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.     

自适应加权多尺度LTP的人脸识别

为克服人脸表情、光照变化等对图像中人脸识别结果的影响,提出一种自适应加权多尺度LTP的人脸识别算法。采用多尺度小波分析对人脸图像进行二级分解,将分解的一、二级逼近图像划分成互不重叠的子块,利用LTP算子提取每个子块的LTP纹理直方图;将各个子块图像的信息熵作为直方图加权的依据,对每个子块对应的直方图进行自适应加权,将所有子块的直方图连接成最终的纹理特征;使用卡方距离度量特征之间的相似度,用最近邻分类器实现分类识别。在YALE和AR两个标准人脸库上的实验结果表明,自适应加权多尺度LTP算子能够较好地描述人脸纹理特征,对表情变化和光照变化的人脸不敏感,有效提高了人脸识别率。     

基于空间多尺度HOG特征的人脸表情识别方法

传统HOG特征是一种有效的图像边缘信息描述符,但它忽略了局部特征之间的空间排列信息,针对此缺点,提出空间多尺度HOG模型。逐层将图像细化分成一系列不同尺度的子区域;采用改进HOG算子分别计算各个子区域的梯度方向直方图,按层按顺序将其连接,得到整幅图像的“空间多尺度”HOG特征。在JAFFE数据库上的实验结果表明,该算法在识别效果和运行时间方面优于HOG、LBP、Gabor等传统特征描述子,通过多尺度梯度方向准确描述了面部肌肉褶皱变化所蕴含的表情信息,是一种更有效的表情特征描述子。     

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Gabor变化直方图序列的人脸描述与识别

提出了一种在Gabor变换幅值域内提取局部变化模式空间直方图序列(histogram sequence of local Gabor binary patterns,简称HSLGBP)的人脸描述及其识别方法.鉴于Gabor特征对光照、表情等变化比较鲁棒,并已在人脸识别领域得到成功应用,首先对归一化的人脸图像进行多方向、多分辨率Gabor小波滤波,并提取其对应不同方向、不同尺度的多个Gabor幅值域图谱(Gabor magnitude map,简称GMM),然后在每个GMM上采用局部二值模式(local binary pattern,简称LBP)算子抽取局部邻域关系模式,最后由这些模式的区域直方图形成的序列来描述人脸.Gabor变换、LBP、空间区域直方图的采用使得该方法对光照变化、表情变化、误配准等具有良好的鲁棒性.而且,这种人脸建模方法不需要基于训练集合进行统计学习,因而不存在推广性问题.同时,进一步探讨了如何在分类器设计阶段与统计方法进行结合的问题,提出了统计Fisher加权的HSLGBP匹配方法.在通过FERET人脸库光照、表情和时间变化测试集上与已发表的实验结果进行对比,充分验证了该方法的有效性.     

2DFLD与LPP相结合的人脸和表情识别方法

提出一种二维Fisher线性判别分析(2DFLD)与局部保持投影(LPP)相结合的人脸和表情识别方法.首先,将训练集图像用2DFLD投影,使其按身份分离.然后,用LPP进行二次投影提取出它的表情流形.最后,给出概率度量,得到待测图像属于各类身份和表情的概率,从而识别出它的人脸和表情的类别.在CMU-AMP和JAFFE人脸库上的实验表明,该方法简便有效、识别效果好.     

基于改进的Fisher准则的多示例学习视频人脸识别算法

视频环境下目标的姿态变化使得人脸关键帧难以准确定位,导致基于关键帧标识的视频人脸识别方法的识别率偏低.为解决上述问题,本文提出一种基于Fisher加权准则的多示例学习视频人脸识别算法.该算法将视频人脸识别视为一个多示例问题,将视频中归一化后的人脸帧图像作为视频包中的示例,采用分块TPLBP级联直方图作为示例纹理特征,示例特征的权值通过改进的Fisher准则获得.在训练集合的示例特征空间中,采用多示例学习算法生成分类器,进而实现对测试视频的分类及预测.通过在Honda/UCSD视频库和Youtube Face数据库中的相关实验,该算法达到了较高的识别精度,从而验证了算法的有效性.同时,该方法对均匀光照变化、姿态变化等具有良好的鲁棒性.     

