基于CSLBP的轴承信号时频特征提取方法

针对滚动球轴承振动加速度信号特征提取问题,提出一种基于中心对称局部二值模式(center-symmetric local binary pattern,简称CSLBP)的时频特征提取方法。首先,利用广义S变换对滚动球轴承振动加速度信号进行处理,通过采用时频聚集性度量准则自适应地确定广义S变换的调整参数,从而获取时频分辨性较好的二维时频图;然后,计算二维时频图的CSLBP,提取CSLBP纹理谱描述滚动球轴承振动加速度信号的时频特征。对滚动球轴承正常、外圈故障、内圈故障和滚动体故障4种不同状态的振动加速度信号进行了研究。结果表明,CSLBP纹理谱能有效地表达滚动球轴承振动加速度信号的时频特征,与局部二值模式(local binary pattern,简称LBP)和统一模式LBP纹理谱相比,CSLBP纹理谱具有特征维数低和区分性能好的优点。     

基于改进局部二值模式及特征融合的人脸表情识别

局部特征描述算子在表情识别领域有着广泛的使用。通过对现有表情识别算法的的研究，针对传统局部二值模式(LBP)算法只考虑领域像素和中心像素点的关系，而忽略了领域像素之间的相互影响。而中心对称局部二值模式(CS-LBP)只考虑了中心对称像素之间的影响。结合LBP和CS-LBP特点出了一种改进的LBP算法，实验结果表明改进的LBP算子利用像素点更充分，能更好的表达特征。针对单一特征很难准确描述原始图片的信息，又提取了图像的Gabor特征，分别与提取LBP特征和改进的LBP特征进行特征融合，使提取的特征更加丰富详细。分类算法中考虑到SVM具有强大的非线性分类能力，将提取的特征与SVM分类器进行结合，在公开表情数据集CK+上采用留出法进行验证，准确率达到95.77%，实验结果表明该方法优于传统的表情识别算法。     

基于改进LBP和DBN的人脸识别算法研究

针对传统LBP算法的人脸识别易受光照、背景、遮挡等因素的影响,使用改进局部二值模式(LBP)和深度信念网络(DBN)相结合的方法,用多尺度块局部二值模式(MB-LBP)算法获取人脸图像的纹理特征,在此人脸纹理特征的基础上使用中心对称局部二值模式(CS-LBP)算法获取图像的纹理特征,然后将两次获得的纹理特征图像的直方图进行融合,并将其输入到DBN中进行训练,优化网络参数。     

基于局部二值差异激励模式的木材缺陷分类

针对木板表面裂缝和矿物线的区分问题,提出一种基于局部二值差异激励模式(LB_DEP)的方法。首先经预处理分割潜在缺陷区域,然后通过几何参数筛选呈线状的裂缝和矿物线。接着基于LBP与韦伯定律,建立反映图像纹理结构位置与差异激励关联关系的LB_DEP直方图。最后提取LBP和LB_DEP直方图特征,并融合特征数据,形成的特征向量作为SVM分类器的输入用于缺陷分类。提出的两种特征提取方法分别为"H-chi-square"法和"H-PCA"法,均在自建的数据集上进行了评估。结果显示,在两种特征提取方法下,本文算法分别获得了93. 7%和95. 8%的Recall,及95. 0%和96. 5%的Precision。与相似研究相比,Recall和Precision分别至少提高了3%和5%,且算法耗时均为毫秒级别,表现出方法的优势和有效性。     

基于RULBP与GLCM的已加工工件表面纹理特征表征

不同磨损状况的刀具在工件表面切削后形成的纹理特征也各不相同,工件表面纹理蕴含着大量表征刀具状况的信息。为有效、高效地提取反映刀具状况的工件表面纹理特征,提出1种结合旋转不变均匀算子的局部二值模式(rotation-invariant uniform local binary pattern, RULBP)与灰度共生矩阵(gray-level co-occurrence matrix, GLCM)的纹理特征提取方法。该方法利用RULBP与GLCM的计算原理分别提取工件表面纹理的微结构特征和宏结构特征,达到全面提取纹理"微宏观"特征的目的。实验结果表明,同常用的工件表面纹理特征提取方法相比,所提方法能显著提高纹理特征的表征度。     

