基于局部四值模式的人脸识别

局部二值模式(LBP)作为经典的纹理特征描述方法广泛应用于纹理分类和人脸识别等领域。然而现有相关算法仅利用周围一个圆形邻域的信息,没有充分利用周围邻域的信息。为此,提出一种利用不同圆形邻域之间的微分结构信息进行联合描述的特征描述子,从而能够更加充分地利用邻域信息。由于所提方法在圆形邻域上每个坐标处有4种不同可能的取值情况,因此将这种模型称为局部四值模式(LQP)。在通用的人脸识别数据库FERET上的大量实验证明了所提算法的有效性。     

基于改进型局部二值模式的人脸识别方法研究

局部二值模式在人脸识别领域应用广泛,但是该算法阈值为中心像素,对噪声比较敏感,文章采用小波变换首先对图像进行压缩,降低数据量,然后利用均值和方差的线性组合作为动态阈值进行纹理特征的提取,最后采用最近邻算法进行分类识别。实验结果分析表明改进后的算法的识别率有了一定的提高。     

基于局部三值微分模式的人脸识别方法

为了减轻噪声干扰,提取更为丰富的人脸鉴别特征,提出了局部三值微分模式算子。通过判断近邻像素灰度值是否在某个范围内对当前像素的局部微分模式从二值扩展到三值,然后将扩展后编码的Uniform模式的空间直方图依次相连形成人脸的特征向量,采用卡方统计算样本相似度并进行分类。在ORL、Yale和CAS-PEAL-R1人脸数据库上的实验结果表明,提出的算法的识别性能优于局部二值模式和局部微分模式。     

基于局部模式加权估计纹理分析的人脸识别

传统的纹理分析方法仅以每个脸部区域的相对贡献来标记全局相似度,针对这种以局部表示全局而导致不能很好地进行特征提取的问题,提出了基于局部模式的加权估计纹理分析(Weighting Estimation for Texture Analysis,WETA)方法。首先使用局部二值模式(Local Binary Pattern,LBP)或者局部相位量化(Local Phase Quantization,LPQ)对图像进行纹理编码,并将其划分成各个大小相等且不重叠的局部小块;然后从相似空间中提取出最具识别力的坐标轴,利用编码与数据库的不同组合估算出权值;最后,通过权值优化给出了最佳解决方案,并采用相似性度量距离转换完成人脸的识别。在FERET和ORL两大通用人脸数据库上的实验验证了所提方法的有效性,实验结果表明,与先进的纹理方法相比,所提方法取得了更好的识别性能。     

自适应局部综合特征加权的单样本人脸特征提取

为了有效地提取单训练人脸样本的特征,提出了一种新的人脸局部特征描述方法,改进了局部二进制模式的方向性描述单一的问题,并且加入了像素间变化趋势幅度的描述,称之为局部综合模式(Local Comprehensive Patterns,LCP).首先对人脸样本图像进行分块,然后每个的分块子图像进行改进LCP算子运算;其次考虑到每个子块的特征对整幅人脸图像的贡献度不一致,提出了贡献度图谱(Contribution Map,CM);最后根据贡献度图谱对每个子块的改进LCP描述进行自适应加权融合形成最终的人脸描述特征,最后在ORL和Yale B库上进行了有效性的测试,与现有的多种算法进行比对,所提出的算法对于非限定环境下人脸的识别有良好的效果.     

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。     

基于局部幅度三值模式的人脸识别

针对局部三值模式（Local Ternary Pattern,LTP）对纹理特征描述不足的问题,提出一种基于局部幅度三值模式（Local Magnitude Ternary Pattern,LMTP）的人脸识别算法。首先将人脸图像进行分块处理。然后用LTP算子提取直方图以描述局部纹理的结构和LMTP算子提取直方图以描述局部纹理中像素值间的偏离幅度。最后将不同的直方图串联成LTP/LMTP直方图,将其作为人脸特征用于人脸匹配。实验分析表明,算法对纹理有更好的描述能力和在人脸识别中有更高的识别率,并对噪声有较好的鲁棒性。     

基于分块局部二值模式的图像检索研究

提出一种分块局部二值模式的图像检索方法,首先利用3×3像素邻域的局部灰度均值代替其中心像素作为阈值计算LBP值,以改善传统LBP算子的缺陷;然后对图像采用分块处理,以便更好地提取图像的局部特征.实验表明,与传统的基于局部二值模式的图像检索方法相比,此方法具有更高的检索准确率.     

采用局部二值模式与深度信念网络的人脸识别

针对人脸维度过高和人脸局部特征提取易忽略的问题,提出了一种将多尺度局部二值模式( LBP)算法与深度信念网络( DBN)算法相结合的人脸识别方法。首先采用多尺度LBP算法提取人脸纹理特征,进而将LBP提取的纹理特征作为深度信念网络的输入,最后通过逐层网络训练,得到网络的最优参数,并在ORL人脸库中进行测试,识别率可达95.2%,比使用Gabor小波和主成分分析(PCA)算法的人脸识别高2.6%,说明该算法具有很好的人脸识别能力。     

