《表3 不同算法下的准确识别率》

  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

《基于分块LBP融合特征和SVM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

%

从上述结果可以看出:只用LBP算子提取特征的时候，分块的方法能大幅度提高传统方法的识别率，但随着分块的增多，特征维数急剧增加，图像被分割得过于稀疏，反而丢失了一些统计特性，导致识别率有下降的趋势。在4×4分块的情况下，YALU库上的识别率提高了19.28%，ORL库上的识别率提高了11.5%，且特征维度适中，当融合进25×25的均值特征后，在YALE和ORL上的识别准确率高达95.15%和99.75%，相比单一LBP特征，识别率提高了11.51%和4.25%。同时，特征维数仅仅增加了625维，证明了融合均值特征的方法在大大提高识别准确率的同时，也较好地控制了特征维数的增加。针对ORL标准人脸数据库，在2×2的分块模式下提取LBP特征，通过调用WEKA中的集成算法，比较了C4.5决策树、朴素贝叶斯、K近邻、PART决策、随机森林、以及SVM等6种算法的识别准确率，所有算法均采用WEKA默认参数，实验结果如表3所示。