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.     

加权信息熵与增强局部二值模式结合的人脸识别

针对人脸识别因光照、姿态、表情、遮挡及噪声等多种因素的影响而导致的识别率不高的问题，提出一种加权信息熵（IEw）与自适应阈值环形局部二值模式（ATRLBP）算子相结合的人脸识别方法（IE （w） ATR-LBP）。首先，从原始人脸图像分块提取信息熵，得到每个子块的IEw；然后，利用ATRLBP算子分别对每个人脸子块提取特征从而得到概率直方图；最后，将各个块的IEw与概率直方图相乘，再串联成为原始人脸图像最后的特征直方图，并利用支持向量机（SVM）对人脸进行识别。在AR人脸库的表情、光照、遮挡A和遮挡B四个数据集上，IE （w） ATR-LBP方法分别取得了98.37%、94.17%、98.20%和99.34%的识别率。在ORL人脸库上，IE （w） ATR-LBP方法的最大识别率为99.85%；而且在ORL人脸库5次不同训练样本的实验中，与无噪声时相比，加入高斯和椒盐噪声后的平均识别率分别下降了14.04和2.95个百分点。实验结果表明，IE （w） ATR-LBP方法能够有效提高人脸在受光照、姿态、遮挡等影响时的识别率，尤其是存在表情变化及脉冲类噪声干扰时的识别率。     

基于改进局部五值模式的人脸识别

针对局部五值模式EQP(Elongated Quinary Pattern)采用全局阈值定义造成对图像灰度变化敏感以及在人脸识别中对图像不同分块同等对待问题,提出基于局部五值模式增强方法。首先,通过自适应方法来设置阈值,以提高其对图像灰度变化的鲁棒性;其次,通过特征块加权处理,融入每个分块结构对比信息,以突出不同分块的不同作用。采用在人脸识别领域广泛应用的ORL与YALE人脸库进行比较实验,实验结果表明,新方法明显提高了EQP算子的识别效果。     

加权局部二值模式的人脸特征提取

目的 为了能够得到图像更加丰富的纹理特征,提出一种新的自适应加权局部二值模式算法。方法 首先,将图像进行分块,利用新算法提取每个子块的局部二值模式的纹理直方图;然后,将各子图像的信息熵作为直方图的加权依据,对每个子块对应的直方图进行自适应加权,并将所有子块的直方图连接成最终的纹理特征。提取每个子块的局部纹理特征时的方法为:以某一像素点为中心取相邻的8个像素组成一个局部邻域,在该邻域内依据自适应设定的阈值分别比较3对水平方向和3对竖直方向像素值的大小,以此获得6位二进制码并将每位二进制码乘以相应的权重后相加,累加和即为该邻域新的局部二值模式纹理特征。结果 在两大人脸数据库上进行的实验结果表明,利用本文提出的方法提取纹理特征,并结合最近邻分类法可以得到85.29%和96.50%的正确识别率。结论 文中提出的自适应加权局部二值模式特征能够获取图像中更加丰富的纹理信息,因而具有较高的正确识别率,并且对于其他的物体识别也具有一定的参考价值。     

基于局部二值模式与K-均值的人脸识别

针对大尺度LBP算子模式种类过多,导致数据量过大,直方图过于稀疏的问题,提出一种基于局部二值模式与K-均值的人脸识别算法。利用16像素的大邻域LBP算子描述人脸图像的纹理特征,通过K-Means聚类算法将所有LBP编码映射到最近的聚类中心,并建立查找表,快速统计出人脸图像的LBP直方图特征,将其作为人脸的鉴别特征,用于分类识别。实验结果表明,该算法具有较强的人脸图像描述能力和可鉴别性,在AR人脸数据库中取得了很高的人脸识别率,对时间、表情及光照的变化具有较高的鲁棒性。     

自适应中心对称局部三值模式的人脸识别

针对局部三值模式描述人脸图像纹理特征时直方图维数过高以及阈值不能自适应选取的缺陷,提出一种自适应中心对称局部三值模式方法。首先,用具有降低维数的中心对称局部三值模式算子对人脸图像编码,把邻域像素均值引入编码中以增强抗噪性能;其次,嵌入统计邻域均值与邻域像素的标准差作为阈值以自适应提取人脸特征,并统计特征直方图;最后用卡方距离度量训练样本特征直方图和测试样本特征直方图的相似度,采用最近邻分类器分类识别。所提算法在YALE、Extended Yale B人脸图像库上的最高正确识别率分别达到99.67%,99.33%;识别一张人脸的速度分别达到0.1984和0.3988 s。实验结果表明,所提算法对光照变化和噪声更加鲁棒,有效提高了人脸识别的精度和速度。     

基于增强方向局部二值模式的纹理分类

针对方向局部二值模式特征维数高且易受噪声影响的问题,提出了增强方法。首先,在方向局部二值模式的基础上,通过将局部邻域划分为多个8-正交邻域的策略,来降低方向局部二值模式的特征维数;其次,在方向局部模式中引入局部三值模式的思想,以减少噪声的影响。采用CURet、UIUC及Outex三个纹理图像库进行试验,结果证明了本文方法以较低的特征维数取得了更好的分类性能。     

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.     

