《三种人脸识别算法的实现及性能比较研究》12000字（论文）

三种人脸识别算法的实现及性能比较研究目录第一章：绪论51.1研究背景及意义51.2研究现状及发展趋势和存在的问题61.3人脸识别主要技术指标71.3.1识别率71.3.2识别速度71.3.3数据存储量71.3.4数据可拓展性71.4本文主要工作及章节安排8第二章：基于Eigenface的人脸识别92.1基本原理92.2仿真实验122.3实验结果与分析12第三章：基于Fisherface的人脸识别132.1基本原理132.2仿真实验142.3实验结果与分析14第四章：基于LBPH的人脸识别152.1基本原理152.2仿真实验202.3实验结果与分析20第五章：总结与展望215.1总结215.2展望21第一章：绪论1.1研究背景及意义众所周知，人类的生存发展过程中，并不是仅仅作为一个独立的个体而存在，还需要依靠自然界的辅助并与之交流。根据这些，我们可以将这些获取得到信息的方式进行分类类比。其中，这些方式之中的视觉大概占了60%，而听力部分占了约有20%，剩余的占比则被人类的其他感官所占据。根据上述的数值占比我们可以看到，眼睛作为感知自然的一个重要器官，利用眼睛视力，对于人类获取的场景进行区分。对比之下，我们的面额代表的场景是自身的信息。人脸上的肌肉动作，眼、鼻、嘴、耳、口的形状，大小，甚至是肤色都能够成为我们人脸识别的识别对象。随着我们社会的不断进步，如果不使用人脸识别这种技术方法，可能会达不到我们日常生活中的需求。人脸跟踪(FaceTracking)是指在视频图像之中，通过与相关人脸的帧数比对去确定是否是要进行人脸跟踪的对象。人脸识别(FaceRecognition)是在对视频或者图片中的人脸进行一些基本的检测，之后再对人脸的人脸的REF_Ref9503\r\h[5]局部特征进行对比分析，从这些得到的数据中获取对我们有意义的信息，即人脸特征。众所周知，人的面部结构特征都是通过随机的自然组合得来的，人与人之间的表情特征，皮肤纹理，大小形状等各个方面都是不同的，并且也会随着人的衰老变得不同。所以每次进行仿真实验的过程中，因为环境变化、人员变动等不同因素带来的影响都有可能对实验带来误差，这些因素都对人脸识别的难度有了极大地提升。相同的，图像是否快速运动，人脸遮挡与否，在不同的人脸识别处理方式中都会收到不同程度上的影响。随着科技的不断发展，目前来讲市面上的人脸识别系统大都需要用户的正面人脸保持不动才能准确识别人脸信息。但事实上我们都生活在一个快速运动的环境之中，这些环境为更先进的人脸识别的发展创造了阻碍。未来的时间中，人脸识别这一方向一定会有更加出色的发展，变得更加简单深刻，与此同时，计算机硬件也有可能会被这一领域所带动，迎来更多的专家学着投入其中。图像采集处理技术在信息处理技术之中占据着举足轻重的地位，发展方向众多。1960年左右，人们才开始把目光投向人脸识别技术之上，在这60年左右的时间里，大批的科研团队投入其中，近些年来越来越多的人也开始投入到这方面来，不断地往这方面投入人力物力来充分发展。1.2研究现状及发展趋势和存在的问题我们自身网络的安全问题在这十几年来逐渐成为了我国不得不面对的事实，社会的安定团结才会促进经济的稳定进步。在电视上我们经常可以看到，有些不法之徒通过各种手段犯罪，会对国家的经济发展和人民大众的财产和生命安全带来危害。要防止这一类的事情发生，我们就需要使用生物特征识别技术来作为技术保障。目前我国大约有14亿五千万人口，在全世界之中的土地面积排行第二。而且人口流动量大，我们如果使用生物特征识别技术的话，可以有效的拦截那些具有敏感身份的人员，提高国民的安全系数。目前来讲，每当世界各国举办任意的大型活动时，各个机场、铁路、轮船都会存在大量的出入境信息，而我们如果借用生物特征识别技术来对所有人进行例行检查，那么便可以减少乃至杜绝大多数危险伤害事件的发生。