基于特征融合和GWO-SVM的铸铁金相组织分类技术研究

针对人工金相组织定量分析效率低、主观影响较大的问题，提出基于灰度共生矩阵(GLCM)和局部二值模式(LBP)融合的铸铁金相组织分类方法。分别提取铸铁金相图片GLCM和LBP特征，并使用主成分分析(PCA)将LBP特征降维，组成特征向量；通过不同核函数的对比，选择高斯核函数(RBF)作为支持向量机(SVM)的核函数；为了提高模型的效率，采用灰狼优化算法(GWO)对核函数进行优化。结果表明，GLCM和LBP融合后的分类效果要优于单一的GLCM和LBP；基于GWO优化后的SVM分类效果也要优于RF和ELM，分类准确率可以达到98.67%。     

柴油机振动谱图纹理增强的NMF特征提取方法

针对柴油机振动加速度信号特征提取困难的问题,提出一种对时频图像纹理信息进行增强的矩阵非负分解方法,用于提取柴油机振动信号的时频特征。首先,利用匹配追踪算法(MP)结合Wigner-Ville分布获取时频分辨率较好的时频表征;然后引入局部二值模式(LBP)算子对时频图像的灰度矩阵重新编码,再利用非负矩阵分解算法(NMF)获取时频图像对应的低维特征参量,以增强时频图像的纹理特征,提高NMF的特征提取效果。通过对柴油机4种不同状态的振动信号进行分析研究,可得出结论:该方法能有效地表达柴油机缸盖振动加速度信号的时频特征,可用于准确地诊断柴油机的气门故障。     

多特征联合的薄壁零件表面缺陷检测方法

采用基于机器视觉的无接触检测方式对飞机制造中蒙皮、机翼缘条以及角片等薄壁零件表面缺陷进行自动检测，使用VMS-4030G影像仪采集零件表面信息，提出多特征联合检测方法检测缺陷。该方法主要包括图像Tamura纹理特征提取、图像局部二值模式(LBP)直方图和LBP下的灰度梯度共生矩阵特征(GGCM)提取。根据缺陷特性选择提取特征，对得到的特征应用主成分分析法(PCA)进行降维以及支持向量机(SVM)分类，最终得到检测结果。为了验证所提方法可行性，以带铆接孔的6061铝合金板代替飞机薄壁零件进行数据采集和检测。试验结果表明，该检测方法对毛刺、裂纹、凹陷及划痕的检测率均大于92%,明显优于单一特征提取的检测方法。     

基于网格纵横局部二值模式的三维人脸识别

提出一种基于网格纵横局部二值模式的三维人脸识别方法。为了充分体现人脸表面的细节差异,有效表示出由表情引起的局部形状变化,本文首先在人脸网格表面的半刚性区域内检测关键点集,并且由关键点确定中心面片,由中心面片及其周围有序环确定关键点邻域;其次将网格上中心面片及其周围有序环看成一个整体,从纵向(相邻环上对应面片之间)和横向(同一环上相邻标号面片之间)分别提取网格纵向局部二值模式描述符和网格横向局部二值模式描述符;然后对这两者进行特征融合得到网格纵横局部二值模式描述符;最后利用LC-KSVD2字典学习算法在Bosphorus数据库和FRGC v2.0数据库上完成识别实验。在Bosphorus数据库上各表情的平均Rank-1识别率为97.6%,在FRGC v2.0数据库上的Rank-1识别率为97.9%,该实验结果充分表明本文所提算法具有较高的识别精度,并且对表情变化具有一定的鲁棒性。     

改进局部二值模式在磨粒图像识别中的应用

局部二进制模式(LBP)是一种有效的图像纹理描述算子,但传统的LBP算子的二进制序列是通过邻域内各像素的灰度值与邻域中心像素灰度值的比较得出的,这种比较过于简单容易导致纹理信息的丢失。提出一种改进的LBP算子来提取图像的纹理特征,并将其应用于严重滑动磨粒、疲劳剥块和层状磨粒3种典型磨粒的识别中。结果表明:与其他算法相比,提出的算法能更有效地提取磨粒的纹理特征,提高了识别精度。     

