基于纹理特征库的微光图像色彩纹理传递

对微光夜视图像进行了色彩和纹理的传递.在多次实验的基础上,从拍摄的大量微光图像里,提取不同模式的纹理块,构建了天空,道路、草地、树木四类景物的微光图像库,并结合灰度共生矩阵和Gabor滤波器提取图像纹理特征,建立其对应的纹理特征库.然后通过比对目标图像像素点纹理特征与特征库中各向量的相似性,来判定该像素所属类别,实现了微光图像的分割;最后,通过套印算法进行快速的色彩与纹理传递.实验结果表明,该算法实现了对微光图像较为准确的分割,得到了同时具有自然色彩和纹理的彩色夜视图像,更有利于人眼对目标的识别.     

基于模糊密度分解的遥感图像光谱和纹理 信息的融合

根据遥感图像的纹理特征具有不确定性和各类别的分类精度有较大差异的特点,针对常用的表示分类器置信度的模糊密度,在信息融合过程中,存在削弱低置信度分类器中高精度类别对融合结果起作用的问题,提出了一种对模糊密度进行分解的模糊积分方法,分解后的模糊密度表示分类器中各类别的置信度,从而突出了分类器中类别的分类精度对系统最终决策的重要程度.实验表明采用分解的模糊密度的模糊积分融合分割方法具有较高的精度.     

基于激光扫描的人脸图像模糊纹理特征提取方法

由于图像的高频细节信息较为复杂,在人脸图像识别中特征提取准确度严重下降,为此,提出一种基于激光扫描的人脸图像模糊纹理特征提取方法。通过直接标定的方式获取相机采样图片中标定点坐标和世界坐标系之间的关系,使用相机拍摄标准色板图像,标定感光曲线,通过激光扫描得到人脸图像。将获取的人脸图像预处理,将预处理之后得到的人脸图像特征实行CCS-LBP编码处理,将编码处理得到的图像特征融合处理,获取一个全新的纹理特征,最终达到人脸图像模糊纹理特征提取的目的。实验结果表明,所提方法可以有效提升特征提取结果准确性。     

基于多特征的红外与可见光图像融合方法的研究

红外图像包含物体的温度信息,但其存在对比性差、纹理弱等缺陷,限制了应用,目前基于融合的方法能有效改善红外图像的视觉效果,但局限于简单的直接融合,忽略了背景等因素所含噪声的影响及各部分细节信息。文章在这方面做了进一步的研究工作,改进了现有方法的融合规则,提出先将目标从背景中提取出来再以温度阈值及纹理特征为依据分层次分区域融合,从而在细节上极大地改进了目标的视觉效果,提高了效率。最后对融合效果进行了定量评价和比较。实验结果证明处理后的图像能够比原图像获得更丰富的视觉信息。     

基于模糊积分的信息融合研究

基于模糊积分的信息融合的方法将模糊测度的模糊积分应用于信息融合,通过融合来自多个信息源的特征,达到主观期望和客观证据间的最佳匹配,从而提高了对目标的识别率,并将该方法应用到人脸识别中。实验结果表明该方法提高了识别率,证明了其有效性。     

基于加权KPCA和融合极限学习机的人脸识别

针对传统的核主成分分析(KPCA)人脸识别算法的投影变换矩阵未必是最佳鉴别矩阵的问题,提出一种加权核主成分分析(WKPCA)的人脸识别算法。高分辨率人脸图像包含图像的大部分纹理信息,而低分辨率人脸图像体现了图像的大量形状信息,两类图像经WKPCA提取的特征具有一定的互补性,根据此特性将提取的特征融合以实现分类识别。所提算法采用ELM神经网络作为分类器,在ORL人脸库和Yale人脸库上的实验验证了算法的有效性。     

基于纹理特征和神经网络牌照定位方法

汽车牌照的定位是一个较难解决的图像分割问题,神经网络为此问题的解决提供了一个有力的解决工具。这里提出一种基于纹理特征和神经网络的牌照定位方法,首先采用基于纹理特征的方法对车牌图像进行行定位和列定位,确定车牌候选区域,然后采用基于神经网络的方法对候选区域的特征进行分析判断,确定车牌区域。实验结果表明,该方法可以实现汽车牌照的快速定位,并且定位准确率较高,鲁棒性较好。     

基于特征融合的轻量级新残差人脸识别方法

针对现有轻量级模型在嵌入式设备的人脸识别应用中存在识别精度难以提升的问题,提出一种融合人脸对齐关键特征点信息的轻量级新残差网络模型（Lightweight New Residual Network, LNRN）. LNRN利用深度残差网络结构能够解决网络退化且避免干扰因素影响的优势,结合人脸对齐环节产生的关键特征点信息,对深度残差网络结构进行简化和合理设计,实现对关键特征信息和全局信息的提取.为避免特征提取过程中丢失重要特征信息,该模型在新残差网络中加入结合空间和通道的注意力机制进行辅助.在公开的四个标准人脸数据集上的仿真实验表明,该模型识别速度在接近主流轻量级人脸识别方法的同时,平均识别精度比MobiFace提高了0.6%.     

