采用局部二值模式与深度信念网络的人脸识别

针对人脸维度过高和人脸局部特征提取易忽略的问题,提出了一种将多尺度局部二值模式( LBP)算法与深度信念网络( DBN)算法相结合的人脸识别方法。首先采用多尺度LBP算法提取人脸纹理特征,进而将LBP提取的纹理特征作为深度信念网络的输入,最后通过逐层网络训练,得到网络的最优参数,并在ORL人脸库中进行测试,识别率可达95.2%,比使用Gabor小波和主成分分析(PCA)算法的人脸识别高2.6%,说明该算法具有很好的人脸识别能力。     

基于SLBP深度信念网络的人脸识别研究

针对传统局部二值模式(LBP)特征提取不充分和分类器拟合的问题,提出一种基于局部纹理特征的显著局部二值模式(SLBP)和深度学习的人脸识别方法。首先,利用改进的SLBP算法提取人脸图像局部纹理特征,建立SLBP直方图;然后构建基于深度信念网络的深度学习架构,将SLBP直方图输入到深度信念网络中,采用无监督逐层训练法和有监督BP算法去训练网络,实现网络的自学习和自优化,得到网络参数;最后,利用DBN分类、识别人脸图像。仿真实验证实,所提人脸识别方法在识别率和鲁棒性方面优于传统人脸识别方法。     

基于LBP和深度学习的手写签名识别算法

为优化手写签名识别算法性能,提出了一种局部二值模式(LBP)和深度学习相结合的手写签名识别算法.针对签名图像进行预处理、维纳滤波去除噪声;将预处理签名图像分为3×4子块,LBP应用于分块后的每个子图像,并将每个子块的纹理直方图特征连接起来,形成全局直方图特征;将得到的特征向量作为深度信念网络(DBN)的输入,逐层训练网络,并在顶层形成分类面,对签名图片进行识别.基于GPDS、MCYT及原创数据库进行实验,识别率误差分别为5.S5％、9.3％、1.17％,有效提高了手写签名的识别精度,符合实际应用的要求.     

一种新的人脸面部表情识别算法研究

针对人脸面部表情的识别率易受非均匀光照影响,进而降低人脸面部表情辨识率的问题,提出一种融合局部特征与深度置信网络（DBN）的人脸面部表情识别算法。首先提取出人脸面部表情图像中的局部敏感质量分布图（LSH）非均匀光照不变特征;其次通过双编码局部二值模式（DCLBP）提取出人脸面部表情的边缘局部细节纹理特征;然后计算其各自特征的基本标准差来进一步确定自适应融合特征的权重值,并以此构造融合后的人脸面部表情特征;最后将部敏感质量分布图（LSH）与双编码局部二值模式（DCLBP）融合后的人脸面部表情特征进行训练深度置信网络（DBN）模型,将训练后的深度置信网络（DBN）模型进行人脸面部表情识别。在JAFFE人脸面部表情数据库和自建的维吾尔族人脸面部表情数据库中识别实验表明,该算法比其他4中算法的对比中其识别率分别至少提高了4.3%和5.22%,具有很好的鲁棒性和有效性。     

基于图像差分与卷积深度置信网络的表情识别

针对传统的人脸表情识别方法中提取表情特征时 没有去除个体性差异及突出表情关键部位的高层次 特征,本文提出一种将图像差分与改进的卷积深度置信网络(CDBN)相结合的表情识别方法 。首先对人 脸表情图片进行裁剪、降维等预处理,之后将各类表情图像与中性表情图像做差分运算提取 各类表情的差 分图像,为了提取表情关键部位的深层次特征,本文将卷积受限玻尔兹曼机(CRBM)的可见层 单元划分为多 个区域,分区进行特征学习,并将此CRBM堆叠起来,形成分区卷积深度置信网络(PCDBN), 之后将各表 情的差分图像作为PCDBN可视层的输入,并利用对比散度算法逐层训练网络,最后在顶层添 加softmax 分类器作为输出层以实现表情识别。在JAFFE和CK+表情库上的实验结果均达到了95%以上的识别率,扩 大训练样本后,在CK+表情库上的识别率可达99%以上。     

采用新型纹理特征的2DLDA人脸识别算法

针对现有基于纹理特征的人脸识别算法中纹理特征维数偏大且对噪声较敏感等不足,提出了用于描述人脸图像大尺度局部特征的中心四点二元模式（Center Quad Binary Pattern, C-QBP）和用于描述图像小尺度局部特征的简化四点二元模式（Simplified Quad Binary Pattern, S-QBP）两种互补的新型纹理特征。在此基础上,实现基于新型纹理特征的2DLDA人脸识别算法。首先对人脸图像进行多级分割,再对所产生的图像块提取C-QBP和S-QBP纹理特征,构建纹理特征矩阵。最后,采用2DLDA子空间学习算法实现基于新型纹理特征的人脸识别。实验结果表明,本文所提出的人脸识别算法的识别率明显高于其他基于纹理特征和子空间学习的人脸识别算法。当每一类训练样本数统一设置为5,特征维数为48×4时,在ORL人脸库上,本文所提出的人脸识别算法的识别率达98.68%;在YALE人脸库上,特征维数为48×36时,识别率达99.42%;在FERET人脸库上,特征维数为48×26时,识别率为91.73%。      

