《三種人臉識別算法的實現(xiàn)及性能比較研究》12000字（論文）

三種人臉識別算法的實現(xiàn)及性能比較研究目錄第一章：緒論51.1研究背景及意義51.2研究現(xiàn)狀及發(fā)展趨勢和存在的問題61.3人臉識別主要技術(shù)指標71.3.1識別率71.3.2識別速度71.3.3數(shù)據(jù)存儲量71.3.4數(shù)據(jù)可拓展性71.4本文主要工作及章節(jié)安排8第二章：基于Eigenface的人臉識別92.1基本原理92.2仿真實驗122.3實驗結(jié)果與分析12第三章：基于Fisherface的人臉識別132.1基本原理132.2仿真實驗142.3實驗結(jié)果與分析14第四章：基于LBPH的人臉識別152.1基本原理152.2仿真實驗202.3實驗結(jié)果與分析20第五章：總結(jié)與展望215.1總結(jié)215.2展望21第一章：緒論1.1研究背景及意義眾所周知，人類的生存發(fā)展過程中，并不是僅僅作為一個獨立的個體而存在，還需要依靠自然界的輔助并與之交流。根據(jù)這些，我們可以將這些獲取得到信息的方式進行分類類比。其中，這些方式之中的視覺大概占了60%，而聽力部分占了約有20%，剩余的占比則被人類的其他感官所占據(jù)。根據(jù)上述的數(shù)值占比我們可以看到，眼睛作為感知自然的一個重要器官，利用眼睛視力，對于人類獲取的場景進行區(qū)分。對比之下，我們的面額代表的場景是自身的信息。人臉上的肌肉動作，眼、鼻、嘴、耳、口的形狀，大小，甚至是膚色都能夠成為我們?nèi)四樧R別的識別對象。隨著我們社會的不斷進步，如果不使用人臉識別這種技術(shù)方法，可能會達不到我們?nèi)粘Ｉ钪械男枨?。人臉跟?FaceTracking)是指在視頻圖像之中，通過與相關(guān)人臉的幀數(shù)比對去確定是否是要進行人臉跟蹤的對象。人臉識別(FaceRecognition)是在對視頻或者圖片中的人臉進行一些基本的檢測，之后再對人臉的人臉的REF_Ref9503\r\h[5]局部特征進行對比分析，從這些得到的數(shù)據(jù)中獲取對我們有意義的信息，即人臉特征。眾所周知，人的面部結(jié)構(gòu)特征都是通過隨機的自然組合得來的，人與人之間的表情特征，皮膚紋理，大小形狀等各個方面都是不同的，并且也會隨著人的衰老變得不同。所以每次進行仿真實驗的過程中，因為環(huán)境變化、人員變動等不同因素帶來的影響都有可能對實驗帶來誤差，這些因素都對人臉識別的難度有了極大地提升。相同的，圖像是否快速運動，人臉遮擋與否，在不同的人臉識別處理方式中都會收到不同程度上的影響。隨著科技的不斷發(fā)展，目前來講市面上的人臉識別系統(tǒng)大都需要用戶的正面人臉保持不動才能準確識別人臉信息。但事實上我們都生活在一個快速運動的環(huán)境之中，這些環(huán)境為更先進的人臉識別的發(fā)展創(chuàng)造了阻礙。未來的時間中，人臉識別這一方向一定會有更加出色的發(fā)展，變得更加簡單深刻，與此同時，計算機硬件也有可能會被這一領(lǐng)域所帶動，迎來更多的專家學著投入其中。圖像采集處理技術(shù)在信息處理技術(shù)之中占據(jù)著舉足輕重的地位，發(fā)展方向眾多。1960年左右，人們才開始把目光投向人臉識別技術(shù)之上，在這60年左右的時間里，大批的科研團隊投入其中，近些年來越來越多的人也開始投入到這方面來，不斷地往這方面投入人力物力來充分發(fā)展。1.2研究現(xiàn)狀及發(fā)展趨勢和存在的問題我們自身網(wǎng)絡的安全問題在這十幾年來逐漸成為了我國不得不面對的事實，社會的安定團結(jié)才會促進經(jīng)濟的穩(wěn)定進步。在電視上我們經(jīng)?？梢钥吹?，有些不法之徒通過各種手段犯罪，會對國家的經(jīng)濟發(fā)展和人民大眾的財產(chǎn)和生命安全帶來危害。要防止這一類的事情發(fā)生，我們就需要使用生物特征識別技術(shù)來作為技術(shù)保障。目前我國大約有14億五千萬人口，在全世界之中的土地面積排行第二。而且人口流動量大，我們?nèi)绻褂蒙锾卣髯R別技術(shù)的話，可以有效的攔截那些具有敏感身份的人員，提高國民的安全系數(shù)。