基于HOG—SVD特征的人脸识别

摘要：为提高复杂环境下的人脸识别率，该文提出了一种基于方向梯度直方图奇异值分解（HOG-SVD）的人脸识别方法。首先提取整个人脸图像的HOG特征，通过奇异值分解形成图像的整体HOG-SVD特征。然后将人脸图像分成均匀子块，提取各子块的HOG-SVD特征。之后将整体HOG-SVD特征和局部HOG-SVD特征组合形成最终分类特征。最后通过支持向量机分类器对其分类。在Yale人脸库上的实验表明，该方法对表情、光照、姿态具有鲁棒性，具有较高的识别率。

关键词：人脸识别；HOG特征；奇异值分解；支持向量机

中图分类号：TP391 文献标识码：A DOI：10.3969/j.issn.1003 6970.2016.05.005

本文著录格式：全雪峰.基于HOG SVD特征的人脸识别[J].软件，2016，37（5）：18-21

0.引言

人脸识别是指从人脸图像提取有效的特征信息，进而判断图像中人的身份的一种技术。人脸识别技术可广泛应用于金融、考勤、公共安防、证件制作等领域，已成为当前模式识别领域的一个研究热点。

要取得好的人脸识别效果，能否提取出好的人脸特征和设计一个好的分类器是人脸识别技术的关键。为此，研究人员提出了许多人脸特征表示方法。Hong将矩阵奇异值分解（singular value dccomposition，SVD）引入人脸识别中，利用奇异值作为人脸识别特征，但错误识别率较高（42.67%）。Oiala等人提出的局部二值模式（10cal binary pattern，LBP）对光照有很强的鲁棒性，但缺乏对尺度、旋转等的处理；Low提出的尺度不变特征变换（scale invariant feature transform，SIFT）能适应图像的尺度、旋转等，但计算时间较长。Bay等人提出快速健壮特征（speedup robust features，SURF），其计算时间优于SIFT，也能适应图像的尺度变化，但牺牲了一定的精度。Dalal等人提出的方向梯度直方图（histogram of oriented gradient，HOG）对光照、尺度、方向有良好的适应性。李林等人提出基于HOG-PCA的图像分类方法。并取得了较好的分类效果。万源等人提出基于LBP和HOG的分层特征融合的方法。本文在上述文献的基础上，提出一种基于HOG和SVD的人脸特征提取方法，通过融合人脸的整体HOG-SVD特征和局部HOG-SVD特征，利用支持向量机来实现人脸识别。在Yale人脸数据库上的实验表明，本文方法优于对比方法，具有较高的识别率和对光照、姿态、表情等的鲁棒性。