【正文】 iminary 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,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.[19]王一丁,李鎏,楊虹. 使用漢明距離約束的LBP人臉識別算法[J]. 計算機工程與應用,2009,27:188190+236.[20]趙葛宏. 基于小波多層次LBP算法的生物特征識別與分類[D].昆明理工大學,2012.[21]毛科. 基于局部二值模式的人臉識別算法研究[D].華南理工大學,2010.[22]王凱. 基于圖像紋理特征提取算法的研究及應用[D].西南交通大學,2013.[23]趙懷勛,徐鋒,陳家勇. 基于多尺度LBP的人臉識別[J]. 計算機應用與軟件,2012,01:257259+279.[24]王憲,張彥,慕鑫,張方生. 基于改進的LBP人臉識別算法[J]. 光電工程,2012,07:109114.[25]黃非非. 基于LBP的人臉識別研究[D].重慶大學,2009.[26]周凱. 基于局部二值模式的人臉識別方法研究[D].中南大學,2009.[27]閆偉紅. 基于LBP統(tǒng)計特征的人臉識別方法研究[D].安徽大學,2010.附 錄 英文原文：Feature local binary patterns with application to eye detectionAbstractThis paper presents a new Feature Local Binary Patterns (FLBP) method that encodes the information of both local texture and features. The features are broadly defined by, for example, the edges, the Gabor wavelet features, the color features, etc. Specifically, a binary image is first derived by extracting feature pixels from a given image, and then a distance vector field is obtained by puting the distance vector between each pixel and its nearest feature pixel defined in the binary image. Based on the distance vector field and the FLBP parameters, the FLBP representation of the given image can be formed. In contrast to the original老師對于學生總是默默的付出,盡管很多時候我們自己并沒有特別重視論文的寫作,沒有按時完成老師的任務,但是老師還是能夠主動的和我們聯(lián)系,告訴我們應該怎么樣修改論文,怎么樣按要求完成論文相關的工作。這是一次意志的磨練，是對我實際能力的一次提升，相信對我未來的學習和工作有很大的幫助。當我們看到自己的努力有收獲的時候，總是會有那么一點點自豪和激動。初稿的寫作顯得邏輯結構有點不清晰，總是想到什么相關的問題就去寫，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，在老師的指導下還要進行反復的修改。老師的意見總是很寶貴的，可以很好的指出我的資料收集的不足以及需要什么樣的資料來完善文章。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。主要是為了發(fā)現(xiàn)過去那些論文之中的觀點，然后避免有重復的觀點出現(xiàn)。2月初，在與導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)絡資料庫的文章真是有些不知所措，不知如何下手。歷經(jīng)了這么久的努力，終于完成了畢業(yè)論文。第5章 總結與致謝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。另外，還通過統(tǒng)計映射的方法降低了LMCP 的特征維度。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。 作為實驗1中的set1部分訓練樣本表 1 在Yale人臉庫中對LMCP和LBP進行實驗1的對比 （%）Set2Set3Set4Set5Ave圖 表 2 在Yale人臉庫中對LMCP和LBP進行實驗2的對比 （%）Set1Set2Set4Set5Ave圖 表 3 在Yale人臉庫中對LMCP和LBP進行實驗3的對比 （%）Set1Set2Set3Set4Set5Ave 基于ORL人臉庫的實驗我們抽取了0RL人臉庫中40個人,每人10張閣片共400張圖片，采用了 2張訓練圖片8張測試圖片；4張訓練圖片，6張測試圖片這兩組來進行了實驗,測試次數(shù)為400次。第4節(jié) 實驗 基于Yale人臉庫的實驗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。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。 Matlba運行結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。本文代碼是基于matlab中的M語言所寫，使用的編譯環(huán)境為Matlab 2010b。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兩個標準人臉庫上分別進行人臉識別實驗。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,主要適用于人臉算法在較為理想外部條件下的測試工作。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。該數(shù)據(jù)庫中包含了分別屬于1040志愿者的99450張不同的人臉圖片。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)進行人臉閣片的獲取。④CMU人臉庫CMU人臉庫是由美國卡耐基梅隆大學(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。人臉庫中主要包含了從16名志愿者所提取的2592張人臉圖片。截至1997年,該人臉庫中總共包含了分別屬于1199人的14126張人臉圖片,人臉圖片分別是在不同的外部條件(光照,姿態(tài),表情,時間間隔)下進行拍照獲得。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。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。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。本文中的測試主要使用Yale人臉庫以及ORL人臉庫上進行。本文采用了4個步驟進行光照歸一化操作：（1）使用公式，將圖像轉換到對數(shù)域；（2）利用差分高斯濾波器（ = ， = ），對圖像進行平滑；（3）使用下述3 個公式（α = ，τ = 10），對圖像進行全局對比度均衡化[26]：（4） 使用直方圖均衡化，以增強對比度。這里采用的權重與層次相同，即： = i, i = 1，2，…，L 。此外，還應該考慮到每個層次 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。如果將不屬于這些取值范圍的 全部歸為另一種取值，那么可以將特征維度大約降低為原來的1/6 。 LMCP特征值的求取過程第3節(jié) 將LMCP特征用于人臉識別將特征用于人臉識別時，參照Ahenon[20]方法，將人臉區(qū)域劃分為N 個局部方塊區(qū)域，并在每個區(qū)域中對每個 使用下列公式求得直方圖：可將不同區(qū)域的聯(lián)合起來，得到描述全局人臉多對比度層次特征的直方圖：當L = 4，P = 8，R = 1，N = 49 時，H 具有的特征維度高達*N*L = *49 *4 = 50176 ，顯然需要采取一定的措施進行降維處理。在半徑為R，點為P 的局部區(qū)域，每個鄰居點對應的對比度層次由下式計算所得：式中，max C 、min C 分別代表鄰居點和中心點之間的對比度最大值和最小值，L 表示分層數(shù)量。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。圖中左右兩幅圖片表示圖像局部區(qū)域像素值，它們得到的LBP 值完全相同，但是卻忽略掉了十分重要的對比度信息，而對比度的不同恰恰是這兩個局部區(qū)域紋理的最重要特征。通過對 LBP 算子的產(chǎn)生和發(fā)展進行深入研究，我們對LBP的定義以及其特點有了一定的了解。為了計算簡單并且運用現(xiàn)有LBP算子的一些研究成果,我們將LTP算子的分為正負兩個部分,將其看作兩個獨立通道的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合在一起作為一個特征來對待。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。的量化為1,小于g。LTP模式不僅延續(xù)了 LBP模式的主要優(yōu)點而且對于局部區(qū)域的噪聲更加的魯棒。 LTP根據(jù)LBP編碼公式中的。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。二維的Gabor濾波器可以表示為公式其中μ和γ為Gabor濾波器的方向和尺度, 。二維Gabor濾波器在空間上由高斯窗函數(shù)和正弦平面波調(diào)制得到。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。 LGBP在原始的LBP描述子的基礎上,張文超等人提出了 LGBP (Local Gabor Binary Pattern)描述子。LBP 算子具