目前來講，每當世界各國舉辦任意的大型活動時，各個機場、鐵路、輪船都會存在大量的出入境信息，而我們?nèi)绻栌蒙锾卣髯R別技術(shù)來對所有人進行例行檢查，那么便可以減少乃至杜絕大多數(shù)危險傷害事件的發(fā)生。隨著網(wǎng)絡的快速發(fā)展，互聯(lián)網(wǎng)給人們帶來了方便快捷的同時也夾雜著一些潛在的危險。大多數(shù)人在網(wǎng)上進行瀏覽是使用的都是自己的真實身份，這給了網(wǎng)絡黑客或者一些不法分子有利可乘的機會。再過去的幾十年里，被黑客盜取錢財，盜取個人信息的事情數(shù)不勝數(shù)，甚至還有部分不法分子想要利用網(wǎng)絡來獲取真正的會危害到國家安全的信息。而生物特征識別技術(shù)就能夠非常全面的解決人們在互聯(lián)網(wǎng)當中的網(wǎng)絡安全問題，可以在極大程度上保證自己的權(quán)利不受侵害的同時進行暢快的網(wǎng)絡瀏覽。而說到物種甄別科技，原理很簡單，就是通過特征的甄別，比如臉部、手指、視網(wǎng)膜甄別實現(xiàn)的。這幾類甄別措施內(nèi)，臉部甄別比較簡便，就是對面部信息進行辨別，與個人在網(wǎng)絡上留存的身份信息進行對比，有著唯一性的可靠屬性?？煽啃愿咦匀灰簿透菀妆蝗藗兯邮?。當然，事物總是會具有兩面性，人臉識別在擁有各種優(yōu)勢的同時，也會有各方面不同的劣勢存在。比如說我們的面部表情永遠都不會是一成不變的，身份證上的照片因為各種原因總會與本人存在各種各樣的差異，在環(huán)境變化，或者本人化妝情形，臉部甄別有些不足，對于解決這種情況對于后續(xù)的進步發(fā)展提出了新的要求，舉例說明，臉部甄別時亮度也會似的人臉的采集出現(xiàn)問題，很多魯棒性不好的程序?qū)庹諞]有很好的‘抵抗力’，所以會直接影響到人臉采集的結(jié)果。所以我們?nèi)绻胍谖磥碓谌魏螘r間地點都能完美的使用人臉識別技術(shù)的話，就必須要克服這些問題。1.3人臉識別主要技術(shù)指標1.3.1識別率這就是數(shù)據(jù)整合階段常見的問題，針對這個問題的出現(xiàn)，甄別無誤的情況占據(jù)了全體甄別數(shù)據(jù)的比重顯得尤為重要。在判定因素內(nèi)，影響最大同時也是占比最大的因素就是識別率，作為核心考慮因素，若系統(tǒng)對于其符合率的數(shù)值不能做到標準值的話，那么系統(tǒng)的其余考慮方面都沒有意義。1.3.2識別速度對于系統(tǒng)來說，如果其甄別速率符合了標準，達到了一定數(shù)值，這時候需要系統(tǒng)著重探究的一個因素就是甄別需要花費的時間長短的問題了，這個因素直接影響的就是程序客戶在體驗這個程序中所要付出的時間長短，如果消耗過長，那么對于客戶來說造成的就是無端的浪費，那么這個客戶就已經(jīng)消失了。這個程序消耗的時間主要在處理和甄別兩個階段。首先，處理消耗的客戶看不到，雖然有這樣的問題，同樣的也需要進行預先處置，這也是文章前序沒有提及的原因。任何強烈的要求，只需要在一個可以接受的時間范圍內(nèi)就可以了。但是我們測試樣本時系統(tǒng)的反應速度，也即是所用的時間就顯得尤其的重要，這個時間的多少是這個應用好壞與否的關(guān)鍵因素，所以怎么樣才能將時間控制在我們可以接受的范圍之內(nèi)就顯得非常重要了。1.3.3數(shù)據(jù)存儲量面部甄別程序的工作原理可以理解為，這項工作是基于一整個的互聯(lián)網(wǎng)基礎(chǔ)上進行的，優(yōu)秀的互聯(lián)網(wǎng)存儲庫內(nèi)保存著數(shù)不盡的信息，這樣多的基數(shù)信息，同樣產(chǎn)生了負面的影響，那就是程序運行期間需要進行大量的算法才能完成此項工作。1.3.4數(shù)據(jù)可拓展性為了保持程序的正常運行，不會在關(guān)鍵時刻出現(xiàn)不可挽回的錯誤，對于系統(tǒng)信息的質(zhì)量監(jiān)護是重中之重，雖然這項工作經(jīng)常被人所忽略，但是他的實際作用非常大，隨著后續(xù)時代的發(fā)展，程序也需要跟隨客戶需求進行變更，可能就會存在程序信息擴容或者精簡的問題，研發(fā)者需要考慮的就是未來可能發(fā)生的事件，只有擁有前瞻性才可以完美應對未來的發(fā)展趨勢。1.4本文主要工作及章節(jié)安排本文的主要研究換內(nèi)容為：基于Fisherface的人臉識別方法、基于EigenFaces特征臉的人臉識別方法和局部二值模式LocalBinaryPatterns（LBP)人臉識別算法。