采用LBP金字塔的人脸描述与识别

为了有效地提取人脸图像的全局和局部特征以提高人脸识别的性能,提出一种基于LBP金字塔特征的人脸描述与识别算法.首先通过多尺度分析构建人脸图像金字塔;然后采用LBP算子提取各层图像的LBP特征谱,建立图像的LBP金字塔;最后对LBP金字塔各层特征谱进行分块统计,并将各层的统计直方图序列连接起来作为人脸的鉴别特征用于分类识别.该算法在ORL和FERET人脸数据库上取得了较高的人脸识别率.实验分析表明,LBP金字塔特征具有较强的人脸描述能力和可鉴别性,且对光照、人脸表情及位置的变化具有较高的鲁棒性.     

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。     

基于自适应LBP人脸识别的身份验证

提出了一种自适应LBP人脸识别算法用于进行身份认证。在身份特征录入阶段,首先采用Harr人脸级联分类器对人脸样本库进行人脸区域检测,并使用PCA方法对人脸区域进行降维处理;然后通过LBP二值模式的人脸识别算法提取人脸样本的特征值;最后通过LBP人脸训练生成人脸数据特征库。通过多场景人脸图像库和阈值队列,通过多阈值全组人脸匹配,建立人脸阈值特征库。在身份验证阶段,将登录用户人脸与人脸阈值特征库做粗粒度人脸LBP直方图匹配,确定当前最优的LBP阈值;然后将登录用户人脸与人脸数据特征库做LBP直方图匹配,通过匹配结果确定登录用户的系统权限。实验结果表明,在图像和视频模式下,基于自适应LBP人脸识别算法的身份验证具有很高的鲁棒性。     

基于单演定向幅值模式的复杂光照人脸识别

为了提高在复杂光照下的人脸识别率,提出了一种基于单演定向幅值模式的人脸识别算法。首先,用多尺度的单演滤波器提取图像的单演幅度和方向信息;然后,用一种新的单演定向幅值模式(PMOM)算子将同一尺度下的幅度和相位信息分解为多张定向幅值模式图,再用局部二值模式(LBP)算子提取每一个PMOM模式图的LBP特征图;最后,将每张LBP特征图分块,计算每一块的直方图,并将所有块的直方图串联后作为最终的人脸表示。在CAS-PEAL人脸库和YALE-B人脸库上的实验结果表明,该算法可以显著提高光照变化人脸图像的识率。另外,该算法参数设置简单,而且无需任何训练过程也无需对光照条件进行估计,因而具有简单、通用性好的优点     

一种混合特征的人脸识别算法仿真研究

研究人脸识别优化问题,人脸图像受光照、人脸表情和位置变化等因素影响,由于图像具有复杂的多尺度特征,传统人脸识别算法只能提提取局部或全局特征,不能准确描述人脸图像,导致人脸识别率低。为了提高人脸识别率,提出一种小波分解和LBP算子相结合的人脸识别算法(WTLBP)。WTLBP首先利用小波变换对人脸图像进行分解,将人脸图像分解成大尺度和小尺度图像,然后采用LBP算子提取人脸图像的多尺度特征,最后采用概率统计法对人脸进行匹配识别。对ORL人脸库进行仿真,结果表明,WTLBP能够提取到人脸图像更加丰富的局部和全局信息,对光照、人脸表情和位置变化具有较高的鲁棒性,提高了人脸识别率。     

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。     

分块LBP的素描人脸识别

目的 素描人脸识别属于异质人脸识别范畴,是刑侦领域的研究热点.根据素描人脸识别的特点,采用分块局部二值模式(LBP)特征,并用AdaBoost算法提取能有效鉴别素描人脸图像和可见光人脸图像对应关系的特征块.方法 对素描图像和可见光图像配准后,进行分块处理,计算每块的LBP直方图,将LBP直方图作为AdaBoost待选择特征.计算素描图像子块与可见光图像子块之间的Log概率统计,利用AdaBoost算法进行特征提取,逐步挑选能有效识别的特征子块,并把这些优选特征子块用于未知素描人脸识别.结果 利用现有的素描人脸库,分别进行非交叉和交叉实验验证,识别率分别达到99％以及100％,证明了本文算法的有效性.结论 该算法经优化后,可用于素描人脸识别.     

