采用自适应加权扩展LBP的单样本人脸识别

提出了一种采用自适应加权扩展LBP(AWELBP,adaptively weighted extended local binarypattern)的单样本人脸描述方法,首先对单样本的人脸图像进行多尺度分块,对子块的图像进行扩展均匀LBP算子运算,同时同步生成图像局部熵图谱(LEM,local entropy map),计算每一子块对整体人脸图像纹理描述的贡献度图谱,根据贡献度图谱对每个子块的LBP直方图进行自适应加权,最后将各子块的LBP直方图进行连接形成人脸特征。本算法在ORL、Yale、Yale B人脸库上对部分遮挡、表情变化、光照变化等环境进行测试,并与传统算法以及与多种LBP改进算法进行比较,结果表明该算法对部分遮挡、表情变化和光照等环境下单样本人脸描述具有较好的效果。     

基于对数能量熵与LBP特征提取的人脸识别

传统LBP模式在提取图像的纹理特征时,没有对图像中的不同子块加以区分。一般情况下图像的不同子块包含的纹理信息不尽相同,不能真实地反映图像纹理的变化情况。为了解决传统LBP算法在人脸识别过程中产生的直方图维数过长、鉴别力不高、对噪声反应敏感等问题,提出一种基于对数能量熵与LBP特征提取的人脸识别方法。首先将一副人脸图像分成互不重叠的大小相等的子块,然后计算每个子块的LBP直方图,同时对每个子块计算对数能量熵值;其次把每个子块的LBP直方图特征与对数能量熵值组合成一个新的特征向量;最后,将每个图像块的特征向量连接成一个全局的特征向量,将该特征向量用作分类识别。基于YALE人脸库,ORL人脸库和FERET人脸库的实验结果与数据分析表明,文中提出的算法能够更加准确地提取图像的特征信息,有效地提高了人脸识别率。     

基于自适应HCS-LBP特征的行人检测算法

针对行人检测中提取中心对称局部二值模式(Cen ter-Symmetric Local Binary Pattern,CS-LBP)时邻域中心像素没有参与计 算、人为设定的判断阈值主观性较强、未能区别对待不同子块等问题,提出一种基于自适应 HCS-LBP(Haar-like CS-LBP)特征 的行人检测算法。该算法首先构造了HCS-LBP特征编码方法,采用局部中心对称模式减少编 码长度,利用积分图像法快速计 算降低时间复杂度,并将灰度级概率引入中心像素的全局自适应阈值计算,采用高斯矩阵获 取邻域像素的局部自适应阈值,以 突显图像客观的纹理信息;然后使中心像素参与图像编码,通过信息熵确定不同子块的权重 ,以增强图像特征的描述能力;最 后使用直方图交叉核支持向量机(Histogram Intersection Kernel SVM,HIKSVM)训练样本 ,以提升分类器的准确度。在INRIA数 据库的实验结果表明,该算法能有效提高图像信息的利用率,提升行人检测算法的性能,行 人检测准确率较其他相关文献提高了0.4%~7.8%,具有较好的行人检测效果和检测精度。     

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。     

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。     

LBP和2DDCT相结合的单幅人脸图像识别

LBP（局部二值模式）作为一种有效的纹理描述算子,度量和提取图像局部的纹理信息,对光照具有不变性,在单幅人脸图像识别具有很好的应用。在研究此理论的基础上提出了一种基于局部二值模式（LBP）与二维离散余弦变换（2DDCT）相结合的人脸识别方法。将单幅的人脸图像规则的分成多个子块,对每个子块进行LBP变换,把每个LBP变换的后的子块分别用2DDCT变换到频率域,大部分信息保存在低频部分,选取低频作为人脸的频率域特征,有效的降低了维数,使计算量降低。实验结果表面,在ORL人脸数据库上具有较高的识别率。     

基于改进的LTP人脸表情识别算法

针对人脸表情识别背景复杂导致识别率低的缺点,提出了一种中心对称三值模式(CSTP)算法,首先对人脸表情图像进行分块处理,在每一子块上提取CSTP特征,并对该子块进行CSTP特征的直方图统计,然后求出各个子块对应的信息熵,构造自适应加权系数,再分别和各个子块的直方图相乘,将自适应加权后的各个子块特征向量级联作为最终的纹理特征,最后利用支持向量机(SVM)进行表情分类.在JAFFE和CMU-AMP表情库上进行试验,通过对比其他传统方法发现该算法对表情识别更有效.     