通過自建圖庫來對需要識別的信息進行相應的處理，使用各種方法對圖片進行分析來進行人臉識別。人臉檢測實現(xiàn)之后對這些算法的識別率和準確率等進行對比，得出最后結(jié)論。本文一共含有五個章節(jié)。第一個章節(jié)為緒論部分，重點說明人臉識別的研究背景及意義、說明人臉識別的研究現(xiàn)狀及發(fā)展趨勢以及目前來講存在的問題，同時簡要說明這篇文章的主要的研究方向以及內(nèi)容，同時也說明了本文的整體架構(gòu)進行詳解。第二章節(jié)詳細介紹了Eigenface的基本原理以及仿真實驗，并介紹了該算法的優(yōu)點與不足之處。第三章節(jié)詳細介紹了Fisherface的基本原理以及仿真實驗，并介紹了該算法的優(yōu)點與不足之處。第四章節(jié)詳細介紹了LBPH的基本原理以及仿真實驗，并介紹了該算法的優(yōu)點與不足之處。第五章節(jié)是前序內(nèi)容的概括，并且對于未來發(fā)展趨勢進行暢想，預測未來的探究目標。第二章：基于Eigenface的人臉識別2.1基本原理檢測子空間模型PCA降維特征矩陣計算特征值計算協(xié)方差矩陣計算平均臉讀取訓練數(shù)據(jù)開始檢測子空間模型PCA降維特征矩陣計算特征值計算協(xié)方差矩陣計算平均臉讀取訓練數(shù)據(jù)開始圖2.1特征臉訓練與識別原理圖Eigenfaces也就是特征臉識別的英文意思,是指一種能夠從人臉主特征成分分析數(shù)據(jù)庫內(nèi)以目標為導向，輸出最終信息的全新面部甄別系統(tǒng)。特殊點方式其中之一原理是假定把導入的面部信息作為多個矩陣，將之進行命名之后，最終摘取較為重要的信息，最終通過摘取的重要信息整合作為面部信息集合。很多業(yè)務應用環(huán)境中我們需要經(jīng)常對這些大量的數(shù)據(jù)問題進行綜合分析與計算分析并去尋找到其各自內(nèi)在聯(lián)系的內(nèi)在變化，與之而來的就是信息體量的過多導致程序?qū)τ谶^多信息的處置以及摘取帶來的冗雜的處理過程，為了能夠應對此難題，需要采取合適的不影響程序功能的方式進行處理，這樣既能夠解決問題，另外一方面還可以保存信息聯(lián)系，這就是PCA出現(xiàn)的意義：1、信息維度減低?？s減對應信息功能抑制，保證獨立個體信息之間可以獨立存在同時還可以有一定聯(lián)系，通過這樣的處置，最終的信息集合體則簡潔同時具有條理。2、消耗聲音，處理信息遮擋的過程。PCA程序:特點中實心化:將矩陣每一維中的每個數(shù)據(jù)項數(shù)值扣除平均數(shù)，這樣算法結(jié)束后平均數(shù)是零；處置變更程序變換后矩陣B的協(xié)方差矩陣C；計算協(xié)方差矩陣C的特征值和特征向量REF_Ref9621\r\h[6];擇取區(qū)間廣的數(shù)值和相對數(shù)值當作"主成分",并考慮以此關(guān)系構(gòu)成了一組新的數(shù)據(jù)集特征臉方法：其方法簡單理解就是以PCA為基礎(chǔ)，通過復雜的算法程序最后實現(xiàn)面部甄別工作研究領(lǐng)域中,將任何一組特征人臉圖像就可以直接看得到成都是任何一張的原始人臉圖像信息整合，通過與PCA原理相同的程序?qū)π畔㈤_展程序管理工作，通過信息集取和研究，最終的信息叫做"主成分"，接下來針對單個一組特征人臉數(shù)據(jù)集都采集就可了以通過計算機用所有這些整合數(shù)據(jù)開展程序甄別。其方法探究理念可以理解為人類在潛意識中對于某類物種特點的普遍性，即相同類物質(zhì)帶有類似的重合點信息的話,通過使用計算機來將所對所有同一類型特定的目標物體(人臉圖像)信息中的全部這些臉特性尋在其中顯示了出來,就已基本的可以同時被人用來進行識別和區(qū)分這些各種具有不同特征屬性信息的特定目標事物了。人臉圖像特征識別的技術(shù)目的就是要為了解決一個人臉特征區(qū)別的情況，把帶有差異化數(shù)據(jù)的面部信息進行辨別。特征臉程序:1.對于多個面部信息數(shù)據(jù)整合的綜合體，例如你將需要使用一張有15張圖片的人臉圖片的集合來作為一幅人臉的訓練圖像,每張人字臉圖片的集合對應的兩個像素尺寸分別應該是70*100,所以在我們的這里可以取為M=15。