基于局部二元模式和重采样双向2DLDA的人脸识别算法

苏立明,王 莹,姜园媛,李文辉

(1. 长春工业大学 基础科学学院,长春 130012；2. 吉林大学 计算机科学与技术学院,长春 130012)

线性判别分析(linear discriminant analysis,LDA)[1]在最小化类内距离的同时可最大化类间距离,从而得到最优的投影方向,产生最好的分类结果. 但LDA算法具有一定的局限性,主要表现在小样本问题[2-3]和光照、 表情等变化而带来的识别率下降问题.

小样本问题(small sample size problem,SSS)是指样本的特征维数远大于样本数量,使得样本间距离度量失效,引起LDA算法中的类内离散度矩阵奇异. 目前解决小样本问题的主要方法是直接在二维图像矩阵上进行二维线性鉴别分析,即2DLDA[4]或扩展2DLDA(E2DLDA),同时利用两个方向上的判别信息算法[5-8].

除SSS问题外,光照、 表情等变化也会导致图像像素产生较大变化,从而影响基于表观[9]的识别算法性能,尽管局部二值模式(local binary pattern,LBP)[10]引入人脸识别后能较好地抑制这种影响,但由于光照、 表情等变化的多样性和人脸样本采集的难度,基本不可能采集到所有变化情况下的样本. 目前主要有两类方法解决上述问题: 1) 利用已有训练样本进行虚拟图像的变换构建[11],其缺点是计算量和存储量无均较大；2) 引入集成技术,在设计人脸分类器时,利用重采样集成人脸弱分类器[12],构建强分类器,以提高分类器的识别性能.

本文根据文献[13]中对2DLDA和E2DLDA具有判别信息互补性的特征,提出一种新的人脸识别算法LBP-RB2DLDA. 该算法先通过LBP算子提取人脸图像的LBP图谱,然后利用重采样技术融合2DLDA和E2DLDA提取双向特征,获得更……