本研究探讨了LBP（局部二值模式）算法在人脸识别技术中的应用效果与改进策略，旨在提升人脸图像识别的准确性和鲁棒性。
随着计算机与信息技术的快速发展，人脸识别技术越来越受到重视。本段落主要研究了人脸在不同光照条件及表情变化下的特征提取与识别的关键问题，并提出了一些改进方法并通过实验进行了可靠性验证。
针对LBP算法（局部二值模式）在提取人脸图像的表情特征信息时会丢失特殊特征信息的问题，我们提出了多重局部二值模式的人脸表情识别方法（Multiple Local Binary Patterns, MILBP）。该方法在保留了LBP算法的优点基础上，通过增加一位二值编码，并利用中心像素点的作用以及邻域像素点灰度值之间的关系，得出特征向量图。实验结果表明MLBP算法比LBP算法描述的表情纹理图像更加均匀，且识别率提高了约10%。
针对人脸表情图像进行纹理特征提取时的模块大小划分问题，我们提出将MLBP方法与Harr小波分解相结合的方法：首先对表情图像进行Har小波分解以得到四幅不同频率的子图象；然后从其中三幅子图中抽取MLBP特征，并将这些特征值串联形成表情图像的特征向量。实验结果表明，该方法比直接使用MLBP提取的表情特征所产生的特征向量维度减少了25%，同时提高了特征提取和识别的速度以及约9%的识别率。
人脸识别研究中的识别效果常常会受到光照强度的影响。鉴于此，在MLBP算法具有旋转不变性的基础上，并结合Gabor小波能够提供空间位置、频率特性的优势，我们提出了多重局部Gabor二值模式方法（Multiple Local Gabor Binary Pattern, MLGBP）。该方法首先对人脸图像进行Gabor变换处理以保留受光照影响较小的高频部分；然后使用MLBP算法对此后的图象采用分块编码的方式，并最终得到联合直方图序列，获得丰富的局部特征信息。实验结果表明，此法有效降低了光照变化对于识别率的影响，在光线不均匀时提高了人脸识别的成功率，且在特征提取方面比Gabor等方法更加高效。
5星