随着网络的快速发展，互联网给人们带来了方便快捷的同时也夹杂着一些潜在的危险。大多数人在网上进行浏览是使用的都是自己的真实身份，这给了网络黑客或者一些不法分子有利可乘的机会。再过去的几十年里，被黑客盗取钱财，盗取个人信息的事情数不胜数，甚至还有部分不法分子想要利用网络来获取真正的会危害到国家安全的信息。而生物特征识别技术就能够非常全面的解决人们在互联网当中的网络安全问题，可以在极大程度上保证自己的权利不受侵害的同时进行畅快的网络浏览。而说到物种甄别科技，原理很简单，就是通过特征的甄别，比如脸部、手指、视网膜甄别实现的。这几类甄别措施内，脸部甄别比较简便，就是对面部信息进行辨别，与个人在网络上留存的身份信息进行对比，有着唯一性的可靠属性。可靠性更高自然也就更容易被人们所接受。当然，事物总是会具有两面性，人脸识别在拥有各种优势的同时，也会有各方面不同的劣势存在。比如说我们的面部表情永远都不会是一成不变的，身份证上的照片因为各种原因总会与本人存在各种各样的差异，在环境变化，或者本人化妆情形，脸部甄别有些不足，对于解决这种情况对于后续的进步发展提出了新的要求，举例说明，脸部甄别时亮度也会似的人脸的采集出现问题，很多鲁棒性不好的程序对光照没有很好的‘抵抗力’，所以会直接影响到人脸采集的结果。所以我们如果想要在未来在任何时间地点都能完美的使用人脸识别技术的话，就必须要克服这些问题。1.3人脸识别主要技术指标1.3.1识别率这就是数据整合阶段常见的问题，针对这个问题的出现，甄别无误的情况占据了全体甄别数据的比重显得尤为重要。在判定因素内，影响最大同时也是占比最大的因素就是识别率，作为核心考虑因素，若系统对于其符合率的数值不能做到标准值的话，那么系统的其余考虑方面都没有意义。1.3.2识别速度对于系统来说，如果其甄别速率符合了标准，达到了一定数值，这时候需要系统着重探究的一个因素就是甄别需要花费的时间长短的问题了，这个因素直接影响的就是程序客户在体验这个程序中所要付出的时间长短，如果消耗过长，那么对于客户来说造成的就是无端的浪费，那么这个客户就已经消失了。这个程序消耗的时间主要在处理和甄别两个阶段。首先，处理消耗的客户看不到，虽然有这样的问题，同样的也需要进行预先处置，这也是文章前序没有提及的原因。任何强烈的要求，只需要在一个可以接受的时间范围内就可以了。但是我们测试样本时系统的反应速度，也即是所用的时间就显得尤其的重要，这个时间的多少是这个应用好坏与否的关键因素，所以怎么样才能将时间控制在我们可以接受的范围之内就显得非常重要了。1.3.3数据存储量面部甄别程序的工作原理可以理解为，这项工作是基于一整个的互联网基础上进行的，优秀的互联网存储库内保存着数不尽的信息，这样多的基数信息，同样产生了负面的影响，那就是程序运行期间需要进行大量的算法才能完成此项工作。1.3.4数据可拓展性为了保持程序的正常运行，不会在关键时刻出现不可挽回的错误，对于系统信息的质量监护是重中之重，虽然这项工作经常被人所忽略，但是他的实际作用非常大，随着后续时代的发展，程序也需要跟随客户需求进行变更，可能就会存在程序信息扩容或者精简的问题，研发者需要考虑的就是未来可能发生的事件，只有拥有前瞻性才可以完美应对未来的发展趋势。1.4本文主要工作及章节安排本文的主要研究换内容为：基于Fisherface的人脸识别方法、基于EigenFaces特征脸的人脸识别方法和局部二值模式LocalBinaryPatterns（LBP)人脸识别算法。通过自建图库来对需要识别的信息进行相应的处理，使用各种方法对图片进行分析来进行人脸识别。人脸检测实现之后对这些算法的识别率和准确率等进行对比，得出最后结论。本文一共含有五个章节。