我們可以現(xiàn)在就把導入的圖像寫成矩陣展開,本來,70*100的大矩陣,那么展開也就是一個7000*71的小矩陣,然后再將M張導入圖片放在了另一個更大的小矩陣下,該大小矩陣也即轉(zhuǎn)化為了一個7000*15。2.運算得到平均圖像矩陣A，通過一系列的運算，最后得到偏差矩陣B,對于整合數(shù)據(jù)集合開展均值運算，通過這樣的方法最終輸出即為常規(guī)面部。下一個步驟就是個體面部與均相減，最后會得到:A=1Bi求得的協(xié)方差矩陣。并可以給出計算矩陣的特征值和特征向量。這里面基本上也就是沒有一個標準的PCA算法和工作流程。很大的一個的問題也就是協(xié)方差矩陣的維度有時也會被偏大影響到而無法實現(xiàn)精確地計算,下面的方法可以解決:設矩陣K是指一組用于待運算數(shù)值陣列，個體數(shù)值與前后數(shù)值相減之后的結(jié)果，則協(xié)方差矩陣為S=K

,并且可以對S的特征值做分解:SV然而KKT是指一個非常的大的矩陣。因此,如果轉(zhuǎn)而使用如下的特征值解:KK這其實就是意味著,如果Ui是矩陣KKT中的一個特征向量,則矩陣Vi=TUi是矩陣S中的另外一個特征向量,反正到了最后一步我們先得KKT中的最后一個特征向量,再用矩陣K與之相乘就是一個協(xié)方差矩陣的特征向量μ。而我們此時需要求得一組特征向量是15000*15行的像素矩陣,每一行像素（7000*1)若是可以轉(zhuǎn)變?yōu)槠呤?一百影像，可以被當作嶄新面部，這被叫做特征臉。主特征成分的分析?；谘芯磕繕藖碚f，趨向于差異向量以及差異數(shù)值內(nèi)，針對核心差異數(shù)值，僅僅做到摘取特備明顯的差異數(shù)值還有與之聯(lián)結(jié)的向量就可以，同樣的，對于遠離核心差異數(shù)值的點，其所具備的差異數(shù)值可以理解為沒有數(shù)值，他對應聯(lián)結(jié)的向量也基本趨向于零。這樣可以組建一個selecthr進行管控，這樣排列之后的數(shù)值累計與selecthr類似，摘取一個跟特點數(shù)值類似的向量，剩余矩陣值是7000*M,M是一個可變量。通過類似的程序縮減了運算過程，這樣也可以留存核心部分。5.人臉識別。程序需要輸入嶄新面部信息，對人臉上的主成分特征進行分析提取并計算后所得到人臉的特征向量μ,來進一步計算求得導入下一個人面臉中每一個人臉特征向量對于一個被導入的新人臉的權(quán)重向量Ω：

ωKΩnew這里的人臉圖像A實際上也就是剛才我們的第二步分析中我們求得出來的一個平均的人臉圖像,特征向量其實也就是訓練集合上的已知平均人臉圖像與未知均值圖像之間的在某特定該某特定的方向上而產(chǎn)生的一個偏差,通過直接觀察這些未知平均值的平均人臉圖像在這些特征向量集合里產(chǎn)生的一個投影,我們現(xiàn)在自然我們就會知道可以這樣直接觀察知道的一個未知的平均的人臉像與另一個未被解析的面部是存在差異的，接下來通過回到第二步驟去分別做了一個這樣的運算和處理,每間隔的一行得到一個向量。最后根據(jù)Ω及歐式間距甄別首張面部距與已知的第K張已知的訓練人臉距離之間的差距εk2.2仿真實驗表2.1本次仿真的實驗結(jié)果為：基于Eigenface的人臉識別算法第一次實驗第二次實驗第三次實驗第四次實驗訓練樣本類數(shù)9181818每類樣本數(shù)20202040測試樣本數(shù)11112222識別率81.81%90.91%90.83%95.45%識別時間1.21s1.33s1.51s1.56s2.3實驗結(jié)果與分析可從上表中得到的信息為：在訓練樣本每類樣本數(shù)不變的情況下，僅增加訓練樣本類數(shù)，可使得在識別時間不發(fā)生大幅漲幅的同時提高其識別率。當其他條件不變僅增加訓練樣本數(shù)時，其識別時間有小幅的增加，但對于識別率的提升沒有明顯的幫助。當其他條件不變的情況下，僅增加每類樣本數(shù)的數(shù)量，可以使得識別率有明顯的增加，且在識別時間上沒有大的漲幅。上表中沒有表現(xiàn)出來的信息為：在實驗過程中得到，在進行圖片訓練時，圖片的大小不能超過35721的像素，一旦超過將會報錯，使程序無法運行。在實驗中可觀察出，eigenface算法的魯棒性并不好，對光照下的圖片識別率將會降低。同時，待測人臉的尺寸必須與訓練尺寸相統(tǒng)一，并且待測人臉必須為正面人臉圖像，否則識別錯誤率將會極大提升?？