 15個不同人的11幅不同光照,姿態(tài),表情的人臉圖片。④CMU人臉庫CMU人臉庫是由美國卡耐基梅隆大學(xué)(CMU)于2000年創(chuàng)立的共包含41368張人臉圖片的較為大型的人連數(shù)據(jù)庫。人臉數(shù)據(jù)庫中人臉圖片的外部條件變化不是特別明顯,主要適用于人臉?biāo)惴ㄔ谳^為理想外部條件下的測試工作。同時，Ahenon 指出LBP 方法用于人臉識別，P = 8，R = 2 時能夠得到最好的效果。另外，還通過統(tǒng)計映射的方法降低了LMCP 的特征維度。主要是為了發(fā)現(xiàn)過去那些論文之中的觀點(diǎn)，然后避免有重復(fù)的觀點(diǎn)出現(xiàn)。當(dāng)我們看到自己的努力有收獲的時候，總是會有那么一點(diǎn)點(diǎn)自豪和激動。that only pares a pixel with the pixels in its own neighborhood。 Eye detection。[2]proposed a method that applies two relationships: “l(fā)ess than or equal to” or “greater than” that are represented by two possible values: 0 or 1. The method thus reduces the total number of texture units from 6561 to 256, which can be represented by eight binary numbers. The two relationship version of texture units is named as Local Binary Patterns or LBP[9],LBPface recognition. In particular, a face image is divided into several regions where the LBP feature distributions are extracted and concatenated to form an enhanced feature vector, which serves as a face descriptor. Zhang and Gao[18]andproposed a method that extracts the center point between the two eyes. Based on the observation that the betweeneye area is dark on its left and right (eyes and eyebrows) and bright on the upper side (forehead) and the lower side (nose bridge), they proposed a circlefrequency filter to locate the candidate points. Sirohey et al.[27]andand基于距離矢量場和FLBP參數(shù)，可以形成給定圖像的FLBP特征值。最后，在與國家的最先進(jìn)的一些方法相比，我們的FLBP方法所能達(dá)到的眼科中心的定位精度最高。該FLBP可以在鄰域，與其他鄰居像素點(diǎn)比較。[33]first extract the intensity valleys as the potential eyeanalog segments. A pair of eyeanalog segments is then detected as eyes if its placement is most consistent with the anthropological characteristic of human eyes. Khosravi and Safabakhsh[28]described an eye model that consists of six landmarks corresponding to the eye corner points, which are located based on a variance projection function or VPF. Zhou and Geng[19]proposed a highorder local pattern descriptor, Local Derivative Pattern (LDP), for face recognition. Hussain and Triggspattern recognitionandpattern recognition[3]. At an earlier stage for texture analysis, Wang and He Feature Local Binary Pattern (FLBP)。這是一次意志的磨練，是對我實(shí)際能力的一次提升，相信對我未來的學(xué)習(xí)和工作有很大的幫助。盡量使我的資料和論文的內(nèi)容符合，這有利于論文的撰寫。第5章 總結(jié)與致謝2015年2月，我開始了我的畢業(yè)論文工作，經(jīng)過長時間的寫作到現(xiàn)在論文基本完成。第4節(jié) 實(shí)驗 基于Yale人臉庫的實(shí)驗Yale人臉庫中包含了十個人的人臉圖像，每一個人都有64張在不同光照下拍攝的正面圖像，我們在此將這些圖像按照不同的光源角度分為五個部分，set1到set5，從set1開始光照條件逐漸減弱。不同的人臉數(shù)據(jù)庫,圖像的質(zhì)量和內(nèi)容也是不同的,為了客觀的、全面的測試人臉識別算法的性能,考慮不同因素對識別方法的影響,本文在ORL和Yale兩個標(biāo)準(zhǔn)人臉庫上分別進(jìn)行人臉識別實(shí)驗。該人臉庫針對每一名志愿者從43種光照條件,4種表情以及13種不同姿態(tài)出發(fā)進(jìn)行人臉閣片的獲取。Yale人臉庫還包括Yale B人臉庫,在B庫中主要包含了5760張人臉圖片,分別為10個不同人臉在9中姿態(tài),64種不同外部條件下拍攝的。本文采用了4個步驟進(jìn)行光照歸一化操作：（1）使用公式，將圖像轉(zhuǎn)換到對數(shù)域；（2