第一个章节为绪论部分，重点说明人脸识别的研究背景及意义、说明人脸识别的研究现状及发展趋势以及目前来讲存在的问题，同时简要说明这篇文章的主要的研究方向以及内容，同时也说明了本文的整体架构进行详解。第二章节详细介绍了Eigenface的基本原理以及仿真实验，并介绍了该算法的优点与不足之处。第三章节详细介绍了Fisherface的基本原理以及仿真实验，并介绍了该算法的优点与不足之处。第四章节详细介绍了LBPH的基本原理以及仿真实验，并介绍了该算法的优点与不足之处。第五章节是前序内容的概括，并且对于未来发展趋势进行畅想，预测未来的探究目标。第二章：基于Eigenface的人脸识别2.1基本原理检测子空间模型PCA降维特征矩阵计算特征值计算协方差矩阵计算平均脸读取训练数据开始检测子空间模型PCA降维特征矩阵计算特征值计算协方差矩阵计算平均脸读取训练数据开始图2.1特征脸训练与识别原理图Eigenfaces也就是特征脸识别的英文意思,是指一种能够从人脸主特征成分分析数据库内以目标为导向，输出最终信息的全新面部甄别系统。特殊点方式其中之一原理是假定把导入的面部信息作为多个矩阵，将之进行命名之后，最终摘取较为重要的信息，最终通过摘取的重要信息整合作为面部信息集合。很多业务应用环境中我们需要经常对这些大量的数据问题进行综合分析与计算分析并去寻找到其各自内在联系的内在变化，与之而来的就是信息体量的过多导致程序对于过多信息的处置以及摘取带来的冗杂的处理过程，为了能够应对此难题，需要采取合适的不影响程序功能的方式进行处理，这样既能够解决问题，另外一方面还可以保存信息联系，这就是PCA出现的意义：1、信息维度减低。缩减对应信息功能抑制，保证独立个体信息之间可以独立存在同时还可以有一定联系，通过这样的处置，最终的信息集合体则简洁同时具有条理。2、消耗声音，处理信息遮挡的过程。PCA程序:特点中实心化:将矩阵每一维中的每个数据项数值扣除平均数，这样算法结束后平均数是零；处置变更程序变换后矩阵B的协方差矩阵C；计算协方差矩阵C的特征值和特征向量REF_Ref9621\r\h[6];择取区间广的数值和相对数值当作"主成分",并考虑以此关系构成了一组新的数据集特征脸方法：其方法简单理解就是以PCA为基础，通过复杂的算法程序最后实现面部甄别工作研究领域中,将任何一组特征人脸图像就可以直接看得到成都是任何一张的原始人脸图像信息整合，通过与PCA原理相同的程序对信息开展程序管理工作，通过信息集取和研究，最终的信息叫做"主成分"，接下来针对单个一组特征人脸数据集都采集就可了以通过计算机用所有这些整合数据开展程序甄别。其方法探究理念可以理解为人类在潜意识中对于某类物种特点的普遍性，即相同类物质带有类似的重合点信息的话,通过使用计算机来将所对所有同一类型特定的目标物体(人脸图像)信息中的全部这些脸特性寻在其中显示了出来,就已基本的可以同时被人用来进行识别和区分这些各种具有不同特征属性信息的特定目标事物了。人脸图像特征识别的技术目的就是要为了解决一个人脸特征区别的情况，把带有差异化数据的面部信息进行辨别。特征脸程序:1.对于多个面部信息数据整合的综合体，例如你将需要使用一张有15张图片的人脸图片的集合来作为一幅人脸的训练图像,每张人字脸图片的集合对应的两个像素尺寸分别应该是70*100,所以在我们的这里可以取为M=15。我们可以现在就把导入的图像写成矩阵展开,本来,70*100的大矩阵,那么展开也就是一个7000*71的小矩阵,然后再将M张导入图片放在了另一个更大的小矩阵下,该大小矩阵也即转化为了一个7000*15。2.运算得到平均图像矩阵A，通过一系列的运算，最后得到偏差矩阵B,对于整合数据集合开展均值运算，通过这样的方法最终输出即为常规面部。下一个步骤就是个体面部与均相减，最后会得到:A=1Bi求得的协方差矩阵。并可以给出计算矩阵的特征值和特征向量。这里面基本上也就是没有一个标准的PCA算法和工作流程。很大的一个的问题也就是协方差矩阵的维度有时也会被偏大影响到而无法实现精确地计算,下面的方法可以解决:设矩阵K是指一组用于待运算数值阵列，个体数值与前后数值相减之后的结果，则协方差矩阵为S=K