基于稀疏表示与特征融合的人脸识别方法

针对人脸识别在有遮挡、表情、光照的变化或受到噪声污染时鲁棒性变差问题,提出一种基于稀疏表示与特征融合的人脸识别算法。首先采用低秩恢复算法得到训练样本和测试样本的干净人脸图像,提取干净人脸图像的LBP,HOG,Gabor三种特征向量;然后对部分训练样本进行SRC分类测试,根据SRC的识别结果与分类残差定义一个损失函数,再利用正则化最小二乘法计算出使损失函数最小的权重向量;最后根据该权重向量重构规则化残差进行分类。在ORL,Extended Yale B和AR数据库上进行实验,结果表明,该算法优于利用单一特征识别的方法,并且对光照、噪声、遮挡等因素产生的影响有较好的泛化性能。     

基于Matlab的小波纹理特征融合指纹识别系统

传统指纹识别通常要经过二值化、细化的过程,对指纹特征点进行特征提取,存在速度慢、效率低的弊端。本系统采用基于小波纹理特征融合的深度学习算法,并改进的神经网络算法,通过深度学习方法对指纹图像数据库进行训练,指纹图像首先采用SVM进行指纹图像导入,用Spliteachlable对图像进行分类,用Imfilter对图像进行特征提取,最后将如上特征进行矩阵,用户端采用Matlab实现,实验结果显示特征融合后的识别精度为99.95%。     

基于纹理复杂度的含噪模糊图像盲复原算法设计

传统的模糊图像盲复原算法的纹理复杂度高,降低了模糊图像的质量。为此,文中设计了基于纹理复杂度的含噪模糊图像盲复原算法。首先,分析含噪模糊图像的噪声特点,在保留原有图像信息的前提下计算垂直方向和水平方向的扩散系数,得到ADF在含噪模糊图像上的表达,完成含噪模糊图像的去噪预处理。通过建立含噪模糊图像的数学模型描述其退化过程,继而构建含噪模糊图像降质模型。最后,在纹理复杂度分析的基础上,完成奇异值分解检测和alpha通道的计算,通过合成操作实现含噪模糊图像的盲复原算法的设计。实验结果表明,相比于传统盲复原算法,在所提算法下,图像的纹理复杂度低,图像质量得以提升,且复原结果的误差较小,算法整体有效性较高。     

适用于彩色图像人脸识别的字典学习算法

现有的基于稀疏表示的人脸识别算法在识别前需要将彩色人脸图像转换成灰度人脸图像,这样虽然提高了运算速度,但忽视了不同色彩通道数据本身所包含的信息及它们之间的相关性。为了利用不同通道间相关性,基于标签一致的K奇异值分解（ LC-KSVD)字典学习算法,提出了一种适用于彩色图像人脸识别的字典学习算法。该算法将RGB通道数据顺序排列成列向量,并在稀疏编码的环节中,对正交匹配追踪（ OMP)算法的内积计算准则进行修正,以此提高字典原子的色彩表达能力。在彩色人脸数据库上进行实验,结果表明：所提出的字典学习算法能够有效地提高识别率。     

融合整体和局部信息的三维人脸识别

针对三维人脸识别中单一特征信息不足,采用一种基于整体信息和局部信息相融合的识别算法,以提高识别率。首先将预处理的三维点云用多层次B样条曲面拟合,获取精确的人脸曲面拟合函数,将控制点映射为深度图像,并根据人脸曲面函数和生理特征提取过鼻尖的中分轮廓线和水平轮廓线;其次对深度图像采用二维主元分析(2D-PCA)算法提取整体信息,对轮廓线采用改进的ICP算法匹配,作为局部信息;最后用加权求和法在决策级进行信息融合。采用CASIA3D人脸库完成识别测试,实验结果表明,本文算法明显优于单一特征信息下识别算法,且对姿态有较好的鲁棒性,同时不增加算法复杂度。     