梢缘贸龅慕Y(jié)論為，eigenface特征臉的人臉識別方法 在環(huán)境光線不發(fā)生較大改變的情況下，人臉識別率可以隨著訓練樣本數(shù)的增加而持續(xù)增高，并且識別時間僅隨測試樣本數(shù)持續(xù)小幅增長。第三章：基于Fisherface的人臉識別3.1基本原理結(jié)束投影到子空間計算前K個最大特征值與特征向量計算特征值與特征向量計算離散矩陣減去均值輸入數(shù)據(jù)結(jié)束投影到子空間計算前K個最大特征值與特征向量計算特征值與特征向量計算離散矩陣減去均值輸入數(shù)據(jù)圖3.1LDA原理圖介紹FisherFace算法就是指由一種算法完全可以基于線性LDA分析算法(全稱LinearDiscriminantAnalysis,線性判別分析)而實現(xiàn)起來的另一種人臉識別算法,而這種基于線性LDA方法的算法是通過英國人RonaldFisher于約1936年首先被正式提出來而來得以實現(xiàn)出來的,所以這種基于線性LDA分析算法也常常被稱作是一種基于Fisher的Discriminant的AnalYsis,也就是或許也正是也因為是如此,該人肉臉型的識別算法因此也可以被稱為FisherFace。關(guān)于LDA還可以詳細參考主成分分析原理(PCA)原理和線性判別分析法(LDA)的原理及其簡介。LDA中有一項和PCA相同的兩個地方分別是,都表示有利用矩陣特征值進行排序以找到主元的過程,但是所不同一樣的點是PCA是求取的僅僅是簡單協(xié)方差矩陣的一個特征值,而LDA中是所求取的將是另外一個結(jié)構(gòu)更為簡單復雜的矩陣的一個特征值(具體如下)。其中一點還比較需要引起我們重點注意的一下值得注意的一些地方即是在求加權(quán)樣本均值時,和一般PCA算法相比也是必須要注意有所的區(qū)別所不同的,LDA是分別對每個類別中的每個樣本各求到一個加權(quán)均值,而普通PCA方法是對所有樣本數(shù)據(jù)求均值，得到平均臉。LDA的降維步驟如下:1、通過計算得出數(shù)據(jù)庫中各個樣本的均值向量REF_Ref9925\r\h[7]。2、通過均值向量,計算出類中間的外散度矩陣SB和類兩端的內(nèi)散度矩陣SW。3、對Sw?1SBW=λW進行特征值的求解,求定求出Sw?1SB的特征向量和特征值。4、對特征向量矩陣按照對其前特征值影響的幅度大小降序的進行排列,并能從中任意選擇與其最前方第K個特征向量矩陣所組成的投影矩陣W。5、通過D*K維的特征值矩陣將樣本點投影映射到一個新的子空間中REF_Ref10049\r\h[8]REF_Ref10088\r\h[9],Y=X?W。如果你可以直接用下面這樣簡單一句話來簡單地概括一下LDA的中心思想那它就是要最大化類間距離,最小化類間內(nèi)的距離。由于LDA利用了類的所有成員信息并從中隨機抽取從而得出了其中的一個特征向量集,該特征向量集中主要在強調(diào)其反映出來的觀察對象僅僅是不同人臉類型之間的細微差距而不是光照的的環(huán)境條件、人臉動態(tài)的變化方向和光束方向變化等方面的變化。因此,相比于直接使用EigenFace方法識別人臉來說,采用基于Fisherface技術(shù)的方法在對人臉特征信息進行快速識別的時侯對來自外界光照、人臉姿態(tài)等變化導致的各種細微人臉變化信息也顯得更快接近并不變得那么的敏感,有助于進一步提高快速人臉識別應用的效果。3.2仿真實驗表3.1本次仿真實驗的結(jié)果為：基于Fisher線性判別的人臉識別算法第一次實驗第二次實驗第三次實驗第四次試驗訓練樣本數(shù)9181818每類樣本數(shù)10102040測試樣本數(shù)15153030識別率83.93%92.50%96.33%96.67%識別時間3.86s4.69s6.33s7.13s3.3實驗結(jié)果與分析可從上表中得到的信息為：1、在訓練樣本每類樣本數(shù)不變的情況下，僅增加訓練樣本類數(shù)，可使得在識別時間不發(fā)生大幅漲幅的同時提高其識別率。2、當其他條件不變僅增加訓練樣本數(shù)時，其識別時間有小幅的增加，但對于識別率的提升沒有明顯的幫助。3、當其他條件不變的情況下，僅增加每類樣本數(shù)的數(shù)量，可以使得識別率有明顯的增加，且在識別時間上沒有大的漲幅。