,并且可以对S的特征值做分解:SV然而KKT是指一个非常的大的矩阵。因此,如果转而使用如下的特征值解:KK这其实就是意味着,如果Ui是矩阵KKT中的一个特征向量,则矩阵Vi=TUi是矩阵S中的另外一个特征向量,反正到了最后一步我们先得KKT中的最后一个特征向量,再用矩阵K与之相乘就是一个协方差矩阵的特征向量μ。而我们此时需要求得一组特征向量是15000*15行的像素矩阵,每一行像素（7000*1)若是可以转变为七十*一百影像，可以被当作崭新面部，这被叫做特征脸。主特征成分的分析。基于研究目标来说，趋向于差异向量以及差异数值内，针对核心差异数值，仅仅做到摘取特备明显的差异数值还有与之联结的向量就可以，同样的，对于远离核心差异数值的点，其所具备的差异数值可以理解为没有数值，他对应联结的向量也基本趋向于零。这样可以组建一个selecthr进行管控，这样排列之后的数值累计与selecthr类似，摘取一个跟特点数值类似的向量，剩余矩阵值是7000*M,M是一个可变量。通过类似的程序缩减了运算过程，这样也可以留存核心部分。5.人脸识别。程序需要输入崭新面部信息，对人脸上的主成分特征进行分析提取并计算后所得到人脸的特征向量μ,来进一步计算求得导入下一个人面脸中每一个人脸特征向量对于一个被导入的新人脸的权重向量Ω：

ωKΩnew这里的人脸图像A实际上也就是刚才我们的第二步分析中我们求得出来的一个平均的人脸图像,特征向量其实也就是训练集合上的已知平均人脸图像与未知均值图像之间的在某特定该某特定的方向上而产生的一个偏差,通过直接观察这些未知平均值的平均人脸图像在这些特征向量集合里产生的一个投影,我们现在自然我们就会知道可以这样直接观察知道的一个未知的平均的人脸像与另一个未被解析的面部是存在差异的，接下来通过回到第二步骤去分别做了一个这样的运算和处理,每间隔的一行得到一个向量。最后根据Ω及欧式间距甄别首张面部距与已知的第K张已知的训练人脸距离之间的差距εk2.2仿真实验表2.1本次仿真的实验结果为：基于Eigenface的人脸识别算法第一次实验第二次实验第三次实验第四次实验训练样本类数9181818每类样本数20202040测试样本数11112222识别率81.81%90.91%90.83%95.45%识别时间1.21s1.33s1.51s1.56s2.3实验结果与分析可从上表中得到的信息为：在训练样本每类样本数不变的情况下，仅增加训练样本类数，可使得在识别时间不发生大幅涨幅的同时提高其识别率。当其他条件不变仅增加训练样本数时，其识别时间有小幅的增加，但对于识别率的提升没有明显的帮助。当其他条件不变的情况下，仅增加每类样本数的数量，可以使得识别率有明显的增加，且在识别时间上没有大的涨幅。上表中没有表现出来的信息为：在实验过程中得到，在进行图片训练时，图片的大小不能超过35721的像素，一旦超过将会报错，使程序无法运行。在实验中可观察出，eigenface算法的鲁棒性并不好，对光照下的图片识别率将会降低。同时，待测人脸的尺寸必须与训练尺寸相统一，并且待测人脸必须为正面人脸图像，否则识别错误率将会极大提升。可以得出的结论为，eigenface特征脸的人脸识别方法 在环境光线不发生较大改变的情况下，人脸识别率可以随着训练样本数的增加而持续增高，并且识别时间仅随测试样本数持续小幅增长。