《表4 CAS-PEAL人脸库上的识别率》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于自适应加权Curvelet梯度方向直方图的人脸识别算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

从表3～5的实验数据对比可以看出，AWCHOG算法的识别率明显高于其他对比算法，尤其在表情和姿态变化方面，AWCHOG算法优势明显。Wavelet算法虽然具有多分辨率的特点，但由于小波变换无法准确表示人脸图像奇异曲线的弱点，无法对含有较多轮廓细节信息和五官曲线信息实现最优的稀疏表示，因此识别率比较低。从表3～5可以看出，Curvelet变换的识别率明显优于小波变换。HOG算子能够提取图像的边缘和形状特征，并且对光照和噪声变化具有一定的鲁棒性，但是从表4和表5可以看出：HOG对于饰物以及遮挡的识别效果不佳，主要是因为在眼部或者嘴部被遮挡的情况下，能提取的边缘轮廓信息减少；Curvelet+PCA+SRC算法使得人脸图像经过Curvelet变换后获得更多的曲线特征并且拥有最优的稀疏表示，分类效果显著，但受光照影响较大；Gabor+HOG和NSCT+LBP算法可以提取到更多局部信息，在表情、光照及姿态变化方面都获得了良好的识别率。由表3～5可知，本文算法应用最近邻分类器的效果总体上优于协作分类方法。虽然AWNHOG算法在遮挡方面识别率较高，但从整体上来看AWCHOG算法的识别效果更佳。AWCHOG算法通过对人脸图像进行Curvelet变换分解到不同尺度和方向上，系数编码融合后进行自适应HOG特征提取，可以更好地提取各方向的纹理和轮廓信息，同时避免了特征冗余。对表情、光照、遮挡和姿势变化等均具有较强的鲁棒性。