上表中沒有表現(xiàn)出來的信息為：1、在實驗過程中得到，在進行圖片訓練時，圖片的大小大約應該為2916的像素，像素值不匹配則將會報錯，使程序無法運行。2、在實驗中可觀察出，fisherface算法的魯棒性并不好，對光照下的圖片識別率將會降低。3、同時，待測人臉的尺寸必須與訓練尺寸相統(tǒng)一，并且待測人臉必須為正面人臉圖像，否則識別錯誤率將會極大提升?？梢缘贸龅慕Y(jié)論為，基于fisherface的人臉識別方法，在環(huán)境光線不發(fā)生較大改變的情況下，人臉識別率可以隨著訓練樣本數(shù)的增加而持續(xù)增高，并且識別時間僅隨測試樣本數(shù)持續(xù)小幅增長。相比于eigenface方法，該方法在識別時間上要明顯長于前者。但對光鮮的敏感程度要比前者稍弱第四章：基于LBPH的人臉識別4.1基本原理LBP局部特征也是特征描述的一種方法，是現(xiàn)在階段廣受歡迎的一種方法，它的起源來源于國外學者，成立于一九九四年，其作為互聯(lián)網(wǎng)程序分析研究設計等其他眾多相關(guān)領(lǐng)域研究里的應用也都快速的發(fā)展以至于傳播的越來越廣泛。其最大突出之優(yōu)勢處則當是算法命名精準、處置速率快、不受陽光影像、擴容性強、利于互聯(lián)網(wǎng)互通運行。這項方法應用于其他領(lǐng)域的運算中同樣表現(xiàn)優(yōu)異，OpenCV程序內(nèi)存在一個入口，此功能外，其還可以通過LBP特點開展面部甄別測試。LBP運行方式：基于常見環(huán)境，陽光對于每一個畫面物體顏色呈現(xiàn)的變化深淺的影響范圍往往會是部分貫穿而全局變化的，也就是說對于每張圖片畫面中要表現(xiàn)出的某一個畫面物體明暗程度往往也是可能會因在同一個特定時間方向內(nèi)而出現(xiàn)改變的幅度范圍的，也許會僅僅是由局部的變中暗或由部分的變中高亮，明暗漸變幅度的具體改變的幅度往往也只是由其所與陽光點所處距離等原因變化?；诔Ｒ婈柟猸h(huán)境部分區(qū)間的臨近區(qū)間內(nèi)的區(qū)別，像素點更改是基于陽光照射變化而變化的。LBP就是一種正因為它有著這一特性所以它才能輕易被計算并得出的一個有效的特征?；綥BP算子基本的LBP運算符通過在任意像素3*3的子窗口中基于來自任意像素及其周圍相鄰的全部八個相鄰位置的像素的全部像素灰度值與子窗口的中心灰度值進行比較在計算針對8個相鄰像素產(chǎn)生的8位灰度二進制編碼（大于閾值為1，小于閾值為0）REF_Ref10215\r\h[10]之后，根據(jù)其周邊的不同相鄰像素上的灰度位置分別提供不同灰度值的灰度權(quán)重相等來得出各中心值的灰度整數(shù)，即可以直接獲得獲得獲得子窗口的中心點的灰度LBP的特征值，即灰度像素及其周圍的灰度區(qū)域中包含的編碼紋理信息。接著，基于得到這樣的紋理的灰度編碼直方圖信息進行分類的公式表示如下：（4-1）其中代表鄰域像素的坐標，ic代表中心像素的最大灰度值，ip代表鄰域像素最小的灰度值，p代表周圍所有像素中灰度最小時的第P個像素，s(x)代表符號函數(shù)REF_Ref10343\r\h[11]。表示為:S(x)=1，ifx≥0=0，else例如當我們先在每一張人眼圖像中隨機分別算取到了這八個像素點對應的灰度值并對與其對應最中間那一個灰度閾值進行做了比較，最后我們就又可以算得到了這是一串的灰度二進制數(shù)，轉(zhuǎn)換后即為灰度十進制數(shù)即可算得到了對應的人臉圖像中的一個基本信息LBP碼，即(01111100)=124，這個灰度值數(shù)其實也僅僅只是反應算出去了對應在該幅圖像區(qū)域里的紋理信息，基本系統(tǒng)的LBP算子特征及其提取的計算工作流程圖如框圖所示。最終得到分類結(jié)果直方圖比較分割為多個方格每個方格生成直方圖直方圖鏈接特征向量集合Ulbp降維處理Lbp特征提取圖像灰度化開始最終得到分類結(jié)果直方圖比較分割為多個方格每個方格生成直方圖直方圖鏈接特征向量集合Ulbp降維處理Lbp特征提取圖像灰度化開始圖4.1LBPH算法介紹原理圖2)LBP算子基本內(nèi)容信息LBP特征在于自從1994年首次被人們正式系統(tǒng)地提出來研究之后，學者們也逐漸研究發(fā)現(xiàn)出了其目前最大和明顯突出的一些主要理論缺陷還主要在于它一般都只能是集中分布在某3個*或3個以上鄰域空間中的計算，過于分散狹窄而死板，其計算僅僅也只是集中覆蓋住在了空間某一個固定的半徑范圍內(nèi)的某些較窄小區(qū)域，不能夠滿足有效的滿足對于各種不同空間的空間尺寸紋理計算和空間頻率紋理計算方面的大量實際需求。