基于LBP的人脸识别

本文首次提出应用局部二值模式(LBP)算法来预测人脸旋转姿态。首先建立平均人脸的特征直方图模型(正面人脸特征直方图、左转人脸特征直方图和右转人脸特征直方图),然后通过比较测试人脸特征直方图与平均人脸特征直方图的距离来预测人脸旋转类型。实验结果表明本文方法可以有效的预测人脸姿态。     

基于LBP的移动环境下的人脸识别研究

提出一种基于Android平台实现的具有较强鲁棒性的人脸识别方法.根据终端用户拍摄场景的多变性,首先通过人眼检测、瞳孔定位、GIC校正和直方图均衡化算法对人脸图像进行归一化处理,达到比较好的实用效果 ;其次利用局部二值模式(LBP)提取全局直方图特征,再将图像划分为若干大小相同的子区域,提取每个子区域的LBP直方图,最后将全局和局部直方图按一定的顺序结合作为人脸图像的最终特征.在Android平台上用ORL人脸数据库对该方法进行测试,结果表明具有较好的识别性能.     

基于视觉显著性的木板实时分类方法研究

木板分类是木制家具制作的重要环节,现有的木板分类算法仅从纹理特征方面进行分类,且运用的纹理分析方法与实际人眼分类标准具有一定的差异性,如局部二值模式法(LBP)、灰度共生矩阵法(GLCM)等方法。从人眼仿生角度出发,将视觉显著性融入基于木板表面综合特征的分类算法中,提出一种基于木板视觉显著性的分类方法。采用高精度线阵相机搭建机器视觉系统进行木板图像的实时采集,通过动态阈值分割、特征筛选、形态学处理等方法识别图像中的木板区域,提取基于视觉显著性的木板纹理区域占空比,木板纹理区域与背景区域的对比度等特征,构建多层神经网络进行分类识别。利用从木材加工厂实时采集的1 156张木板图片进行分类实验,实验证明基于视觉显著性输入特征的多层神经网络可以完成木板分类任务,且具有94.17%的分类准确率。     

基于PX-LBP和像素分类的装配体零件识别研究

针对机械产品装配维修诱导中零件和装配体的识别、监测问题,对装配体零件识别及装配监测进行了研究,对LBP算子进行了改进,提出了一种基于像素局部二值模式(PX-LBP)和像素分类的装配体零件识别及装配监测方法。首先将LBP算子与像素分类融合,提出了PX-LBP算子;然后对深度图像进行了PX-LBP特征提取,生成了训练集和测试集;最后训练随机森林分类器,并利用训练好的随机森林分类器实现了对测试集深度图像的像素分类,生成了像素预测图像,通过像素预测图像与标记图像对比实现了装配体零件的识别及装配过程的监测。研究结果表明:该方法对于模型深度图像的像素识别率可达到98.81%,对于真实装配体深度图像的像素识别率也可达到77.51%;该方法兼具了一定的实时性与鲁棒性,可用在装配维修诱导、装配监测和自动化装配邻域中。     

基于有监督的核局部线性嵌入的面部表情识别

流形学习方法可以有效的发现存在于高维图像空间的低维子流形并进行维数约简,近年来越来越受到生物特征识别和认知科学领域的研究者的重视。但是流形学习是一种非监督学习方法,其鉴别能力反而不如传统的维数约简方法,而且流形学习方法大多没有明晰的投影矩阵,很难直接对新样本进行维数约简。针对这两个问题,本文提出一种新的有监督的核局部线性嵌入算法(supervised kernel local linear embedding,SKLLE),并将算法应用于面部表情识别。该算法通过非线性核映射将人脸图像样本投影到高维核空间,然后将人脸图像局部流形的结构信息和样本的类别信息进行有效的结合进行维数约简,提取低维鉴别流形特征用于表情分类。SKLLE算法不仅能发现嵌入于高维人脸图像空间的低维表情子流形,而且增强了局部类间的联系,同时对新样本有较好的泛化性,实验结果表明该算法能有效的提高面部表情识别的性能。     