第三章：基于Fisherface的人脸识别3.1基本原理结束投影到子空间计算前K个最大特征值与特征向量计算特征值与特征向量计算离散矩阵减去均值输入数据结束投影到子空间计算前K个最大特征值与特征向量计算特征值与特征向量计算离散矩阵减去均值输入数据图3.1LDA原理图介绍FisherFace算法就是指由一种算法完全可以基于线性LDA分析算法(全称LinearDiscriminantAnalysis,线性判别分析)而实现起来的另一种人脸识别算法,而这种基于线性LDA方法的算法是通过英国人RonaldFisher于约1936年首先被正式提出来而来得以实现出来的,所以这种基于线性LDA分析算法也常常被称作是一种基于Fisher的Discriminant的AnalYsis,也就是或许也正是也因为是如此,该人肉脸型的识别算法因此也可以被称为FisherFace。关于LDA还可以详细参考主成分分析原理(PCA)原理和线性判别分析法(LDA)的原理及其简介。LDA中有一项和PCA相同的两个地方分别是,都表示有利用矩阵特征值进行排序以找到主元的过程,但是所不同一样的点是PCA是求取的仅仅是简单协方差矩阵的一个特征值,而LDA中是所求取的将是另外一个结构更为简单复杂的矩阵的一个特征值(具体如下)。其中一点还比较需要引起我们重点注意的一下值得注意的一些地方即是在求加权样本均值时,和一般PCA算法相比也是必须要注意有所的区别所不同的,LDA是分别对每个类别中的每个样本各求到一个加权均值,而普通PCA方法是对所有样本数据求均值，得到平均脸。LDA的降维步骤如下:1、通过计算得出数据库中各个样本的均值向量REF_Ref9925\r\h[7]。2、通过均值向量,计算出类中间的外散度矩阵SB和类两端的内散度矩阵SW。3、对Sw−1SBW=λW进行特征值的求解,求定求出Sw−1SB的特征向量和特征值。4、对特征向量矩阵按照对其前特征值影响的幅度大小降序的进行排列,并能从中任意选择与其最前方第K个特征向量矩阵所组成的投影矩阵W。5、通过D*K维的特征值矩阵将样本点投影映射到一个新的子空间中REF_Ref10049\r\h[8]REF_Ref10088\r\h[9],Y=X∗W。如果你可以直接用下面这样简单一句话来简单地概括一下LDA的中心思想那它就是要最大化类间距离,最小化类间内的距离。由于LDA利用了类的所有成员信息并从中随机抽取从而得出了其中的一个特征向量集,该特征向量集中主要在强调其反映出来的观察对象仅仅是不同人脸类型之间的细微差距而不是光照的的环境条件、人脸动态的变化方向和光束方向变化等方面的变化。因此,相比于直接使用EigenFace方法识别人脸来说,采用基于Fisherface技术的方法在对人脸特征信息进行快速识别的时侯对来自外界光照、人脸姿态等变化导致的各种细微人脸变化信息也显得更快接近并不变得那么的敏感,有助于进一步提高快速人脸识别应用的效果。3.2仿真实验表3.1本次仿真实验的结果为：基于Fisher线性判别的人脸识别算法第一次实验第二次实验第三次实验第四次试验训练样本数9181818每类样本数10102040测试样本数15153030识别率83.93%92.50%96.33%96.67%识别时间3.86s4.69s6.33s7.13s3.3实验结果与分析可从上表中得到的信息为：1、在训练样本每类样本数不变的情况下，仅增加训练样本类数，可使得在识别时间不发生大幅涨幅的同时提高其识别率。2、当其他条件不变仅增加训练样本数时，其识别时间有小幅的增加，但对于识别率的提升没有明显的帮助。3、当其他条件不变的情况下，仅增加每类样本数的数量，可以使得识别率有明显的增加，且在识别时间上没有大的涨幅。上表中没有表现出来的信息为：1、在实验过程中得到，在进行图片训练时，图片的大小大约应该为2916的像素，像素值不匹配则将会报错，使程序无法运行。