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。     

基于多尺度局部二元模式共生直方图的红外人脸识别

不同尺度的局部二元模式(LBP)提取了红外人脸图中不同的微结构局部特征。为了挖掘不同尺度中局部特征的相关性,提出了一种基于多尺度LBP 共生直方图的红外人脸识别方法。传统的多尺度LBP 特征提取方法,丢失了对多尺度特征间相关性信息的提取。为了充分考虑微结构间的相关统计信息,提出了多尺度LBP 共生直方图表示方法,以提取包含在红外人脸图像中的有用鉴别特征。多尺度LBP 共生直方图特征表示方法不仅可以消除环境温度对红外人脸图像特征提取的影响,而且还可以增强对局部特征表示的鉴别性。实验结果表明:多尺度局部二元模式共生矩阵可以增强对红外人脸鉴别特征提取的有效性,提出的红外人脸方法的性能优于基于传统多尺度LBP 和单尺度LBP方法,在相同环境情况下和在环境温度变化情况下可以达到99.2%和91.2%的识别率。     

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。     

一种基于可变长起主导作用特征(VLDF)的人脸识别算法

为了从Gabor滤波后的图像中提取简单有效、区分力强的人脸特征,提出了一种基于可变长起主导作用特征(VLDF)的人脸识别算法.即首先人脸图像与不同尺度、不同方向的Gabor滤波器进行卷积运算,然后利用局部二元模式(LBP)算子提取滤波输出的纹理特征,并根据纹理特征的统计分布规律,采用数量可变的起主导作用的纹理模式作为人脸的VLDF特征.最后构造了VLDF人脸特征之间距离的计算方法.该算法具有较小的特征向量维数和高的rank-1识别率.在FERET人脸数据库上的仿真结果验证了算法的高效性.     

基于LBP和深度学习的非限制条件下人脸识别算法

提出一种在非限制条件下,基于深度学习的人脸识别算法。同时,将LBP纹理特征作为深度网络的输入,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。在非限制条件下人脸库LFW上实验结果表明,该算法较传统算法（PCA、SVM、LBP）识别率高;另外,在Yale库和Yale-B库上也获得较高识别率,进一步说明以LBP纹理特征作为网络输入的深度学习方法能够对人脸图像进行准确识别。     

基于深度学习与特征融合的人脸识别算法

卷积神经网络在人脸识别研究上有较好的效果,但是其提取的人脸特征忽略了人脸的局部结构特征。针对此问题,文中提出一种基于深度学习与特征融合的人脸识别方法。该算法将局部二值模式信息与原图信息相结合作为SDFVGG网络的输入,使得提取的人脸特征更加丰富且更具表征能力。其中,SDFVGG网络是将VGG网络进行深浅特征相融合后的网络。在CAS-PEAL-R1人脸数据库上的实验表明,将网络深浅特征相融合与在卷积神经网络中加入LBP图像信息与原图信息相融合的特征信息对于提高人脸识别准确率非常有效,可得到优于传统算法和一般卷积神经网络的最高98.58%人脸识别率。     

自适应多阈值LBP人脸识别方法

传统的基于多阈值LBP的人脸识别方法在提取梯度特征时需要预设一个固定阈值,不利于该方法的广泛应用。文章提出了一种自适应多阈值LBP人脸识别方法,通过自适应阈值来提取人脸的梯度特征和轮廓特征,然后将这些特征与人脸的局部纹理特征进行特征融合来得到最终的识别结果。该方法较传统的基于多阈值LBP的人脸识别方法更具一般适用性。仿真表明该方法提高了人脸识别率。     

基于LMSRBP和软直方图交的人脸表示与识别算法

针对传统局部二进制模式(LBP)存在的固有缺陷,即小尺度LBP算子无法反应人脸图像的宏观特征,大尺度LBP算子特征维数通常很高,提出一种局部多尺度多分辨率二进制模式(LMSRBP)的人脸表示算法。通过使用高斯金字塔得到一系列不同尺度不同分辨率的人脸图像,然后对这些图像使用同种LBP算子得到LMSRBP特征谱。该方法在不改变特征维数的情况下,能同时提取出图像的微观和宏观特征。在分类器设计方面,考虑不同面部区域对识别贡献不同的问题,提出软直方图交方法构建多弱分类器,最后集成所有弱分类器得到识别结果。在YaleB,ORL标准人脸库上的实验结果表明,该改进算法能显著提高人脸识别率。     

基于特征提取和胶囊网络的人脸表情识别

人脸表情识别是近年来非常火热的一个研究领域,随着深度学习的发展,越来越多的深度学习方法用于表情识别中。针对胶囊神经网络(CapsNet)更关注的是图像高层空间信息、低层空间特征提取不全面的问题,提出了特征提取与胶囊网络结合的人脸表情识别算法。本文先使用局部二值模式(LBP)算子提取图像纹理特征,与胶囊网络结合形成多通道输入胶囊网络。为了进一步加强低层空间特征提取,在提取纹理特征后加入了深度残差网络(ResNet),与胶囊网络结合形成多通道输入增强胶囊网络。为了验证多通道输入胶囊网络和多通道输入增强胶囊网络的性能,本文在公开表情数据集CK+和RAF-DB分别进行了对照实验,得到了99.69%,82.02%准确率,优于其它的表情识别算法。     