多级LBP直方图序列特征的人脸识别

人脸识别是当前人工智能和模式识别的研究热点。基于对小波分解和局部二进制模式(LBP)分析,提出了一种多级LBP直方图的序列特征 (M-HSLBP) 的提取方法。2维的小波分解具有对表情变化不敏感的特点,可以很好地压缩和表征人脸图像的特征;LBP是一种有效的纹理描述算子,使用多级可变大小的子窗口对小波变换后的图像进行扫描,对各级子图像进行改进LBP变换并形成多级LBP直方图序列特征,这种特征既能反映人脸局部特征又能反映其整体特征。径向基网络作为分类器具有很高的推广性能,有利于大容量样本的分类。在对人脸库ORL和YEL的识别实验中,该算法识别率达到98%以上,与传统算法相比,取得了更好的识别结果。     

基于局部二值模式和深度学习的人脸识别

针对人脸识别中深度学习直接提取人脸特征时忽略了其局部结构特征的问题,提出一种将分块局部二值模式(LBP)与深度学习相结合的人脸识别方法.首先,将人脸图像分块,利用均匀LBP算子分别提取图像各局部的LBP直方图特征,再按照顺序连接在一起形成整个人脸的LBP纹理特征; 其次,将得到的LBP特征作为深度信念网络(DBN)的输入,逐层训练网络,并在顶层形成分类面; 最后,用训练好的深度信念网络对人脸样本进行识别.在ORL、YALE和FERET人脸库上的实验结果表明,所提算法与采用支持向量机(SVM)的方法相比,在小样本的人脸识别中有很好的识别效果.     

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Uniform LBP和DMMA的单样本人脸识别

在单样本人脸识别系统中,为了获得更好的人脸面部特征,提出了一种融合Uniform LBP特征和多流形判别分析（Discriminative Multi-Manifold Analysis,DMMA）的特征提取方法。对每幅人脸图像进行分块构成一个子集。使用统一局部二值模式（Uniform LBP）算子提取每个子集中图像的直方图,每个子集中的直方图形成一个统计流形,应用DMMA算法获得人脸图像的低维特征。采用基于重建的流形-流形间的距离识别未知的人脸图像。在AR数据库和ORL数据库上实验结果表明,该算法的识别性能优于一般的DMMA算法。     

LBP 直方图与PCA 的欧式距离的人脸识别

基于LBP算子具有旋转不变性和灰度不变性等显著特点,本文通过LBP算子的特征提取,将人脸分成子区域,然后通过连接这些子区域的LBP直方图生成人脸特征向量,由于生成的特征向量的维数过高,通过PCA算法降维压缩,最后用欧式距离分类器完成测试样本和训练样本的人脸识别,通过实验比较得出很好的人脸识别效果,此人脸识别算法过程用于火车站等各种公共场合有很好的应用效果。     

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。     

基于GLOH算子和局部特征融合的人脸识别

为了减小高维特征算子的计算复杂度、提高识别算法的准确率,提出一种基于GLOH(Gradient Location and OrientationHistogram)算子的人脸识别算法。首先将人脸图像划分为4个独立的子区域并对提取的特征点进行聚类。为了更有效地描述人脸特征以及特征匹配,为不同的区域赋予不同的权重值,并采取整体结合局部聚类子区域的方法进行人脸识别。通过在ORL人脸图像库上的实验,验证了算法的有效性,特别是在不同表情、不同姿态等干扰因素的条件下,表现出了较好的稳定性和鲁棒性。     

基于图像梯度补偿的人脸快速识别算法

针对传统人脸识别算法运行效率低的问题,提出一种采用图像梯度补偿模式(IGC)的人脸快速识别算法.首先,提取人脸图像四个方位的梯度;其次,将所获的四个梯度进行多方式融合,产生两个梯度算子;再次,使用新产生的梯度算子对原图像进行适度补偿,形成人脸图像的IGC特征图;然后将所获IGC特征图分块统计直方图,并将各个分块的直方图串联成用于人脸图像描述的特征向量;最后使用PCA方式对特征向量进行降维处理,利用SVM分类器进行识别.在ORL和CMU_PIE数据库上完成测试,结果表明本文算法在具有较高识别率的同时,其算法的运行效率具有卓越的表现.     