多尺度自适应阈值局部三值模式编码算法

针对局部二值模式（local binary pattern,LBP）描述信息单一以及对噪声敏感的问题,提出一种多尺度自适应阈值局部三值模式（multi-scale adaptive local ternary pattern,MSALTP）编码算法。MSALTP首先将原始图像放大;其次将图像平均划分成几个区域,并计算像素的均值;然后计算每个区域中心像素与均值的偏差;最后提取ALTP特征,将结果统计特征直方图实现图像分类。实验表明提出的算法识别率比目前较好的抗噪声算法在不同的噪声下识别率有较大提高。     

基于局部Gabor自适应三值模式的人脸识别

提出一种融合Gabor特征和局部三值模式（LTP）的人脸识别方法,并在算法中对局部三值模式（LTP）进行改进,提出能够自适应阈值的LATP算子。对归一化后的人脸图像进行多尺度、多方向的Gabor滤波提取其对应的幅值特征,在每个幅值图像上进行LATP运算,抽取局部邻域关系模式,这些模式的区域直方图再经过信息熵加权并串联得到最终的人脸描述,识别过程使用[χ2]距离对特征直方图进行相似度匹配。在ORL和Yale人脸数据库上实验,结果表明提出的算法对人脸表情和光照变化具有更好的适应性,对噪声干扰具有更强的鲁棒性。     

基于LBP和Fisherfaces的多模态人脸识别

提出一种结合局部二值模式（LBP）和Fisherfaces的多模态人脸识别方法。用LBP算子提取人脸灰度图像和深度图像的区域LBP直方图序列（LBPHS）,再采用Fisherfaces分别构建相应的线性子空间,用余弦相似度作为投影向量的相似度量,用加权求和规则进行信息融合。在FRGC数据库上的实验结果表明,该方法要明显优于LBPHS与直方图交及Fisherfaces与余弦相似度的融合,等错误率仅为0．33％。     

基于FRFT和LBP的笑脸识别

利用FRFT的时频双重特性和LBP算子能提取纹理图像微小特征的优点,提出一种将分数阶Fourier变换(FRFT)与局域二值模式(LBP)算子相结合的笑脸识别算法.对训练样本进行分数阶Fourier变换,取其变换的幅值信息作为脸部表情特征,与LBP融合进行分类判别,同时采用总体识别率和笑脸识别率统计结果,在RML表情数据库进行仿真验证.实验结果表明,该方法在笑脸识别中相比其他方法的识别性能更好.     

融合LTP与Fisherfaces的分块人脸识别

提出一种融合局部三值模式(LTP)和Fisherfaces进行人脸识别的方法,运用LTP算子提取分块人脸灰度图像的LTP直方图序列,采用Fisherfaces方法对采样后的特征进行特征选择,根据最近邻原则进行识别。该算法不仅能提取人脸纹理信息,大幅降低训练数据量,而且数据量的维数与原始图像大小无关。在ORL和YALE标准人脸数据库上的实验结果表明,该方法具有较高的识别率。     

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。     

中心误差扩散局部二值模式下的草图人脸识别

目前的草图人脸识别主要集中在人脸照片-草图之间的相互转换,以此减少照片-草图特征之间的差异,从而进行识别。文中提出一种使用基于中心误差扩散局部二值模式的编码方法来获得具有相同模式的人脸形式,减小照片-草图之间的差异。在草图识别实际是单样本人脸识别的背景下,通过小波包分解和局部二值模式编码扩充样本数目。然后使用PCA+LDA来提取特征进行识别。实验结果表明,该算法可有效减小照片-草图之间的模式差异,且识别率和性能要优于之前的基于伪草图合成的方法。     

拉普拉斯滤波结合CS-LBP的单样本人脸识别

针对传统的人脸识别算法在单训练样本的情况下识别率不佳的情况,提出一种结合拉普拉斯滤波与中心对称局部二值模式的人脸识别算法（LFCLBP）。对原始人脸图像进行拉普拉斯滤波处理;然后对图像提取梯度幅值和梯度相位信息,对梯度幅值用CS-LBP算子编码,再将梯度相位量化到16个区间进行编码,将二者融合成人脸图像的LFCLBP特征;分块统计直方图特征,将所有分块的直方图串联起来作为人脸图像的特征向量,并用最近邻分类器识别。在YALE人脸库和AR人脸库上进行测试,测试结果表明该算法有效,在光照变化、表情变化和部分遮挡等环境下对单样本人脸图像具有较好的识别效果。     

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LBP值对空间统计特征的纹理描述符

针对基于内容图像检索应用背景下局部二值模式(LBP)描述符缺乏空间描述能力及所需特征矢量维数较长的不足, 提出一种基于LBP值对空间统计特征构建的改进纹理描述符(ILBP)。ILBP描述符首先利用LBP微模式编码方法将原始图像转换为LBP伪灰度图像, 然后再提取出多个关于LBP值对空间分布关系统计值构成描述图像特征的特征矢量。在基于内容的图像检索原型测试平台上完成大量实验。实验结果表明, 与LBP及其各类变种描述符相比, ILBP描述符在进一步增强LBP描述符描述能力的同时大幅度压缩特征矢量维数, 具有更好的查询正确率和查询效率。     

基于DTCWT和LBP的低分辨率人脸识别

针对短时傅里叶变换频率分辨率较差的缺点,提出一种基于双树复小波变换(DTCWT)和局部二进制模式(LBP)直方图的低分辨率人脸识别方法。使用DTCWT获得人脸图像的多尺度多方向的频率幅度响应,采用LBP获取频率幅度响应的统计直方图,通过基于统计的一致性模式得到更加紧凑的统计分布特征。实验结果表明,该方法在低分辨率人脸上可以达到较高的识别准确率。