LBP与LNMF特征融合的人脸识别

计算机工程与应用 ›› 2013, Vol. 49 ›› Issue (5): 166-169.

LBP与LNMF特征融合的人脸识别

袁宝华1，王欢2，任明武2

1.南京理工大学泰州科技学院计算机系，江苏泰州 225300
2.南京理工大学计算机系，南京 210094

出版日期:2013-03-01 发布日期:2013-03-14

Fusing local binary pattern and LNMF of face recognition

YUAN Baohua1, WANG Huan2, REN Mingwu2

1.Department of Computer Science & Technology, Taizhou Institute of Science & Technology, Nanjing University of Science and Technology, Taizhou, Jiangsu 225300, China
2.School of Computer Science & Technology, Nanjing University of Science and Technology, Nanjing 210094, China

Online:2013-03-01 Published:2013-03-14

摘要/Abstract

摘要： 提出一种融合局部二值模式（LBP）和局部非负矩阵分解（LNMF）进行人脸识别的方法，采用LBP算子提取分块人脸图像的LBP直方图序列（LBPHS），根据每块的贡献度，得到权重的直方图序列（Weight LBPHS），采用LNMF方法提取其非负子空间及其系数矩阵，根据最近邻原则进行识别。在ORL和YALE标准人脸数据库上的实验表明，该方法具有较高的识别率。

关键词: 局部二值模式, 局部非负矩阵分解, 人脸识别

Abstract: A method of face recognition based on Local Binary Pattern（LBP） and Local Non-negative Matrix Factorization（LNMF） is proposed. LBP operator is used to extract the LBP Histogram Sequence（LBPHS） from block face images. According to the contribution of each face block, weight LBP Histogram Sequence（Weight LBPHS） is obtained. LNMF is applied to weight LBPHS for extracting non-negative subspace and the corresponding coefficient matrices. Nearest neighbor principle is utilized in face recognition. The simulation experiments illustrate that this method has better recognition rate on the ORL and YALE face database.

Key words: local binary pattern, local non-negative matrix factorization, face recognition

袁宝华1，王欢2，任明武2. LBP与LNMF特征融合的人脸识别[J]. 计算机工程与应用, 2013, 49(5): 166-169.

YUAN Baohua1, WANG Huan2, REN Mingwu2. Fusing local binary pattern and LNMF of face recognition[J]. Computer Engineering and Applications, 2013, 49(5): 166-169.

[1]	乔慧，周水生. 非线性角度2DPCA及其在人脸识别中的应用[J]. 计算机工程与应用, 2021, 57(8): 112-118.
[2]	胡文涛，陈秀宏. 基于邻域图的低秩投影学习[J]. 计算机工程与应用, 2021, 57(7): 209-214.
[3]	王昌龙，张远东，缪宏，杨煜恒. 双通道卷积神经网络在南瓜病害识别上的应用[J]. 计算机工程与应用, 2021, 57(5): 183-189.
[4]	王鹏，叶学义，王涛，钱丁炜. 双偏差双空间局部方向模式的人脸识别[J]. 计算机工程与应用, 2021, 57(4): 91-99.
[5]	石正宇，陈仁文，黄斌. 基于自归一化神经网络的低分辨率人脸识别[J]. 计算机工程与应用, 2021, 57(3): 137-143.
[6]	李俊瑶，黎智辉，谢兰迟，侯欣雨，叶东. 基于老化模型的跨年龄人脸识别研究进展[J]. 计算机工程与应用, 2021, 57(24): 27-38.
[7]	刘金金，李清宝，李晓楠. 基于对抗学习和知识蒸馏的神经网络压缩算法[J]. 计算机工程与应用, 2021, 57(21): 180-187.
[8]	徐遐龄，刘涛，田国辉，于文娟，肖大军，梁陕鹏. 有遮挡环境下的人脸识别方法综述[J]. 计算机工程与应用, 2021, 57(17): 46-60.
[9]	徐然然，吴小俊，尹贺峰. 鉴别性非负表示分类及其在人脸识别中的应用[J]. 计算机工程与应用, 2021, 57(13): 147-153.
[10]	王钰，刘凡，王菲. 基于自编码器和稀疏表示的单样本人脸识别[J]. 计算机工程与应用, 2021, 57(1): 168-172.
[11]	董艳花，张树美，赵俊莉. 有遮挡人脸识别方法综述[J]. 计算机工程与应用, 2020, 56(9): 1-12.
[12]	林克正，张元铭，李昊天. 信息熵加权的HOG特征提取算法研究[J]. 计算机工程与应用, 2020, 56(6): 147-152.
[13]	袁小平，崔棋纹，程干，张侠，张毅，王溯源. 改进型Gabor自商图算法及其在人脸识别中的应用[J]. 计算机工程与应用, 2020, 56(5): 206-213.
[14]	张飞翔，余学儒，何卫锋，李琛. 结合改进的损失函数与多重范数的人脸识别[J]. 计算机工程与应用, 2020, 56(24): 144-150.
[15]	陈哲，吴小俊. 基于结构化低秩恢复的鲁棒人脸识别算法[J]. 计算机工程与应用, 2019, 55(6): 126-132.