2、在实验中可观察出，fisherface算法的鲁棒性并不好，对光照下的图片识别率将会降低。3、同时，待测人脸的尺寸必须与训练尺寸相统一，并且待测人脸必须为正面人脸图像，否则识别错误率将会极大提升。可以得出的结论为，基于fisherface的人脸识别方法，在环境光线不发生较大改变的情况下，人脸识别率可以随着训练样本数的增加而持续增高，并且识别时间仅随测试样本数持续小幅增长。相比于eigenface方法，该方法在识别时间上要明显长于前者。但对光鲜的敏感程度要比前者稍弱第四章：基于LBPH的人脸识别4.1基本原理LBP局部特征也是特征描述的一种方法，是现在阶段广受欢迎的一种方法，它的起源来源于国外学者，成立于一九九四年，其作为互联网程序分析研究设计等其他众多相关领域研究里的应用也都快速的发展以至于传播的越来越广泛。其最大突出之优势处则当是算法命名精准、处置速率快、不受阳光影像、扩容性强、利于互联网互通运行。这项方法应用于其他领域的运算中同样表现优异，OpenCV程序内存在一个入口，此功能外，其还可以通过LBP特点开展面部甄别测试。LBP运行方式：基于常见环境，阳光对于每一个画面物体颜色呈现的变化深浅的影响范围往往会是部分贯穿而全局变化的，也就是说对于每张图片画面中要表现出的某一个画面物体明暗程度往往也是可能会因在同一个特定时间方向内而出现改变的幅度范围的，也许会仅仅是由局部的变中暗或由部分的变中高亮，明暗渐变幅度的具体改变的幅度往往也只是由其所与阳光点所处距离等原因变化。基于常见阳光环境部分区间的临近区间内的区别，像素点更改是基于阳光照射变化而变化的。LBP就是一种正因为它有着这一特性所以它才能轻易被计算并得出的一个有效的特征。基本LBP算子基本的LBP运算符通过在任意像素3*3的子窗口中基于来自任意像素及其周围相邻的全部八个相邻位置的像素的全部像素灰度值与子窗口的中心灰度值进行比较在计算针对8个相邻像素产生的8位灰度二进制编码（大于阈值为1，小于阈值为0）REF_Ref10215\r\h[10]之后，根据其周边的不同相邻像素上的灰度位置分别提供不同灰度值的灰度权重相等来得出各中心值的灰度整数，即可以直接获得获得获得子窗口的中心点的灰度LBP的特征值，即灰度像素及其周围的灰度区域中包含的编码纹理信息。接着，基于得到这样的纹理的灰度编码直方图信息进行分类的公式表示如下：（4-1）其中代表邻域像素的坐标，ic代表中心像素的最大灰度值，ip代表邻域像素最小的灰度值，p代表周围所有像素中灰度最小时的第P个像素，s(x)代表符号函数REF_Ref10343\r\h[11]。表示为:S(x)=1，ifx≥0=0，else例如当我们先在每一张人眼图像中随机分别算取到了这八个像素点对应的灰度值并对与其对应最中间那一个灰度阈值进行做了比较，最后我们就又可以算得到了这是一串的灰度二进制数，转换后即为灰度十进制数即可算得到了对应的人脸图像中的一个基本信息LBP码，即(01111100)=124，这个灰度值数其实也仅仅只是反应算出去了对应在该幅图像区域里的纹理信息，基本系统的LBP算子特征及其提取的计算工作流程图如框图所示。最终得到分类结果直方图比较分割为多个方格每个方格生成直方图直方图链接特征向量集合Ulbp降维处理Lbp特征提取图像灰度化开始最终得到分类结果直方图比较分割为多个方格每个方格生成直方图直方图链接特征向量集合Ulbp降维处理Lbp特征提取图像灰度化开始图4.1LBPH算法介绍原理图2)LBP算子基本内容信息LBP特征在于自从1994年首次被人们正式系统地提出来研究之后，学者们也逐渐研究发现出了其目前最大和明显突出的一些主要理论缺陷还主要在于它一般都只能是集中分布在某3个*或3个以上邻域空间中的计算，过于分散狭窄而死板，其计算仅仅也只是集中覆盖住在了空间某一个固定的半径范围内的某些较窄小区域，不能够满足有效的满足对于各种不同空间的空间尺寸纹理计算和空间频率纹理计算方面的大量实际需求。