基于MB-LBP和改进的LFDA的人脸识别

提出了一种基于多块LBP(Multi-scale Block Local Binary Patterns,MB-LBP)和改进的局部化的Fisher判别分析(Local Fisher Discriminant Analysis,LFDA)的人脸识别算法。该算法利用MB-LBP的局部和整体描述能力强化了标注样本的局部分析和训练样本的全局分析;以每个样本与同类其他样本的欧氏距离均值作为参数,克服了类内散度计算限制;通过参数融合训练样本的总散度信息保持样本的全局结构。实验表明,MB-LBP为局部保持分析和全局保持分析提供了良好的基础;在少量标注样本情况下,改进的LFDA的适应性和识别率明显优于LFDA。     

基于多尺度细胞局部二值模式的人体检测

细胞局部二值模式(cell structured Local Binary Pattern)不能将人体图像的局部信息与全局信息相结合.针对这一不足,在细胞局部二值模式特征的基础上,提出多尺度细胞局部二值模式(Multi-scale cell structured Local Binary Pattern, MLBP)特征描述子,联合局部与全局信息,增加检测特征的信息量;另外,在 MLBP 的基础上进一步提出一个控制因子调节的新算子—可调多尺度细胞局部二值模式(Adjustable Multi-scale cell structured Local Binary Pattern,AMLBP),利用控制因子选择 MLBP 的最佳表征,提高人体检测的准确率.实验结果表明所提出的两个新特征较前人提出的特征更有效.     

基于多尺度多分辨率局部边缘模式的边缘检测

由于传统基于梯度的方形边缘检测算子包含边缘方向过少（一般为2个或4个方向）,因此无法从多分辨率角度检测边缘,进而会丢失其他方向的边缘信息。针对上述问题,提出一种具有多尺度、多分辨率特性的边缘检测算子,称为可变局部边缘模式（Varied Local Edge Pattern,VLEP）算子,并用来提取图像边缘信息。算法主要思路包括,将图像经过高斯滤波器平滑,使用一组或多组VLEP算子与滤波后的图像进行卷积,得到边缘强度,从而获得边缘梯度值,最后设置适当的梯度阈值,对梯度图像进行二值化处理,完成图像的边缘检测。此外,当多组VLEP算子被同时使用时,考虑结合加权融合思想,以便获得更加丰富的边缘信息。实验结果表明,提出的边缘检测算法比其他经典的方法具有更好的边缘检测效果。     

深度二值卷积网络的人脸表情识别方法

为解决人脸表情识别时存在的参数量大、速度低和表情区域特征表示力不足的问题,提出一种基于深度二值卷积网络的人脸表情识别方法.首先设计一个二值卷积与传统卷积并行运算的轻量化网络模型BRNet,以降低网络模型参数的复杂度,从而提升识别的速度;然后构建一个动态半径策略提取表情二值特征,并形成表情区域注意权重,实现表情局部特征与...     

基于多尺度和多方向特征的人脸超分辨率算法

提出一个基于学习的人脸图像超分辨率算法．该算法采用可操纵金字塔学习人脸图像中的低层次局部特征的空间分布,并结合塔状的父结构和局部最优匹配算法来预测最佳先验模型;然后将先验模型结合到贝叶斯最大后验概率框架中;最后使用最速下降法求出最优的高分辨率人脸图像．实验结果表明,该算法生成的高分辨率人脸图像具有较好的视觉效果．     

多流形判别分析在人脸识别中的研究

局部保持投影LPP(Locality Preserving Projection)是一种有效的非线性降维方法,能够使投影降维后的数据与原输入空间中的相似局部结构保持一致,但是该方法没有充分利用类间样本点的权重等重要信息。为了解决这个问题,提出基于Fisher准则的多流形判别分析FMMDA(Fisher Multi-Manifold Discriminant Analysis)方法。结合Fisher准则训练样本类内拉普拉斯图和样本均值类间拉普拉斯图,既保持了原样本的相似局部结构,又充分地利用了不同类别之间的权重。在ORL及Yale人脸库上验证了该方法的有效性。与其他几种最先进的方法相比,FMMDA方法取得了更好的识别效果。     

基于多尺度分析的地基云图自动识别的研究

研究地基云图自动识别问题.地基云图由于受光照旋转等影响,传统方法提取的特征难以准确描述图像特征,导致地基云图识别的精度较低,还无法达到实际应用的要求.为了提高地基云图识别精度,提出采用多尺度分析的地基云图自动识别算法.首先将地基云图划分为若干个大小相同互不重叠的子图,然后采用三种不同尺度的权重局部二值模式提取每一幅子图的纹理特征,最后将子图的纹理特征顺序排列获取最终鉴别特征.通过对积雨云,高积云和层积云三类地基云图进行分类识别,实验结果表明改进方法可以增强云图的局部特征描述能力,有效提高地基云图分类的精度.     