時至今日盡管它已在世界上先后多次發(fā)展并演變發(fā)展出過了許多變形算子，但其幾個主要理論核心觀念至今為止依然仍保持得大同小異，就是要用來近似計算求出每個相鄰的像素點間和與它及其周圍幾乎所有相鄰像素點間體積的大小及相對于比例關(guān)系。Ojala把原的LBP算法行圖做了一項較大地改進，把鄰域圖從之前的3*3變?yōu)榱瞬幌薜南袼卮笮?，并且還直接的用了圓形區(qū)域圖來直接代替了原的正方形區(qū)域圖以直接進行取點的操作。改進的LBP運算符可以任意選擇任何半徑和任何半徑等于半徑r的圓形區(qū)域中的任意點來直接執(zhí)行采樣計算和編碼，并且可以實現(xiàn)比突破常規(guī)限制更簡單和更靈活的高速化。這種LBP算子稱為ExtenedLBP，也叫做CircularLBP。圓形LBP特征的采樣點(xp，yp)由如下公式計算:Xp=xc+Rcos(2πp/p)yp=yc+Rcos(2πP/P)其中(Xc，Yc)分別是閾值中心點的坐標p代表第p個采樣點，R代表采樣的半徑，P代表總采樣的數(shù)目。因為由此的公式所計算出得算出來點數(shù)的點數(shù)之間也許都會不是個純的整數(shù)，所以你還是首先要多考慮使用此公式所計算的得計算出來的點數(shù)的兩個點之間的插值點。在OpenCV中也可以直接使用雙線性插值，公式如下:（4-2）LBP等價模式改進的描述LBP特征的算子最常用涉及到的算子主要有UniformPatternLBP特征，又?？梢灾苯臃Q作之為LBP等價模式，由LBP等價算子的定義可知，一個LBP的特征點可以說分別可以由下列四種完全不同類型的二進制模式來組成，若以半徑均為R的鄰域范圍內(nèi)均勻的采樣到第P個特征點，則只將會出現(xiàn)第2P種二進制模式。例如在10個*10個鄰域里均勻的采樣10個點則我們就會發(fā)現(xiàn)有最多達的210種模式，采樣20個點，則會有220種模式。很明顯，模式種類將是會隨著采樣點數(shù)的被急劇的增加而會被急劇的地增加，也就是即在每個模式圖像中包含的信息量也就會也會隨之急劇地增加。這一切無疑將對于紋理圖的信息的表達的方式都非常極之的不利REF_Ref10607\r\h[12]，因為LBP的模式都是直接用直方圖來進行表達的信息，模式種類數(shù)量就直接代表了著整個直方圖橫坐標值的分布和范圍，種類數(shù)就越多，直方圖整體上也必然會就因此的變得越稀疏。同時由于這也將使得對于冗余的信息數(shù)據(jù)資源的有效集中存儲、分類與整理和進行智能識別等處理導致的信息運算處理速度大幅提升和系統(tǒng)存儲整體效率明顯降低等很可易會有另外一些積極負面影響的綜合影響，不能夠完全同時的滿足對智能信息識別功能和對系統(tǒng)信息處理效率的更高度和實時性要求。所以如果我們要想完全的去除所有這些冗余的數(shù)據(jù)信息，保存所有這些有效數(shù)據(jù)的信息，即是一定要建立在最原始的LBP特征基礎(chǔ)數(shù)據(jù)模型上來去進行數(shù)據(jù)降維。后來，Ojala提出了一種既能提高數(shù)據(jù)統(tǒng)計性又能解決二進制數(shù)據(jù)過多問題的新模式，“等效模式”，以此來降低數(shù)據(jù)的維度?！暗葍r模式”是當某個LBP對應的循環(huán)二進制數(shù)在0到1或1到0之間最多發(fā)生了兩次以內(nèi)的變動時，保留該類型不變，對應于該LBP的二進制稱為等價模式類。當變動次數(shù)超過兩次時，都歸為同一類，對應于該LBP的二進制數(shù)被稱為混合模式類。因為Ojala以及其他相關(guān)學者是這樣考慮的：在實際圖像中REF_Ref11799\r\h[12]，大部分的LBP模式僅僅只能發(fā)生兩次及以內(nèi)的二進制跳變。例如，二進制碼11111111（沒有發(fā)生過跳變）、000011（僅包括從0跳到1）、00011110（從1跳到0、從0跳到1、兩次跳變）是等效模式類別。