一种基于全局和局部特征的LBP算法应用

提出一种基于全局和局部特征的LBP人脸识别算法。首先将人脸图像进行LBP提取全局直方图特征,再将图像分块,提取每块的LBP局部直方图特征,最后将全局和局部特征按一定的顺序相结合作为图像的总体特征。然后通过RBF神经网络进行分类识别。在ORL人脸库上的实验结果表明,该算法具有较高的识别率。     

一种基于融合深度卷积神经网络与度量学习的人脸识别方法

现有的卷积神经网络方法大多以增大类间距离为学习目标,而忽略类内距离的减小,这对于人脸识别来说,将导致一些非限制条件下(如姿态、光照等)的人脸无法被准确识别,为了解决此问题,提出一种基于融合度量学习算法和深度卷积神经网络的人脸识别方法。首先,提出一种基于多Inception结构的人脸特征提取网络,使用较少参数来提取特征;其次,提出一种联合损失的度量学习方法,将分类损失和中心损失进行加权联合;最后,将深度卷积神经网络和度量学习方法进行融合,在网络训练时,达到增大类间距离同时减小类内距离的学习目标。实验结果表明,该方法能提取出更具区分性的人脸特征,与分类损失方法及融合了其他度量学习方式的方法相比,提升了非限制条件下的人脸识别准确率。     

基于深度卷积神经网络的多特征融合的手势识别

针对传统的分类方法由于提取的特征比较单一或者分类器结构过于简单,导致手语识别率较低的问题,本文将深度卷积神经网络架构作为分类器与多特征融合算法进行结合,通过使用纹理特征结合形状特征做到有效识别。首先纹理特征通过LBP、卷积神经网络和灰度共生矩阵方法得到,其中形状特征向量由Hu氏不变量和傅里叶级数组成。为了避免过拟合现象,使用"dropout"方法训练深度卷积神经网络。这种基于深度卷积神经网络的多特征融合的手语识别方法,在"hand"数据库中,对32种势的识别率为97.73%。相比一般的手语识别方法,此方法鲁棒性更强,并且识别率更高。     

小波变换和LBP对数域特征提取的人脸识别算法北大核心CSCD

为了改善复杂光照条件下人脸识别的性能,提出结合小波变换和LBP(Local Binary Pattern,LBP)提取复杂光照下人脸图像的对数域特征来进行人脸识别。本文首先将人脸图像由空域变换到对数域,再做两级离散小波分解,并利用高频分量重构原图,也即对人脸图像进行高通滤波,滤除低频光照成分,以达到复杂光照补偿的目的,最后利用分块LBP提取光照补偿后图像的局部纹理特征,并将这些特征应用于人脸识别。基于Yale-B和CMU-PIE人脸库上的实验结果显示本文算法对复杂光照具有较强鲁棒性,具备提取复杂光照条件下人脸图像有效特征的能力。     

基于显著性局部定向模式和深度学习的鲁棒人脸识别

针对传统人脸识别算法特征提取不充分和对噪声敏 感的问题,提出了一种基于显著性局部定向模式(SLDP)和深 度学习(DL)的人脸识别算法。首先基于信息的显著性提出一种改进的SLDP人脸描述方法,在 利用局部井型 领域梯度信息的基础上,使用两组梯度值中各自最大值和次大值的方向编码成二位八进制数 ,从而形成改进的 SLDP编码,通过统计选出最具有显著性的SLDP编码作为特征向量;然后将改进的SLDP编码作 为深度神经网 络(DBN)的输入,通过逐层贪婪训练网络,获得良好的网络参数,并用训练好的网络对测试 样本进行预测。仿真实验表明, 本文所提出的人脸识别算法相对于传统识别算法识别率高,并且在对抗噪声方面比其它算法 更具有鲁棒性。     

多层融合深度局部PCA子空间稀疏优化特征提取模型

子空间方法是主要利用全局信息的经典模式识别方法,随着深度学习思想的引入,局部自学习结构特征模型得到大家的关注.利用深度学习原理,本文提出一种多层融合的深度局部子空间稀疏优化特征自学习抽取模型解决目标识别问题.首先,对训练样本集通过最小化重构误差得到第一层的主成分（Principal Component Analysis,PCA）特征映射矩阵;然后,通过L₁范数约束对特征映射结果进行稀疏优化,提高算法鲁棒性.接着,在第二层映射层以第一层的特征输出为输入,进行同样的特征矩阵学习操作,最终将图像映射至深层PCA子空间;然后,对各个映射层的特征提取结果进行加权融合,进行二值化哈希编码和直方图分块编码,提取图像的深度子空间稀疏特征.在FERET、AR、Yale等经典人脸数据库以及MNIST、CIFAR-10等目标数据库上的实验结果表明,该算法可以取得较高的识别率以及较好的光照、表情、人脸朝向鲁棒性,并且相对于卷积神经网络等深度学习框架具有结构简洁、收敛速度快等优点.     