时至今日尽管它已在世界上先后多次发展并演变发展出过了许多变形算子，但其几个主要理论核心观念至今为止依然仍保持得大同小异，就是要用来近似计算求出每个相邻的像素点间和与它及其周围几乎所有相邻像素点间体积的大小及相对于比例关系。Ojala把原的LBP算法行图做了一项较大地改进，把邻域图从之前的3*3变为了不限的像素大小，并且还直接的用了圆形区域图来直接代替了原的正方形区域图以直接进行取点的操作。改进的LBP运算符可以任意选择任何半径和任何半径等于半径r的圆形区域中的任意点来直接执行采样计算和编码，并且可以实现比突破常规限制更简单和更灵活的高速化。这种LBP算子称为ExtenedLBP，也叫做CircularLBP。圆形LBP特征的采样点(xp，yp)由如下公式计算:Xp=xc+Rcos(2πp/p)yp=yc+Rcos(2πP/P)其中(Xc，Yc)分别是阈值中心点的坐标p代表第p个采样点，R代表采样的半径，P代表总采样的数目。因为由此的公式所计算出得算出来点数的点数之间也许都会不是个纯的整数，所以你还是首先要多考虑使用此公式所计算的得计算出来的点数的两个点之间的插值点。在OpenCV中也可以直接使用双线性插值，公式如下:（4-2）LBP等价模式改进的描述LBP特征的算子最常用涉及到的算子主要有UniformPatternLBP特征，又常可以直接称作之为LBP等价模式，由LBP等价算子的定义可知，一个LBP的特征点可以说分别可以由下列四种完全不同类型的二进制模式来组成，若以半径均为R的邻域范围内均匀的采样到第P个特征点，则只将会出现第2P种二进制模式。例如在10个*10个邻域里均匀的采样10个点则我们就会发现有最多达的210种模式，采样20个点，则会有220种模式。很明显，模式种类将是会随着采样点数的被急剧的增加而会被急剧的地增加，也就是即在每个模式图像中包含的信息量也就会也会随之急剧地增加。这一切无疑将对于纹理图的信息的表达的方式都非常极之的不利REF_Ref10607\r\h[12]，因为LBP的模式都是直接用直方图来进行表达的信息，模式种类数量就直接代表了着整个直方图横坐标值的分布和范围，种类数就越多，直方图整体上也必然会就因此的变得越稀疏。同时由于这也将使得对于冗余的信息数据资源的有效集中存储、分类与整理和进行智能识别等处理导致的信息运算处理速度大幅提升和系统存储整体效率明显降低等很可易会有另外一些积极负面影响的综合影响，不能够完全同时的满足对智能信息识别功能和对系统信息处理效率的更高度和实时性要求。所以如果我们要想完全的去除所有这些冗余的数据信息，保存所有这些有效数据的信息，即是一定要建立在最原始的LBP特征基础数据模型上来去进行数据降维。后来，Ojala提出了一种既能提高数据统计性又能解决二进制数据过多问题的新模式，“等效模式”，以此来降低数据的维度。“等价模式”是当某个LBP对应的循环二进制数在0到1或1到0之间最多发生了两次以内的变动时，保留该类型不变，对应于该LBP的二进制称为等价模式类。当变动次数超过两次时，都归为同一类，对应于该LBP的二进制数被称为混合模式类。因为Ojala以及其他相关学者是这样考虑的：在实际图像中REF_Ref11799\r\h[12]，大部分的LBP模式仅仅只能发生两次及以内的二进制跳变。例如，二进制码11111111（没有发生过跳变）、000011（仅包括从0跳到1）、00011110（从1跳到0、从0跳到1、两次跳变）是等效模式类别。而混合的模式类别如01010101（8次跳变）可以采用将LBP二进制码和循环移动1比特后的二进制码以位相相加，并验证每个比特的和是否是等效模式的方法。