基于词包模型和SURF局部特征的人脸识别

刘翠响，李敏，张凤林

(河北工业大学 电子信息工程学院，天津市 300401)

基于词包模型和SURF局部特征的人脸识别

刘翠响，李敏，张凤林

(河北工业大学 电子信息工程学院，天津市 300401)

针对传统人脸识别方法实时性差的缺点，提出了一种加速鲁棒性特征(SURF，speed up robust features)和词包模型(BOW，bag-of-word)相结合的人脸识别方法.图像经过预处理后，使用SURF算法自动提取图像的关键点和相应的特征描述符，再进一步用BOW方法将其编成视觉单词作为人脸的局部特征.最后，采用K最邻近结点算法进行分类识别.使用了2个数据集验证了提出的方法——标准CMU-PIE(卡内基梅隆大学——姿势、光照、表情人脸数据库)人脸库和采集的数据库，分别达到了97.5%和99.3%的识别率，而且特征提取的时间少于0.108 s，识别的时间少于0.017 s.结果表明，本文提出的算法不仅精确而且快速，具有更好的稳定性和有效性.

人脸识别；词包模型；SURF；局部特征；K-NN

由于人脸会受到姿势、面部表情或者光照等的影响，所以人脸识别是一项非常具有挑战性的技术.除此之外，人脸表示经常要求多个维度，这就更加加剧了人脸识别的艰巨性[1].

传统的人脸识别方法对表情、光照和尺度的变化非常敏感，当人脸图像发生较大改变(比如旋转)后，识别率就会急剧下降.近几年，研究者介绍了很多应用在人脸识别领域的局部特征提取算法，例如，尺度不变特征变换(SIFT，scale invariant feature transform)就曾得到广泛应用[2].尺度不变特征变换[3]作为一种局部特征描述算法，计算简单，识别有效，且具有尺度和旋转不变性.2006年后，SIFT算法被用于人脸识别领域[3-5]；……