而混合的模式類別如01010101（8次跳變）可以采用將LBP二進制碼和循環(huán)移動1比特后的二進制碼以位相相加，并驗證每個比特的和是否是等效模式的方法。通過這樣的改進，因為只能同時進行跳變的兩次，0位的位置或全1位置的位置均可以分別有P種選擇模式供選擇，由于其可循環(huán)性，跳變兩次的位置選擇也可以只有P位和-1種位置可選擇，所以兩次以上的位置跳變有全P位和(P-1)位兩種位置選擇的模式，除此之外還有全0，全1位置共有兩類的選擇的模式。所以對于每一個P個的二進制采樣點，模式數(shù)量就將可能由之前所規(guī)定好的只有2P種的二進制模式數(shù)量降低到了只有一個P個(P-1)+的2種二進制混合的模式，即使僅僅是加上跳變的次數(shù)大于其2倍的二進制混合的模式數(shù)量也只可能也就少得最多一種。由此可見二進制模式數(shù)的種類數(shù)一下子也就可以大大的地減少掉了很多。例如對于只含有8個采樣點的LBP特征，就能實現(xiàn)從一個基本的LBP算子模型中為的256種基本等價模式全部降低到了為的58種基本的等價模式，這樣的基本等價模式基本上已經(jīng)幾乎占盡到了總的等價模式類型中為的絕大多數(shù)，不僅是顯著的降低到了原始特征的維數(shù)，而且是實際上的還可以明顯地降低到減少了對高頻噪聲的影響。所以這些混合等效模式類型通常能夠同時識別表示圖像信息中的三角點、邊緣、斑點等的幾個重要像素信息，所以使用這些混合等效模式類別和這些混合等效模式類別直方圖可以更快、更好地分析和提取這些圖像特征。4.2仿真實驗表4.1本次實驗的數(shù)據(jù)如下：基于LBPH的人臉識別算法第一次實驗第二次實驗第三次實驗第四次實驗訓練樣本類數(shù)9181818每類樣本數(shù)20202040測試樣本數(shù)15153030識別率88.37%86.68%94.54%97.68%識別時間11.12s11.83s14.86s15.21s4.3實驗結(jié)果與分析可從上表中得到的信息為：1、在訓練樣本每類樣本數(shù)不變的情況下，僅增加訓練樣本類數(shù)，可使得在識別時間不發(fā)生大幅漲幅的同時提高其識別率。2、當其他條件不變僅增加訓練樣本數(shù)時，其識別時間有小幅的增加，但對于識別率的提升沒有明顯的幫助。3、當其他條件不變的情況下，僅增加每類樣本數(shù)的數(shù)量，可以使得識別率有明顯的增加，且在識別時間上沒有大的漲幅。上表中沒有表現(xiàn)出來的信息為：1、在實驗過程中得到，在進行圖片訓練時，該算法沒有訓練圖像大小的要求，任意格式的圖片都可以使用2、在實驗中可觀察出，LBPH算法的魯棒性相較于前兩種算法好很多，對光照下的圖片識別率會有提高。3、同時，待測人臉的尺寸必須與訓練尺寸相統(tǒng)一，并且待測人臉必須為正面人臉圖像，否則識別錯誤率將會極大提升。可以得出的結(jié)論為，基于lbph的人臉識別方法，在環(huán)境變化不大的情況下，人臉識別率可以隨著訓練樣本數(shù)的增加而持續(xù)增高，并且識別時間僅隨測試樣本數(shù)持續(xù)小幅增長。相比于前兩種方法，因為其需要在每一副測試圖片上進行處理后進行識別，所以該方法在識別時間上要明顯長于前兩者。但對光鮮的敏感程度要比前者弱很多。第五章：總結(jié)與展望5.1總結(jié)本文作者通過借助編程語言Python語言和語言開發(fā)工具matlab編程完成實現(xiàn)了下面這幾個基于人臉生物特征識別的技術(shù)的分別為幾個面向不同的領(lǐng)域應用的算法的實現(xiàn)，基于Eigenface的人臉生物識別算法，基于LBPH的人臉生物識別算法，基于FISHER線性判決技術(shù)的人臉生物特征識別算法。首先是對人臉特征識別新技術(shù)的應用研究及意義介紹與典型應用情況介紹，介紹人臉特征識別新技術(shù)與一些其他常用的人臉生物特征的識別應用技術(shù)之間的優(yōu)勢劣勢REF_Ref12282\r\h[14]REF_Ref12289\r\h[13]REF_Ref12292\r\h[15]。介紹包括了OpenCV一些特定的算法和OpenCV的主要特點，對使用的python語言的進行簡單介紹，操作人員在使用python編程語言下如何對一個OpenCV進行配置也給出了較詳細具體的配置步驟。介紹了人臉識別技術(shù)應用中常用的幾種關(guān)鍵指標包括時間、速度、數(shù)據(jù)存儲量和數(shù)