基于局部融合特征与分层增量树的快速人脸识别算法

摘要：

传统的人脸识别模型采用离线方式进行训练,同时由于人脸特征维数较高导致算法的实时性不足.文中分别从人脸特征与分类器两方面来构建快速的人脸识别算法.首先使用SDM(Supervised Descent Method)算法进行人脸特征点定位,提取每个人脸特征点邻域内的局部(Multi Block-Center Symmetric Local Binary Patterns,MB-CSLBP)特征,并将所有的人脸特征点邻域特征以串联的方式构成局部融合特征,即所提出的局部融合MB-CSLBP特征LFP-MB-CSLBP(Local Fusion Feature of MB-CSLBP).将以上特征送入分层增量树HI-tree(Hierarchical Incremental tree)中进行人脸识别模型的在线训练.分层增量树是使用分层聚类算法来实现增量式学习的,因此其能够以在线的方式对识别模型进行训练,具有较高的实时性与准确性.最后在3种不同的人脸库以及摄像头采集的人脸视频上对算法的识别率与实时性进行测试.实验结果表明,相比于当前其他算法,所提算法具有较高的人脸识别率与实时性.

关键词：MB-CSLBP特征、局部融合MB-CSLBP特征、分层增量树、增量式学习

所属期刊栏目：45

分类号：TP391.41(计算技术、计算机技术)

资助基金：湖北省科技支撑计划项目2015BAA018;国家自然科学基金项目61573263

在线出版日期：2018-08-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：308-313