周雷雷, 蒋行国, 李海鸥

(1.桂林电子科技大学 信息与通信学院,广西 桂林 541004;2.四川轻化工大学 自动化与信息工程学院,四川 宜宾 644000)

随着计算机视觉的快速发展,人脸识别[1-2]这一非接触性、具有可视化性特点的生物特征识别技术应运而生,并在人们生活中扮演着不可或缺的角色。人脸特征的提取是人脸识别技术中最关键的一步,特征提取及特征融合不但从原始模式信息中提取出最有利于模式分类的特征,而且极大地降低模式样本的维数[3-5]。因此,如何选取并提取稳定可靠的人脸特征是人脸识别技术中迫切需要解决的问题[6]。

近年来,一些基于组合特征的人脸识别方法相继出现,相对于单一的人脸特征,组合特征可以实现优势互补,囊括更多的人脸信息,获得更优的人脸识别效果[7-8]。文献[9]提出一种基于线性融合表示分类的人脸识别方法,将原始训练样本与原始训练样本图像对应的新获得的镜像用作线性回归分类(LRC)的训练集,然后生成每个图像的逆图像,并将逆训练图像用于执行协作表示分类(CRC),最后采用分数级融合特征完成人脸分类,经实验表明,该方法具有非常有竞争力的分类结果。文献[10]提出一种新颖的多极特征融合模型(MFFM),MFFM 由两部分组成,第一部分包含一系列功能模块,是一种用于对一个高级功能进行建模的体系结构,对其进行训练可以提取每个输入图像的多个属性部分中最具有辨别性的特征。第二部分是将手工设计特征与深度特征相融合,利用HOG和LBP 依次计算统计梯度和图像各像素的LBP特征,该模型在数据集中进行测试,获得了很好的效果。……