基于改进LBP算子和稀疏表示的三维人脸识别分析

2017-12-28熊长智杜泽辽江西应用科技学院

数码世界 2017年11期

关键词：精准度算子人脸

熊长智杜泽辽江西应用科技学院

熊长智杜泽辽江西应用科技学院

随着社会不断进步，科技持续发展，人脸识别技术不断优化，三维人脸识别应运而生，但需要进一步优化完善，最大化提高人脸识别准确程度。因此，本文从不同角度入手客观分析了基于改进LBP算子和稀疏表示的三维人脸识别。

改进 LBP算子稀疏表示三维人脸识别分析

在计算机视觉方面，二维人脸识别是不可忽视的关键性研究方面，但在多方面因素作用下，二维人脸识别存在缺陷。随之，三维人脸识别已成为研究人员关注的焦点。在研究过程中，研究人员根据各方面要求以及人脸识别中存在的问题，改进LBP算子的基础上，巧妙利用稀疏表示概念，优化三维人脸图像，提高三维人脸标识精准度。

1 预处理三维人脸数据与局部二值模式

1.1 预处理二维人脸数据

在三维人脸识别方面，海量三维人脸数据的合理化预处理是其首要前提，是获取高精准度人脸灰度与深度图像的关键点。在预处理过程中，研究人员根据人脸检测技术，优化利用相关检测方法，先提取人脸鼻尖的特征点，再以人脸鼻尖为基点，科学切割人脸区域。随后，研究人员借助坐标系，科学校正人脸区域中的具体点云，多层次客观分析主成分，获取对应的协方差矩阵以及人脸特征数值、向量，在配准算法作用下，科学配置点云，提高其精准度。校准结束之后，人脸点云会以投影的方式出现在二维平面中，科学转化彩色信息，成为灰度数值，表示灰度图像，深度图像用深度信息表示，并根据具体投影具体情况，进行相关的处理，促使获取的三维人脸数据具体较高的利用价值。

1.2 局部二值模式

简单来说，局部二值模式就是纹理分类特征，原理并不复杂，具有较高的实用性，已被频繁应用到图像处理领域中。人脸灰度图像作用下的局部纹理特点可以用LBP算子来表示。在此过程中，研究人员需要科学划分获取的人脸图像成为无数个子块，准确计算其LBP数值，对比分析子块像素点、附近领域像素，如果不小于领域像素数值，则用1或者0替换领域，获取所需的二进制数，按一定顺序保存。研究人员要串联子块，获取直方图，作为图像特征向量。由于传统LBP算子具有一定缺陷，人脸光照、表情等各不相同，一个人不同人脸图像作用下的LBP算子并不完全相同，原始LBP特征提取中也会受到受到噪声等因素影响。在应用中，研究人员需要科学改进LBP算子，优化表示方式，结合提取LBP具体特点，科学划分非统一模式，更好地呈现LBP算子作用下的图像特点。

2 LBP算子改进和稀疏表示下人脸识别

在人脸识别方面，稀疏表示发挥着重要作用。在三维人脸识别方面，研究人员要科学构造完备集，合理分解信号稀疏。在构建信号稀疏中，研究人员先要进行合理化计算，获取重要的测试以及训练数据，利用二者残差，合理分类各方面人脸图像。随后，研究人员要在AR数据库作用下，借助稀疏表示，全面、准确识别部分无法用肉眼识别的人脸图像，稀疏表示作用下的算法叫做“SRC”算法。由于LBP算子改进、稀疏表示二者在人脸识别方面都发挥着重要作用，研究人员可以在人脸稀疏表示的过程中，要将改进之后的LBP算子巧妙应用其中，促使二者相互作用，科学呈现人脸三维图像，提高人脸识别的准确度。

3 实验结果

在实验过程中，研究人员科学连接LBP算子改进作用下的二维与三维特征向量，呈现出整体特征，稀疏表示中的完备集用训练图像特征来表示，准确输入需要进行测试的图像整体特征，分解对应的稀疏，重新合理构建图像残差，在残差距离作用下，识别人脸图像。在此过程中，研究人员将CASIA数据库作用下的11张人脸图像作为研究人脸表情变化方面的样本，5张为训练图像，6张为测试图像，对比分析的基础上，优化利用LBP算子、SRC最小距离算法等，获取三维人脸识别程度。在对比分析，研究人员发现LBP算子改进之后，三维人脸识别准确率明显提高，再加上稀疏表示作用，三维人脸识别准确率进一步提高，在数据库、人脸特征维度作用下，三维人脸识别准确率上升率处于稳定状态。也就是说，在人脸识别方面，三维人脸识别是一种不错的识别人脸方法，具有较好的可靠性，可以有效弥补二维人脸识别缺陷，科学解决存在的问题，确保和人脸识别相关的工作顺利开展。