基于子模式的人脸局部遮挡智能识别方法

为了提升局部遮挡情况下人脸的识别效率和精度，提出一种基于子模式的人脸局部遮挡智能识别方法。利用自适应小波变换方法多尺度分解人脸图像，基于此，引入小波模极大值算法和Canny算子，有效提取图像边缘特征；引入局部方向纹理模式算子，经过计算获取各个子模式特征值，同时采用边缘返回值确定计算人脸图像纹理特征时的权重分配，将梯度和纹理信息进行融合，实现人脸局部遮挡智能识别。实验结果表明，所提方法的遮挡人脸误识率始终低于0.2%,当遮挡率为25%时，所提方法的人脸识别率仍可达94%,可以为人脸识别的深入研究提供依据。     

Face recognition system based on CNN and LBP features for classifier optimization and fusion

Face recognition has been a hot-topic in the field of pattern recognition where feature extraction and classification play an important role. However, convolutional neural network (CNN) and local binary pattern (LBP) can only extract single features of facial images, and fail to select the optimal classifier. To deal with the problem of classifier parameter optimization, two structures based on the support vector machine (SVM) optimized by artificial bee colony (ABC) algorithm are proposed to classify CNN and LBP features separately. In order to solve the single feature problem, a fusion system based on CNN and LBP features is proposed. The facial features can be better represented by extracting and fusing the global and local information of face images. We achieve the goal by fusing the outputs of feature classifiers. Explicit experimental results on Olivetti Research Laboratory (ORL) and face recognition technology (FERET) databases show the superiority of proposed approaches.     

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。     

Automatic facial expression recognition: feature extraction and selection

In this paper, we investigate feature extraction and feature selection methods as well as classification methods for automatic facial expression recognition (FER) system. The FER system is fully automatic and consists of the following modules: face detection, facial detection, feature extraction, selection of optimal features, and classification. Face detection is based on AdaBoost algorithm and is followed by the extraction of frame with the maximum intensity of emotion using the inter-frame mutual information criterion. The selected frames are then processed to generate characteristic features using different methods including: Gabor filters, log Gabor filter, local binary pattern (LBP) operator, higher-order local autocorrelation (HLAC) and a recent proposed method called HLAC-like features (HLACLF). The most informative features are selected based on both wrapper and filter feature selection methods. Experiments on several facial expression databases show comparisons of different methods.     

融合局部纹理和形状特征的人脸表情识别

针对局部二值模式(LBP)、中心对称局部二值模式(CS-LBP)和梯度方向直方图(HOG)的不足进行改进,该文提出中心对称局部平滑二值模式(CS-LSBP)和绝对梯度方向直方图(HOAG),并提出一种融合局部纹理特征和局部形状特征的人脸表情识别方法。该方法首先采用CS-LSBP算子和HOAG算子分别提取人脸表情图像的局部纹理特征和局部形状特征,然后使用典型线性分析法(CCA)进行特征融合,最后利用支持向量机(SVM)进行表情分类。在JAFFE人脸表情库和Cohn-Kanade(CK)人脸表情库上的实验结果表明,改进的特征提取方法能更加完整、精确地提取图像的细节信息,基于CCA的特征融合方法能充分发挥特征的表征能力,该文所提人脸表情识别方法取得了较好的分类识别效果。     

分块CS-LBP和加权PCA的低分辨率人脸识别

针对局部二值模式(LBP)特征在低分辨率的人脸图 像上识别率较低的问题,提出了一种基于分块中心对称局部二值模式(CS-LBP,center symmetric local binary pattern)和加权主成分分析(PCA)算法的低分辨率人脸识别算法。 首先利用分块CS-LBP算子提取低分辨率人脸图像的特征;然后利用加权PCA算子对特 征进行降维, 从而得到更强的分类特征;最后利用最近邻分类器选出人脸最优分类类别并计算识别率。在 ORL人脸库上的实验表明,在人脸图像分辨率下降到(12×10)时,本 文算法的识别率仍能达 到85.00%,基本满足了实际运用中对识别率的要求,并且降低了运算 时间。     

基于融合DCT和LBP特征提取的面部表情识别

针对离散余弦变换(DCT)只能提取面部表情图像的全局特征,而忽略了临近像素之间的关系、不能提取纹理特征信息、不能准确区分相似表情等问题,提出一种融合离散余弦变换方法和局部二值模式(LBP)特征的表情特征提取方法。该方法首先将人脸图像经过DCT获得的低频系数作为表情的全局特征;然后用LBP对贡献率较大的嘴部、眼睛区域进行局部纹理特征提取,通过将LBP提取到的局部纹理特征与DCT提取到的全局特征进行融合,从而得到更有效的表情特征;最后利用支持向量机(SVM)进行识别。实验结果表明:该方法比单独使用DCT方法提取的表情特征更有利于识别,提高了表情识别的准确性,并将这个表情识别方法用于智能轮椅的控制上,收到了良好的效果。     

基于多尺度细节增强的面部表情识别方法

人类面部表情是其心理情绪变化的最直观刻画,不同人的面部表情具有很大差异,现有表情识别方法均利用面部统计特征区分不同表情,其缺乏对于人脸细节信息的深度挖掘。根据心理学家对面部行为编码的定义可以看出,人脸的局部细节信息决定了其表情意义。因此该文提出一种基于多尺度细节增强的面部表情识别方法,针对面部表情受图像细节影响较大的特点,提出利用高斯金字塔提取图像细节信息,并对图像进行细节增强,从而强化人脸表情信息。针对面部表情的局部性特点,提出利用层次结构的局部梯度特征计算方法,描述面部特征点局部形状特征。最后,使用支持向量机(SVM)对面部表情进行分类。该文在CK+表情数据库中的实验结果表明,该方法不仅验证了图像细节对面部表情识别过程的重要作用,而且在小规模训练数据下也能够得到非常好的识别结果,表情平均识别率达到98.19%。