Color local texture features for color face recognition

This paper proposes new color local texture features, i.e., color local Gabor wavelets (CLGWs) and color local binary pattern (CLBP), for the purpose of face recognition (FR). The proposed color local texture features are able to exploit the discriminative information derived from spatiochromatic texture patterns of different spectral channels within a certain local face region. Furthermore, in order to maximize a complementary effect taken by using both color and texture information, the opponent color texture features that capture the texture patterns of spatial interactions between spectral channels are also incorporated into the generation of CLGW and CLBP. In addition, to perform the final classification, multiple color local texture features (each corresponding to the associated color band) are combined within a feature-level fusion framework. Extensive and comparative experiments have been conducted to evaluate our color local texture features for FR on five public face databases, i.e., CMU-PIE, Color FERET, XM2VTSDB, SCface, and FRGC 2.0. Experimental results show that FR approaches using color local texture features impressively yield better recognition rates than FR approaches using only color or texture information. Particularly, compared with grayscale texture features, the proposed color local texture features are able to provide excellent recognition rates for face images taken under severe variation in illumination, as well as for small- (low-) resolution face images. In addition, the feasibility of our color local texture features has been successfully demonstrated by making comparisons with other state-of-the-art color FR methods.     

Generalizing intersection kernel support vector machines for color texture based recognition

This paper presents a novel recognition approach in which the component-adaptive color co-occurrence matrices (CACCMs) are designed to characterize color and texture cues in the images, while histogram intersection kernel support vector machines (HIKSVMs) are generalized to the version compatible to color co-occurrence matrix (CCM), called CCM intersection kernel support vector machines (CIKSVMs). An ensemble learning framework is proposed for synchronously training the optimal marginal CIKSVMs and corresponding CACCMs’ extractors. This learning architecture is applicable to an arbitrary color space employed for image coding, while we pay utmost attention to a perceptual uniform color space for the prominent potential in image proprieties’ display. For the formulation of recognition algorithm, the set of multi-channel CACCMs (CAMCMs) of per sample is utilized to get a balance between discriminative power and computational efficiency, while multiple marginal CIKSVMs are combined by weighted majority voting. The effectiveness of our approach is validated by promising results obtained from four experimental datasets.     

融合奇异值分解和线性鉴别分析的人脸识别算法

本文提出了奇异值分解（SVD）和线性鉴别分析（LDA）相结合的人脸识别算法。理论上，当两种数据或分类器具有一定的独立性或互补性时，数据融合或分类器融合才能改善识别率。SVD和LDA之间有着明显的互补之处，LDA在fisher准则下能最大限度地把不同的类别区分开来，但作为一种子空间方法，LDA敏感于位移、旋转等几何变换。而作为一种代数特征提取方法的SVD则具有位移、旋转不变性等优点。因此，将这两种方法相结合就有可能提高分类性能（好于单独的SVD方法和单独的LDA方法）。在ORL数据库上的实验表明，SVD和LDA相融合的识别方法的确提高了人脸识别率。     

融合奇异值分解和主分量分析的人脸识别算法

提出了奇异值分解(SVD)和主分量分析(PCA)相结合的人脸识别算法。理论上,当两种数据或分类器具有一定的独立性或互补性时,数据融合或分类器融合才能改善识别率。SVD和PCA之间有着明显的互补之处。PCA在图像表示上是最佳的(在均方差意义上),但敏感于位移、旋转等几何变换。而SVD则具有位移、旋转不变性。因此,将这两种方法相结合就有可能提高分类性能(好于单独的SVD方法和单独的PCA方法)。在ORL数据库上的实验表明,SVD和PCA相融合的识别方法的确提高了人脸识别率。     

核典型相关分析的融合人脸识别算法

为了更有效地映射图像数据样本到可分类特征空间,提高分类正确率,提出了一种新的基于核函数的典型相关分析的融合人脸识别算法.该方法首先把图像矩阵通过核函数影射到核空间,然后从核空间的行和列两个方向进行特征抽取,同时避免分解映射后的数据矩阵,简化了数据运算,获得了更具鉴别力的分类特征.在Ohio州立大学的OTCBVS可见/红外人脸数据库中进行了分类识别实验,实验结果表明:该方法可以获得90%以上的识别正确率,优于其他的典型相关分析的人脸识别方法的分类正确率.此外,对不均匀光照变化,表情变化等人脸识别的常见问题具有很好的抵抗能力.