LBP与鉴别模式结合的热红外人脸识别

为了提取具有鉴别能力的红外人脸图像局部结构特征,提出一种基于LBP(local binary pattern)鉴别模式的红外人脸识别方法。传统的LBP均匀模式,提取自然图像中占主导地位的信息用于识别,但占主导地位的信息不一定是最适合识别的。为了提取有效的鉴别模式特征,基于监督学习的思想,在LBP模式下引入可分性标准,对不同LBP模式进行有效的模式选择,从而抽取适合识别的鉴别模式。最后,为了利用人脸的空间位置信息,结合分块和直方图技术得到最后的识别特征。实验结果表明,本文鉴别模式可以提取更适合识别的特征,识别性能优于传统的基于均匀模式的LBP方法。     

基于LBP直方图的复杂光照下的人脸识别

提出一种具有较强光照鲁棒性的人脸识别方法。通过Gamma校正、高斯差分（DoG）滤波和对比度均衡化算法对图像进行光照预处理,降低光照敏感度;利用局部二值模式（LBP）算子提取局部纹理特征,将图像划分为若干个不重叠的子区域,提取每个子区域LBP直方图,形成人脸图像特征,用主成分分析（PCA）进行降维处理;使用支持向量机（SVM）进行分类识别。在Yale-B数据库进行实验的结果表明,该算法的平均识别率可达99.68%,其性能优于目前该领域的典型算法。     

LBP特征和改进Fisher准则的人脸识别

为了进一步提高人脸识别系统的性能,在LDRC算法的基础上进行改进,并将改进LDRC算法的准则函数应用到Fisher分类器中,提出了一种新的基于LBP特征和改进Fisher准则的人脸识别算法。该算法提取每幅人脸图像的标准LBP直方图特征：把提取到的LBP特征输入到改进后的Fisher分类器中,得到最佳投影矩阵和投票结果矩阵;求解出投票结果矩阵的最大值所对应的类别号,将其作为最终的识别结果;分别在FERET和AR人脸库中进行实验检测,结果表明与传统的特征提取方法相比,给出的方案可以使人脸识别率得到显著提高。     

基于多尺度局部二值模式的人脸识别

提出了一种基于多尺度局部二值模式的人脸识别方法.局部二值模式已经被证明是人脸表示的一种有效算子,不过由于其太小以至于鲁棒性不高.在多尺度局部二值模式中,计算是基于块子区域的平均值,而不是基于单个像素值进行的.人脸图像首先被分成小的子区域,具有不同权值的BLBP算子抽取每一子区域的直方图,然后把它们连接起来,组成一个空域增强的特征直方图.在X~2统计量作为不相似度量计算的特征空间里,采用最近邻分类器完成分类识别.实验表明,该方法优于其它的基于LBP的人脸识别算法.     

自适应加权多尺度LTP的人脸识别

为克服人脸表情、光照变化等对图像中人脸识别结果的影响,提出一种自适应加权多尺度LTP的人脸识别算法。采用多尺度小波分析对人脸图像进行二级分解,将分解的一、二级逼近图像划分成互不重叠的子块,利用LTP算子提取每个子块的LTP纹理直方图;将各个子块图像的信息熵作为直方图加权的依据,对每个子块对应的直方图进行自适应加权,将所有子块的直方图连接成最终的纹理特征;使用卡方距离度量特征之间的相似度,用最近邻分类器实现分类识别。在YALE和AR两个标准人脸库上的实验结果表明,自适应加权多尺度LTP算子能够较好地描述人脸纹理特征,对表情变化和光照变化的人脸不敏感,有效提高了人脸识别率。