文档介绍：基于OpenCV的人脸识别算法研究与实现
冯婧 顾梅花 摘要:基于OpenCV的人脸识别算法,具体为局部二值模式直方图(LBPH),特征脸(Eigenface)以及Fisherface算法。介绍了各个算法的核心思想、具体实现步骤基于OpenCV的人脸识别算法研究与实现
冯婧 顾梅花 摘要:基于OpenCV的人脸识别算法,具体为局部二值模式直方图(LBPH),特征脸(Eigenface)以及Fisherface算法。介绍了各个算法的核心思想、具体实现步骤、应用场景以及优缺点,并在OpenCV平台上采用Python语言对三种算法进行仿真调试。实验结果显示,LBPH、Eigenface、%、%%。
关键词:人脸识别;OpenCV;LBPH;Eigenface;Fisherface
中图分类号:TP391 文献标识码:A
文章编号:1009-3044(2020)14-0003-03
1引言
人脸识别作为一种主流的生物识别方法,被广泛应用于众多身份鉴别场景,是当下计算机视觉与模式识别领域的研究热点。但是,当面临不同的采集环境,人脸的多姿态问题,即光照问题,表情变化问题,遮挡干扰问题等都给人脸识别带来了挑战,因此人脸识别算法的研究仍有重大意义。本文介绍了基于OpenCV的三种经典人脸识别算法,即局部二值模式直方图(LBPH)算法,特征脸(Eigenface)算法以及Fisherface算法,并给出了相关实验结果与分析。
2基于openCV的三种经典人脸识别算法
(LBPH)算法
局部二值模式(Local Binary Patterns,LBP)在1996年由Timo Ojala等人提出。算法的核心原理是先将人脸灰度图像分成若干小的区域,通过对这些小的区域采用相应的LBP算子进行处理,获得相应的LBP值后,再绘制体现人脸特征信息的LBP统计直方图,并将测试统计直方图与训练统计直方图进行相似度比较,与测试样本最为相似的训练样本即为识别结果。
第一步:将人脸灰度图像划分为若干相同大小的圆形子区域。
第二步:利用公式(1)进行LBP圆形算子处理。LBP圆形算子的主要思想是在子区域内,用圆周上的某个像素点灰度值与中心像素点的灰度值相比较,大于或等于的情况下,该位置像素用l替换,反之,该位置像素用0替换。
第三步:利用公式(2)获得LBP值。即将第二步的结果按一定顺序排列成二进制码序列,再将其转换为十进制数,即得LBP值。在公式(2)中,P代表圆形子区域的圆周上采样像素点个数,R代表圆形子区域的区域半径。
第四步:分别绘制训练集和测试集的LBP统计直方图。
第五步:将测试样本的每个圆形子区域的直方图与训练集中的所有圆形子区域的直方图作比较,与测试样本相似度最高的训练样本即为识别结果。
局部二值模式直方图(LBPH)算法的流程图如图1。
(Eigenface)算法
特征脸(Eigenface)