基于局部模式的加权估计纹理分析在人脸识别中的应用

传统的纹理分析方法仅以每个脸部区域的相对贡献来标记全局相似度,针对这种以局部表示全局而导致不能很好地进行特征提取的问题,提出了基于局部模式的加权估计纹理分析(Weighting Estimation for Texture Analysis, WETA)方法。首先使用局部二值模式（Local Binary Pattern, LBP）或者局部相位量化（Local Phase Quantization, LPQ）对图像进行纹理编码,并将其划分成各个大小相等且不重叠的局部小块;然后从相似空间中提取出最具识别力的坐标轴,利用编码与数据库的不同组合估算出权值;最后,通过权值优化给出了最佳解决方案,并采用相似性度量距离转换完成人脸的识别。在FERET和ORL两大通用人脸数据库上的实验验证了所提方法的有效性,实验结果表明,与最先进的纹理方法相比,所提方法取得了更好的识别性能。     

基于金字塔分解和扇形局部均值二值模式的鲁棒纹理分类方法

针对传统局部二值模式(LBP)的特征鉴别力有限和噪声敏感性问题,该文提出一种基于金字塔分解和扇形局部均值二值模式的纹理特征提取方法。首先,将原始图像进行金字塔分解,得到对应于不同分解级别的低频和高频(差分)图像。为提取兼具鉴别力和稳健性的特征,进一步采用阈值化处理技术将高频图像转化为正、负高频图。然后,基于局部均值操作提出一种扇形局部均值二值模式(SLMBP),用于计算各级分解图像的纹理特征码。最后,对纹理特征码进行跨频带的联合编码和跨级别的直方图加权,从而获得最终的纹理特征。在公开的3个纹理数据库(Outex, Brodatz和UIUC)上进行分类实验,结果表明该文所提方法能够有效地提高纹理图像在无噪声环境和含高斯噪声环境下的分类精度。     

基于二维加权主元分析的人脸识别研究

提出了一种基于二维加权主元分析的方法进行人脸识别。该方法考虑了人脸的不同部位所包含的识别信息量不同，对人脸的不同部位赋予不同的权重，并结合二维主元分析方法求解加权子空间，然后将人脸样本向该子空间进行投影来提取人脸特征，最后采用最近邻距离分类器进行分类。该方法在NUST603人脸图像库中进行了实验，实验结果表明了该方法的有效性。     

融合LBP特征和运动特征的运动分类算法

本文提出了一种局部二值模式(Local Binary Pattern,LBP)特征和运动特征相融合的运动分类算法。首先,利用背景差分法检出视频中的运动人体序列,将运动人体序列经过LBP算子处理得到LBP直方图特征。然后,将LBP直方图特征和运动人体质心的速度特征相融合作为运动人体行为分析的识别特征,应用BP神经网络进行行为分类识别。在Weizmann和KTH行为数据库上进行了算法实验研究,人体行为识别的平均准确率达到了90.78%。实验结果表明:该方法在识别率方面明显优于常规方法进行识别的结果。     

基于加权主动形状建模的人脸特征定位方法

主动形状建模是面部特征定位和人脸识别等模式识别领域中常用的一种方法。然而,由于受到初始情况、光照等诸多因素的影响,主动形状建模经常会陷入最优化过程中的局部最小问题,从而导致其性能下降。该文在传统主动形状模型基础上,提出了一种加权主动形状建模的方法,该方法可以有效地解决上述局部最小问题,并且更好地捕捉局部点的特征信息,从而更精确地进行面部特征定位。最后通过实验验证了上面的结论。     

An LBP-based multi-scale illumination preprocessing method for face recognition

It is one of the major challenges for face recognition to minimize the disadvantage of il- lumination variations of face images in different scenarios. Local Binary Pattern (LBP) has been proved to be successful for face recognition. However, it is still very rare to take LBP as an illumination preprocessing approach. In this paper, we propose a new LBP-based multi-scale illumination pre- processing method. This method mainly includes three aspects: threshold adjustment, multi-scale addition and symmetry re...     

一组基于广义局部沃尔什变换的纹理特征

该文提出一组基于广义局部沃尔什变换(GLWT)的纹理特征。首先给出局部沃尔什变换(LWT)的定义,并在空域中对其加以推广,用以提取图像的局部纹理信息;然后在一个宏窗口中估计12个GLWT系数的二阶矩作为图像的纹理特征。对这组纹理特征的鉴别性能进行了分析,并与Haralick(1973),Wang Li(1990),以及Yu Hui提出的纹理特征进行了比较。实验结果表明,该文提出的纹理特征具有更好的鉴别性能和分类能力。     

基于ICA与BP神经网络相结合的人脸识别研究

提出了独立成分分析和BP神经网络相结合的人脸识别方法。首先对人脸图像进行小渡分解。提取人脸图像的低频子带图像，然后用被立成分分析方法对低频子带图像进行特征提取，并用改进的BP神经网络时所提取的人脸特征进行分类识别。在AR人脸图像库中进行的实验表明，此方法取得了较高的识别率。     

基于自适应近邻图嵌入的局部鉴别投影算法

针对局部Fisher鉴别分析(LFDA)中样本近邻点个数对于最优投影方向的影响以及在度量类间离差度时未考虑不同类别样本近邻点的两点不足之处,该文提出一种基于自适应近邻图嵌入的局部鉴别投影算法,根据样本分布以及样本间的相似度自适应计算类内和类间近邻点,依据类内类间近邻点的个数定义局部类内与类间离差矩阵中的权值矩阵,通过最大化局部类间离差度最小化局部类内离差度,得到最优低维子空间。该算法不仅能够保持样本的局部信息,而且能够保持样本的鉴别信息,在人工数据以及标准数据库上的实验表明该方法是有效的。