基于三维多分辨率模型与Fisher线性判别的人脸识别方法

提出了一种不同姿态和光照条件下的人脸识别方法,将三维多分辨率模型与Fisher线性判别结合起来．为了排除光照、姿态对人脸识别的影响,利用重采样技术构造了三维多分辨率模型,更快、更精确地提取人脸特征;同时结合Fisher线性判别,充分利用不同条件下的二维人脸图像信息,更有效地排除光照、姿态的影响．实验表明,三维多分辨率模型与Fisher线性判别相结合能够很好地适应外部条件的变化,提高了人脸识别的速度和效率．     

基于多阈值局部二值模式的人脸识别方法

提出一种基于多阈值局部二值模式(MTLBP)的人脸识别方法。计算图像中每个像素点与其局部邻域点的灰度差,通过选择不同的阈值编码形成MTLBP,采用多区域直方图向量进行人脸特征描述,模糊化多阈值匹配结果进行人脸识别。实验结果表明,该方法能很好地结合人脸的纹理和梯度信息,对表情等变化具有较好的鲁棒性。     

基于多尺度图像局部结构分解的人脸特征提取方法

为了有效提取人脸图像的全局和局部特征以提高人脸识别的性能,提出一种基于多尺度图像局部结构分解的人脸特征提取方法。该方法首先通过多尺度分析构建人脸图像金字塔,然后对于金字塔中每一层的图像应用脊回归度量图像局部窗口内中心宏像素与其近邻宏像素之间的结构关系从而刻画出图像的局部结构信息,再根据得到的局部结构信息将图像分解为若干个子图像,最后将这些子图像均匀下采样和归一化后连接在一起形成一个特征向量。实验结果表明,与Gabor、LBP和IDLS等方法相比,该方法具有更好的识别性能。     

自适应加权LBP的单样本人脸识别方法

在面对单训练样本的人脸识别问题时,传统人脸识别方法识别率会下降很多,有的方法甚至不能使用。针对单样本人脸识别问题,提出了一种自适应加权LBP方法。方法既提取了纹理信息又包含了分块拓扑信息,更重要的是可以把这些特征用合适的权重融合起来。划分图像并用LBP提取纹理信息;利用方差来完成对特征的自适应加权融合;用最近邻分类器识别结果。在ORL人脸数据库上的实验结果表明,该方法可以有效地提高识别率。     

基于多尺度中心化二值模式的人脸表情识别

现有局部二值模式(LBP) 算子存在不足: 产生的直方图维数过长、鉴别力不高、对噪声反应敏感. 针对此类问题, 提出中心化二值模式(CBP) 算子, 其优点: 1) 通过比较邻域中近邻点对, 大大降低了直方图维数; 2) 考虑中心像素点的作用并赋予其最高权重, 实现鉴别力的提高; 3) 改变LBP算子的符号函数, 明显减弱白噪声对图像的影响.此外, 为提高识别率, 将多尺度CBP(MCBP) 直方图作为人脸表征. 为增强算法对表情图像中细小变形的鲁棒性, 引入图像欧式距离(IMED) 并将其嵌入MCBP方法. 在JAFFE和Cohn-Kanade表情库的实验结果表明: 所提方法优于其它表情识别方法, IMED可增强MCBP的表情识别能力.     

采用LBP金字塔的人脸描述与识别

为了有效地提取人脸图像的全局和局部特征以提高人脸识别的性能,提出一种基于LBP金字塔特征的人脸描述与识别算法.首先通过多尺度分析构建人脸图像金字塔;然后采用LBP算子提取各层图像的LBP特征谱,建立图像的LBP金字塔;最后对LBP金字塔各层特征谱进行分块统计,并将各层的统计直方图序列连接起来作为人脸的鉴别特征用于分类识别.该算法在ORL和FERET人脸数据库上取得了较高的人脸识别率.实验分析表明,LBP金字塔特征具有较强的人脸描述能力和可鉴别性,且对光照、人脸表情及位置的变化具有较高的鲁棒性.