基于显著性差值局部定向模式和深度卷积网络的鲁棒人脸识别

针对传统人脸识别算法特征提取不充分和对噪声敏感的缺点,提出了一种基于显著性差值局 部定向模式(SDLDP) 和深度卷积网络(DCNN)的人脸识别算法。基于信息的显著性,提出一种改进的SDLDP人脸描 述方法,首先计算8个相邻边缘响应值的强度差,前k个最突出的 强度差对应的方向编码为1,其他方向编码为0;然后在利用局部井型领域梯度信息的基础上 ,使用两组梯度值中各自最大值和次大值的方向编码成一个二位八进制数,从而形成改进 的SDLDP编码,进而通过统计选出最具有显著性的SDLDP编码作为特征向量;最后将改进的SD LDP编码作为DCNN的输入,通过逐层贪婪训练网络,获得良好的网络参数,并用训练好的网 络对测试样本进行预测。仿真实验表明,相对于传统的人脸识别算法,本文算法的识别率高 ,并且在对抗噪声方面更具有鲁棒性。     

Improving Deep Learning Feature with Facial Texture Feature for Face Recognition

Face recognition in the reality, is a challenging problem, due to varieties in illumination, background, pose etc. Recently, the deep learning based face recognition algorithm is able to learn effective face features to obtain a very impressive performance. However, this kind of face recognition algorithm completely relies on the machine learning based face features, while ignores the useful experience in hand-craft features which have been studied in a long period. Therefore, a face recognition based on facial texture feature aided deep learning feature (FTFA-DLF) is proposed in this paper. The proposed FTFA-DLF is able to combine the benefits of deep learning and hand-craft features. In the proposed FTFA-DLF method, the hand-craft features are texture features extracted from the eyes, nose, and mouth regions. Then, the hand-craft features are used to aid deep learning features by adding both deep learning and hand-craft features into the objective function layer, which adaptively adjusts the deep learning features so that it can better cooperate with the hand-craft features and obtain a better face recognition performance. Experimental results show that the proposed face recognition algorithm on the LFW face database to achieve the accuracy rate of 97.02%.     

基于深度学习的有遮挡人脸识别方法研究

针对传统CNN在有遮挡人脸识别中计算量大的问题,文中以L1-2DPCA为基础,提出了一种用于人脸识别的新型PCANet深度学习网络.该网络以L1-2DPCA学习多个卷积层的滤波器,在卷积层之后,通过二进制散列和逐块直方图进行池化.文中以CNN、PCANet、2DPCANet和L1-PCANet作为比较,在AR和RMFD...     

基于对角切片特征提取和深度学习的辐射源识别

针对复杂电磁环境下辐射源识别率低的问题，提出基于对角切片特征和深度学习的辐射源识别算法。利用辐射源信号双谱的个体特性，提取信号双谱对角切片特征作为深度学习模型的输入数据，采用Softmax分类器进行辐射源识别。仿真实验利用两部同型辐射源进行测试，结果表明该算法能识别个体辐射源，在低信噪比条件下也能获得高的辐射源识别率；相比于其他识别算法，双谱对角切片特征有更鲁棒的分辨性。     

基于形状无关纹理和Boosting学习的人口统计学分类

基于形状无关纹理和boosting学习,该文提出了对性别和年龄分类的方法,其中年龄被划分为儿童、青年、中年和老年4类。检测到人脸后,利用人脸配准的结果规范化人脸图像获得形状无关纹理。在此基础上提取Haar型特征、LBP直方图和Gabor Jet 3种特征,通过boosting学习分别训练分类器。实验表明,LBP直方图特征能够鲁棒地区分儿童和老人,Haar型特征用作区分青年和中年人则更为有效,而Gabor Jet特征更适于性别分类。     

基于多分支卷积神经网络的车辆图像比对方法

为了更有针对性地从车辆图像的不同区域提取出独特的图像特征,提出基于多分支卷积神经网络的车辆图像比对方法.首先,根据车牌定位结果获取比对车辆的车脸图像,并根据车脸图像的纹理丰富度将车脸图像划分为多个图像块;其次,使用多分支卷积神经网络分别提取各车脸图像块的深度特征;最后,通过计算车脸图像深度特征的相似度判定比对的车辆图像是否属于同种车型.实验表明,提出的方法能够提取有效的车辆图像各区域的深度特征,获得良好的车辆比对准确率,可用于套牌车辆识别.