Pide ayuda a expertos. Gracias.

El reconocimiento facial es una tecnología de reconocimiento de características fisiológicas que ha sido ampliamente investigada y aplicada después de más de 20 años de desarrollo, ha logrado un rápido progreso, integrando el reconocimiento de patrones modernos, la tecnología biométrica, la ingeniería de imágenes, la inteligencia informática y el conocimiento de redes neuronales. muchas disciplinas. El principio básico es extraer la información de características locales de la imagen del conjunto de entrenamiento como la secuencia del patrón de entrenamiento, luego extraer la información de las características locales de la imagen del conjunto de prueba como la secuencia del patrón de prueba, distinguir la diferencia de información entre los dos mediante la clasificación y, finalmente, dar el resultado del juicio. Por lo tanto, la extracción de información de características locales es la clave para el reconocimiento facial, y la calidad de la clasificación de patrones y los algoritmos de reconocimiento también afectarán la eficiencia del reconocimiento.

Basado en el estudio del modelo binario local LBP (Loal Binary Pattern), este artículo propone utilizar el análisis wavelet bidimensional para analizar las características locales tiempo-frecuencia de la señal o imagen, y utilizar diferentes filtros para comparar diferencias en la información de características locales, buscar información local y direcciones de características de interés, etc., descomponer una imagen de entrada en cuatro subimágenes desde cuatro direcciones diferentes, obtener los vectores de características correspondientes para cada subimagen y luego seleccionar la tamaño de subbloque apropiado, realice la codificación de patrón binario local en la imagen dividida. Dado que el vector de características de cada subimagen es una característica de alta dimensión, la teoría del subespacio lineal se utiliza para realizar una transformación de reducción de dimensionalidad en el vector de características, lo que puede ser mejor. comprime las características de la imagen vectorial de la cara, más rápido sin reducir la eficiencia del reconocimiento.

En el método de reconocimiento facial, este artículo utiliza el operador LBP mejorado para obtener la información local más importante en la imagen, mejorar y resaltar los puntos clave de interés en la cara y estudiar el algoritmo de la teoría wavelet. , Y propone un Los vectores de características de baja y alta frecuencia se extraen por separado y se combinan las ventajas de las dos teorías de algoritmos.

Basado en Yale Face Database y ORL Face Database. Los resultados experimentales muestran que el método propuesto es más eficiente en el reconocimiento de dolor lumbar que un método único. También se puede reconocer mejor en condiciones de iluminación variables y cuando las expresiones cambian. Puede adaptarse a una cierta intensidad del entorno de iluminación y responder a los cambios en las expresiones. Insensible.