一种基于加权二值法的舌像纹理特征的提取

舌诊是中医学特有的诊疗方法,可以简单高效地了解人体生理功能和病理变化。舌像的纹理特征是计算机辅助舌诊系统进行舌体图像分析的重要依据。为了提高二值模式对纹理描述的能力,得到丰富图像的纹理特征,提出了一种改进的加权二值算法。对舌体图像进行分块处理,利用二值法提取每个子块的直方图,对该直方图分配适当的权重,提取纹理图像的微结构信息和宏结构信息,将处理过的所有子块连接成最终的纹理特征图。经过实验验证该算法的正确识别率较高,同时具有较好的扩展性和实用价值。     

基于LBP和深度学习的手写签名识别算法

为优化手写签名识别算法性能,提出了一种局部二值模式(LBP)和深度学习相结合的手写签名识别算法.针对签名图像进行预处理、维纳滤波去除噪声;将预处理签名图像分为3×4子块,LBP应用于分块后的每个子图像,并将每个子块的纹理直方图特征连接起来,形成全局直方图特征;将得到的特征向量作为深度信念网络(DBN)的输入,逐层训练网络,并在顶层形成分类面,对签名图片进行识别.基于GPDS、MCYT及原创数据库进行实验,识别率误差分别为5.S5％、9.3％、1.17％,有效提高了手写签名的识别精度,符合实际应用的要求.     

基于局部二值模式的医学图像检索

提出了一种基于局部二值模式(LBP)和纹理模式统计进行医学图像检索的方法,计算了LBP和局部方差的联合直方图,改进了Log-likelihood统计距离度量算法.通过仿真表明:改进的Log-likelihood统计算法比Log-likelihood统计算法检索准确率高:与基于Gabor纹理特征图像检索相比较,该局部二值纹理模式检索算法检索准确率能提高8%以上.     

基于Choquet模糊积分的运动目标检测算法

本文提出了一种基于Choquet模糊积分的运动目标检测算法（CIMOD, Choquet Integrate-based Moving Object Detection）。将模糊测度和模糊积分理论应用于运动目标与背景分类中,提出了自适应阈值的Choquet积分算法,实现了图像的颜色特征和纹理特征相融合;选择YCbCr颜色空间代替传统RGB空间,将图像亮度与色度分离,降低了光照变化对运动检测的影响;利用局部二元模式（LBP,Local Binary Pattern）纹理特征对亮度级的单调的变化具有不变性的特点,将其融合到检测算法中,有效抑制了阴影的干扰。仿真实验结果表明,即使在光照变化、阴影干扰等复杂背景情况下,该算法也能够准确的检测出运动区域。     

实时红外目标跟踪方法

针对红外图像的特点,提出一种实时目标跟踪方法。该方法采用局部二元模式(LBP)算子提取图像的多尺度LBP编码直方图作为图像特征向量,使用卡方统计度量模板图像和样本图像的相似度。结合Kalman滤波和多尺度模板更新机制,使得算法在目标尺寸大幅变化,目标部分遮挡、短暂消失等情况下仍能保持跟踪的正常稳定进行。针对该算法,设计了专用图像处理板卡,介绍该算法在图像处理板上的硬件实现方法,使目标跟踪满足50 Hz/s的实时处理要求。最后,使用两组实录红外序列图像进行了仿真实验,验证了该算法的有效性和鲁棒性。     