基于运动想象脑电信号分类的上肢康复外骨骼控制方法研究

为解决偏瘫患者在主动康复训练中对上肢外骨骼的控制难题,提出一种基于单次运动想象的脑电信号分类方法,并将其应用于自主研发上肢外骨骼的实时控制中。针对脑电信号信噪比低、个体差异较大的问题,提出一种改进的共同空间模式(Common spatial pattern,CSP)特征提取算法,并结合支持向量机(Support vector machine,SVM)分类器,实现对单次运动想象脑电信号的分类;使用此分类方法对两种不同试验范式建立分类模型,并对其分类表现进行评估;将较好分类表现的分类模型应用于上肢外骨骼的实时控制中,验证方法的可行性。所有被试对上肢外骨骼控制的平均成功率达到87.12%±2.03%。试验结果表明,基于所提出的运动想象分类方法,可以实现上肢外骨骼的准确控制,并为面向康复训练的脑机接口技术提供了理论依据和实践基础。     

一种多尺度时频纹理特征融合的场景分类算法

场景分类目前是机器视觉领域的一个研究热点,为了解决该研究领域中分类特征的提取问题,提出了一种多尺度纹理描述子(MSTD)特征。首先,采用小波变换,获得图像在时频域上的多尺度纹理视觉全局特征信息,之后提取反映局部细节的局部二值模式(LBP)特征,在时频域上进行融合,生成多尺度纹理描述子特征,以此作为图像分类的依据,最后采用支持向量机(SVM)作为分类器进行场景分类。在4个标准数据集上进行测试,实验结果表明,该方法具有较高的分类正确率,对室外场景的分类正确率都在84%以上。所提出的分类方法充分考虑了全局特征和尺度信息,增强了单层特征的区分度,有效地改善了分类的精度。     

基于数据挖掘工具的人脸识别LBP计算

LBP(局部二元模式)是一种有效的图像纹理描述算子,本文首先提出了一种新的人脸识别中LBP的计算方法:采用数据挖掘工具"Weka"来计算"属性";然后,在人脸识别过程中,在假定每一块人脸区域都会对识别结果产生不同影响的前提下,本文又设计了一个9区域"面具",并且利用"RapidMiner"得到了此面具的一套优化权值。经过FERET人脸库测试,只使用这9个统一LBP时,这种方法的识别率在90%到94%之间。这种方法不仅减少了识别任务中特征向量的维度,而且还缩短了计算数据库中所有人脸的时间。     

基于CART决策树与改进的AdaBoost的视网膜血管提取算法

本文提出了一种分类回归树(Classification and regression tree, CART)算法与改进的AdaBoost相结合的视网膜血管分割的监督学习算法。该算法对视网膜图像的绿色分量提取、反转、膨胀和增强后分别提取LBP(local binary patterns)纹理特征和局部特征,从而构建出17维特征向量。利用特征向量与专家手工标注的数据构造一个数据集,以特征为节点生成CART二叉树,将CART二叉树作为AdaBoost的弱分类器,通过加入再判决函数对AdaBoost做出一定改进,从而形成强分类器。本算法在DRIVE(digital retinal images for vessel extraction)数据库上进行了实验仿真,实验结果表明,本文所提出的改进算法对血管的分割精度高,包含了完整的血管细节,而且分割出来的血管树的连通性较好,能够反映出血管的分布走势。与传统的AdaBoost分类算法和基于SVM(support vector machine)的分类算法相比,本文所提出的改进算法的平均准确率和可靠性指标都比较高。     

基于深度分离卷积的情绪识别机器人即时交互研究

情绪识别是人工智能领域的研究热点,人机交互系统若能感知人类的情感行为并能表达情感,将会使机器人与人类的交互更加自然。人类主要通过面部表情、语义语调、肢体语言等几个方面获取情感信息。以拥有高自由度的NAO机器人为应用平台,设计了机器人面部情绪识别和肢体情感表达的人机交互系统。首先,引入深度分离卷积算法对人脸表情(生气、恐惧、伤心、高兴、惊讶和中性)进行特征提取和分类,结果表明通过训练得到的网络模型对FER2013人脸表情测试集的预测正确率可以达到0.711;其次,设计NAO机器人的肢体动作,对6种面部情感做出了分类;最后,对机器人实时表达使用者的情绪状态进行了测试,反馈时间均在2 s内,并对连续10帧预测结果进行了统计分析。