基于改进LBP的单样本人脸识别算法

针对人脸识别难题,提出一种基于改进LBP(Local Binary Patterns)算子的单样本人脸识别算法。采用Bernser算法与LBP算子结合的BLBP算子,最后利用Chi平方统计方法计算直方图的相似度。在识别时,采用的是核实式的一对一匹配,根据训练的阈值,判断两张比对的人脸图像是否为同一个人。所提出的算法在实际人脸图像和FERRET人脸数据库下的人脸识别中,与原LBP算法相比识别率有所提高。实验结果表明,改进后的LBP算子有较好的去噪能力,在实际的人脸识别中能获得更好的识别率。     

基于多尺度LBP的人脸识别

提出一种基于多尺度LBP(Local Binary Pattern)的人脸识别算法。建立人脸图像高斯差分尺度空间,计算尺度空间图像的LBP特征,将LBP特征图像划分为互不重叠的特征区域,然后分别进行直方图统计,最后将所有区域的LBP直方图序列连接起来得到多尺度LBP特征,采用最近邻分类器对人脸图像分类识别。实验分析表明,多尺度LBP特征具有较强的人脸图像描述能力,能够提取到更加丰富的全局信息,鲁棒性强,在识别率和识别速度上均比SIFT算法高。     

LDBP和LBP特征融合的行人检测

提出一种基于局部差分二值模型（Local Difference Binary Pattern,LDBP）和局部二值模型（Local Binary Pattern,LBP）的特征融合方法,以解决行人检测中检测精确度和鲁棒性不足的问题。对输入图像进行二维离散Haar小波变换,得到不同频率的四个子图像（LL,LH,HL和HH）;对低频部分子图像提取LDBP特征,以及对其他三个高频部分子图像提取LBP特征;采用主成分分析法（PCA）分别对得到的LDBP特征和LBP特征进行降维;融合降维后的LDBP特征和LBP特征进行行人检测。在INRIA数据集上采用支持向量机（SVM）进行测试,实验结果表明,该方法能有效地提高检测精确度,且具有较好的鲁棒性。     

基于局部二元模式的面部表情识别研究

提出了一种基于局部二元模式（Local Binary Pattern,LBP）与支持向量机（SVM）相结合的面部表情识别方法。使用LBP算子对图像进行处理,对图像的模式进行统计形成面部表情特征;使用线性判别分析对表情特征进行降维处理;采用支持向量机对面部表情进行分类。用Matlab实现了上述方法,并在日本女性人脸表情（JAFFE）数据库上测试,取得了70.95%的识别率。     

基于LBP的鲁棒特征提取与匹配方法研究

针对现有的Harris角点提取算法在图像匹配法中,存在精度低、抗干扰和抗光照变化能力弱的缺陷,提出一种基于局部二进制模式（Local Binary Patterns,LBP）和图变换匹配算法（Graph Transformation Matching,GTM）相结合的鲁棒精确匹配算法。采用改进的Harris边缘特征检测提取特征点并选取图像块作为特征区域;采用改进的中心对称局部二进制模式（Center Symmetric Local Binary Patterns,CSLBP）对高维特征进行降维生成24维特征描述子,并依据欧氏距离实现图像粗匹配;采用图变化匹配法剔除误差匹配来改善匹配的精度和鲁棒性。测试结果表明,所建议算法是有效的,它不仅具有良好的抗尺度和旋转变化特性,而且具有较强的噪声抑制能力和抗光照变化能力。提出的鲁棒性算法不仅充分考虑到传统特征匹配算法优缺点,使检测与匹配结果更加准确,而且较Harris算法以及LBP算法稳定性和准确度有了明显的提高。     

基于LBP和稀疏表示的天际线检测算法研究

天际线的检测在视觉导航、地理位置标注中具有重要的作用。提出一种基于LBP（Local Binary Pattern）和稀疏表示融合算法用来检测输入图像中的天际线。首先对图像作灰度化处理,接着对训练样本图像天际线相邻像素点坐标建立3×3的特征提取区域,根据LBP特征统计直方图建立天际线LBP特征向量,得到字典;然后在测试样本上依次搜索3×3区域中的像素点,通过稀疏分解系数计算重构误差,根据重构误差阈值的设定判断此区域为天际线区域,从而得到此区域中的天际线坐标。提出的算法在内华达大学机器视觉实验室Web Set数据集上进行了测试,实验结果表明：提出的算法能有效地检测出输入图像中的天际线像素点坐标,具有较好的有效性和时效性。     

局部定向模式在人脸识别中的应用

人脸识别是当今模式识别和人工智能领域的一个活跃研究方向。基于局部二值模式（LBP）算子提出局部定向模式（Local Directional Pattern,LDP）算子。对人脸图像进行分块,采用局部定向模式算子对每块图像进行特征提取并计算每块区域的特征直方图,对特征直方图采用Chi距离测度进行比较识别。实验证明,该方法在Yale人脸数据库和Yale B人脸数据库相比局部二值模式有更好的识别率,说明该方法对光照有良好的鲁棒性。     