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。     

一种基于二维局部二值模式的纹理图像分类方法

局部二值模式（Local Binary Pattern,LBP）在纹理分类中受到越来越多的关注,传统的基于局部二值模式的图像识别方法在LBP直方图统计时仅仅考虑到LBP模式值本身的数量统计,却忽略了模式值之间的相关性.针对这一问题,本文提出一种二维局部二值模式（Two Dimensional Local Binary Pattern,2DLBP）方法,并用于纹理图像识别.首先以旋转不变均匀LBP特征图为基础,引入滑动窗口和LBP模式对的概念,统计LBP模式图的上下文信息,构造出2DLBP特征;然后改变LBP中的半径参数,构造图像的多分辨率2DLBP特征,并利用支持向量机（SVM）的分类方法进行纹理分类;最后选取Brodatz、CUReT、UIUC、FMD四个公开纹理库分别进行纹理分类测试.理论验证表明该方法具有良好的通用性,可以与LBP的其他变型结合成为新的图像特征构造方法.同时,实验结果表明,本文提出方法具有较好的纹理图像分类能力.     

2D facial expression recognition via 3D reconstruction and feature fusion

In this paper, a novel feature extraction method is proposed for facial expression recognition by extracting the feature from facial depth and 3D mesh alongside texture. Accordingly, the 3D Facial Expression Generic Elastic Model (3D FE-GEM) method is used to reconstruct an expression-invariant 3D model from the human face. Then, the texture, depth and mesh are extracted from the reconstructed face model. Afterwards, the Local Binary Pattern (LBP), proposed 3D High-Low Local Binary Pattern (3DH-LLBP) and Local Normal Binary Patterns (LNBPs) are applied to texture, depth and mesh of the face, respectively, to extract the feature from 2D images. Finally, the final feature vectors are generated through feature fusion and are classified by the Support Vector Machine (SVM). Convincing results are acquired for facial expression recognition on the CK+, CK, JAFFE and Bosphorus image databases compared to several state-of-the-art methods.     

Coral reef image classification employing Improved LDP for feature extraction

This paper presents a scheme for feature extraction that can be applied for classification of corals in submarine coral reef images. In coral reef image classification, texture features are extracted using the proposed Improved Local Derivative Pattern (ILDP). ILDP determines diagonal directional pattern features based on local derivative variations which can capture full information. For classification, three classifiers, namely Convolutional Neural Network (CNN), K-Nearest Neighbor (KNN) with four distance metrices, namely Euclidean distance, Manhattan distance, Canberra distance and Chi-Square distance, and Support Vector Machine (SVM) with three kernel functions, namely Polynomial, Radial basis function, Sigmoid kernel are used. The accuracy of the proposed method is compared with Local Binary pattern (LBP), Local Tetra Pattern (LTrP), Local Derivative Pattern (LDP) and Robust Local Ternary Pattern (RLTP) on five coral data sets and four texture data sets. Experimental results indicate that ILDP feature extraction method when tested with five coral data sets, namely EILAT, RSMAS, EILAT2, MLC2012 and SDMRI and four texture data sets, namely KTH-TIPS, UIUCTEX, CURET and LAVA achieves the highest overall classification accuracy, minimum execution time when compared to the other methods.     

基于改进局部二值模式的YASS检测方法

如今互联网已经逐渐渗透到人们生活的诸多方面,成为日常通信的重要途径。信息隐藏作为一种通信技术,通过将秘密信息嵌入常见载体中以达到隐蔽通信的目的。图像隐写是利用图像作为载体进行信息隐藏的一门技术与科学,YASS（Yet Another SteganographicScheme that Resists Blind Steganalysis）通过随机选取图像的子块进行DCT变换和QIM信息嵌入,具有较高的安全性。文中通过引入图像的局部二值模式（LBP）这一概念,根据YASS算法特点,分析图像的局部纹理变化,改进局部二值模式,利用局部有序对比模式（LOCP）的特征进行隐写分析。通过大量实验表明,相比传统的YASS隐写分析,文中所提方法在分析检测正确率等方面都有更好的效果。