通过这样的改进，因为只能同时进行跳变的两次，0位的位置或全1位置的位置均可以分别有P种选择模式供选择，由于其可循环性，跳变两次的位置选择也可以只有P位和-1种位置可选择，所以两次以上的位置跳变有全P位和(P-1)位两种位置选择的模式，除此之外还有全0，全1位置共有两类的选择的模式。所以对于每一个P个的二进制采样点，模式数量就将可能由之前所规定好的只有2P种的二进制模式数量降低到了只有一个P个(P-1)+的2种二进制混合的模式，即使仅仅是加上跳变的次数大于其2倍的二进制混合的模式数量也只可能也就少得最多一种。由此可见二进制模式数的种类数一下子也就可以大大的地减少掉了很多。例如对于只含有8个采样点的LBP特征，就能实现从一个基本的LBP算子模型中为的256种基本等价模式全部降低到了为的58种基本的等价模式，这样的基本等价模式基本上已经几乎占尽到了总的等价模式类型中为的绝大多数，不仅是显著的降低到了原始特征的维数，而且是实际上的还可以明显地降低到减少了对高频噪声的影响。所以这些混合等效模式类型通常能够同时识别表示图像信息中的三角点、边缘、斑点等的几个重要像素信息，所以使用这些混合等效模式类别和这些混合等效模式类别直方图可以更快、更好地分析和提取这些图像特征。4.2仿真实验表4.1本次实验的数据如下：基于LBPH的人脸识别算法第一次实验第二次实验第三次实验第四次实验训练样本类数9181818每类样本数20202040测试样本数15153030识别率88.37%86.68%94.54%97.68%识别时间11.12s11.83s14.86s15.21s4.3实验结果与分析可从上表中得到的信息为：1、在训练样本每类样本数不变的情况下，仅增加训练样本类数，可使得在识别时间不发生大幅涨幅的同时提高其识别率。2、当其他条件不变仅增加训练样本数时，其识别时间有小幅的增加，但对于识别率的提升没有明显的帮助。3、当其他条件不变的情况下，仅增加每类样本数的数量，可以使得识别率有明显的增加，且在识别时间上没有大的涨幅。上表中没有表现出来的信息为：1、在实验过程中得到，在进行图片训练时，该算法没有训练图像大小的要求，任意格式的图片都可以使用2、在实验中可观察出，LBPH算法的鲁棒性相较于前两种算法好很多，对光照下的图片识别率会有提高。3、同时，待测人脸的尺寸必须与训练尺寸相统一，并且待测人脸必须为正面人脸图像，否则识别错误率将会极大提升。可以得出的结论为，基于lbph的人脸识别方法，在环境变化不大的情况下，人脸识别率可以随着训练样本数的增加而持续增高，并且识别时间仅随测试样本数持续小幅增长。相比于前两种方法，因为其需要在每一副测试图片上进行处理后进行识别，所以该方法在识别时间上要明显长于前两者。但对光鲜的敏感程度要比前者弱很多。第五章：总结与展望5.1总结本文作者通过借助编程语言Python语言和语言开发工具matlab编程完成实现了下面这几个基于人脸生物特征识别的技术的分别为几个面向不同的领域应用的算法的实现，基于Eigenface的人脸生物识别算法，基于LBPH的人脸生物识别算法，基于FISHER线性判决技术的人脸生物特征识别算法。首先是对人脸特征识别新技术的应用研究及意义介绍与典型应用情况介绍，介绍人脸特征识别新技术与一些其他常用的人脸生物特征的识别应用技术之间的优势劣势REF_Ref12282\r\h[14]REF_Ref12289\r\h[13]REF_Ref12292\r\h[15]。介绍包括了OpenCV一些特定的算法和OpenCV的主要特点，对使用的python语言的进行简单介绍，操作人员在使用python编程语言下如何对一个OpenCV进行配置也给出了较详细具体的配置步骤。介绍了人脸识别技术应用中常用的几种关键指标包括时间、速度、数据存储量和数