面向表情识别的AVR和增强LBP特征选择方法

由于对局部纹理特征具有很强的描述能力,LBP（Local Binary Patterns）已经被广泛应用于模式识别、计算机视觉等相关领域,但传统的LBP在表情识别中的正确率并不高,提出了一种结合小波分解的改进LBP特征提取方法,首先使用Adaboost人脸检测算法和2D模型提取人脸图像并归一化,并使用小波分解的方法增强LBP特征,然后通过AVR（Augmented Variance Ratio）特征选取方法降维,最后使用SVM进行分类。JAFFE库上的实验证明了该方法的有效性。     

改进的LBP算法在管制员疲劳识别中应用

为了更好地识别空中交通管制员疲劳状态下的面部特征,针对由于局部二值化模式(LBP)算法识别率低和易受外部环境变化等影响,深入研究了LBP算子、直方图特征提取对传统LBP算法改进.并结合了LIOP编码方法,进一步提出了增强局部量化模式(ELQP)算法.结果表明,改进后的LBP算法在管制员疲劳面部识别中具有更高的识别率和较强的鲁棒性.     

基于LBP和栈式自动编码器的人脸识别算法研究

LBP算法对光照敏感且能有效地提取图像的纹理结构特征。提出一种基于局部二值模式（Local Binary Pattern,LBP）和栈式自动编码器（Stacked Autoencoders,SAE）的人脸识别算法。用统一模式LBP算子提取分块后的人脸图像的直方图,按顺序连接形成整幅图像的LBP特征,并将其作为栈式自动编码器的输入,完成进一步的特征提取,实现人脸图像的识别与分类。在Extended Yale B等数据库上的实验结果表明,该算法与传统的人脸识别算法和标准的栈式自动编码器相比,对光照变化有更强的鲁棒性,具有更好的识别效果。     

多尺度中心误差补偿二值模式的表情识别

针对Gabor小波与局部二值模式（Local Binary Pattern,LBP）在表情识别上的局限性,提出了一种多尺度中心误差补偿二值模式（Center Error Compensation Binary Pattern,CECBP）的表情识别方法。对预处理后的人脸表情图像创建多尺度的金字塔,用中心误差补偿二值模式对金字塔中的各层图像进行编码,分块提取各层编码后的直方图序列作为特征,用支持向量机（Support Vector Machine,SVM）进行分类。在JAFFE、Cohn-Kanade以及Pain Expression表情库上的交叉验证表明,该方法可以抑制噪声,具有较高的识别率和较快的识别速度,比传统的Gabor小波以及LBP更具有优势。     

改进型WLD与LBP特征融合的行人检测

为提高行人检测的识别率,提出一种基于改进型韦伯局部描述子(WLD)和局部二元模式(LBP)的特征融合方法进行行人检测。对图像进行二维离散Haar小波变换得到4个不同频率的子图像,对其中1个低频部分提取WLD特征,对3个高频部分提取LBP特征,并将各个子图像的特征串接为1个向量,得到WLD-LBP特征。在INRIA Person数据集上利用SVM作为分类器进行测试,实验结果表明,与单独WLD特征、梯度方向直方图(HOG)特征、PHOG特征以及HOG-LBP特征融合方法相比,该方法的识别率最高,可达98.1%,并且对光照和噪声也有较好的鲁棒性。     

LMCP:用于变化光照下人脸识别的LBP改进方法

LBP算子是在人脸识别和纹理分析领域比较成功的一种方法,但是由于没有考虑像素值之间的对比度,因而丢弃掉了重要的纹理特征。提出了一种LMCP方法,解决了LBP方法的这个缺点。该方法先通过预处理,将光照变化控制在一定范围内,然后求得局部区域中心像素点和邻居像素点之间的对比度值,并将其最大值和最小值之间的值域划分为若干个层次,将每个对比度值映射到某个层次上,再使用LBP类似方法获得若干个数值组合而成的LMCP特征值。此外,还使用了统计映射的方法进行降维。实验结果证明了LMCP方法比LBP方法更加有效。     

增强局部量化模式人脸识别算法

针对局部二值模式没有考虑邻域点之间的关系以及局部序数模式（LIOP）的邻域点数过少不足,提出一种利用大邻域范围内邻域点间序数信息的特征提取算法。该算法首先以类似LIOP编码的方式得到的邻域特征向量,然后应用[k]均值聚类算法降低特征向量的主模数量。同时此聚类过程可以离线进行并且运行十分高效;最终将级联直方图特征作为人脸特征向量。实验结果表明,该方法的鲁棒性和识别率均优于对比算法。最后应用WPCA算法既降低特征维数又提升了算法的识别率。     

结合改进的LBP和LDP的人脸表情识别

提出了一种结合改进的LBP（局部二值模式）和LDP（局部定向模式）的人脸表情特征提取方法。改进的LBP维数明显降低,更多地考虑了空间结构信息且计算速度得到了提高。LDP方法具有很强的抗噪能力,更好地提取边缘信息。基于两种方法可以优势互补,先对图像分块子区域用改进的LBP进行特征提取,再用LDP对脸部子区域进行特征提取,最后把改进的LBP提取的特征和LDP提取的特征按顺序串接起来作为总特征,用最近邻进行分类。在JAFFE表情库进行了实验,证明提出的方法能够有效地提高人脸表情的识别率。