基于差值局部方向模式的人脸特征表示

提出一种基于差值局部方向模式的人脸特征表示方法(difference local directional pattern,简称DLDP):首先,通过Kirsch掩模卷积运算,为每个像素计算8个方向的边缘响应值;然后,计算8个相邻边缘响应值的强度差,前k个最突出的强度差对应的方向编码为1,其他方向编码为0,形成一个8位二进制数表示对应的DLDP模式;此外,针对高分辨率的Kirsch掩模单纯考虑方向性而没有考虑像素位置权重的问题,提出相应的掩模权值设计方法;最后,把每幅图像划分成多个不重叠的局部图像块,通过统计图像块上不同DLDP模式个数生成相应的子直方图,所有子直方图被串联起来表示一幅人脸图像.实验结果表明,该方法在光照、表情、姿态和遮挡方面获得了较好的结果,尤其针对遮挡情况,表现更为突出.     

双空间局部方向模式的人脸识别

目的 针对传统局部方向模式（LDP）在特征提取的充分性、对光照和噪声等的鲁棒性以及识别时间长短这3方面不能同时取得一个很好的平衡效果,提出了一种双空间局部方向模式（DSLDP）的人脸识别方法。方法 首先,将图像3×3邻域像素灰度值与8个Kirsch模板算子卷积,得到8个方向的边缘响应值,然后,将近邻边缘响应值之间相应作差,对应8个方向的边缘响应差值,将两组值取绝对值,取各自最大值的方向编码成一个二位八进制数,产生DSLDP码。最后,在人脸描述阶段将人脸图像进行分块并把每块转换成DSLDP图,再对DSLDP图进行直方图统计,并利用信息熵对每块进行加权,将所有子块的直方图连接生成人脸特征,再通过PCA进行降维,用最近邻分类器分类识别。结果 在剑桥大学Olivetti实验室（ORL）、Aleix Martinez and Robert Benavente （AR）和中国科学院（CAS-PEAL）的人脸图像数据库进行实验,相比局部方向模式（LDP）、显著型局部方向模式（SLDP）、增强型局部方向模式（ELDP）、局部方向数字模式（LDN）、差值型局部方向模式（DLDP）、中心对称局部方向模式（CSLDP）和梯度中心对称局部方向模式（GCSLDP）,DSLDP具有更好的识别性能。5幅测试样本时,在ORL库上取得了97.82%的平均识别率,在AR光照、表情、遮挡A和遮挡B库分别取得了98.00%、98.33%、99.33%、87.67%的平均识别率,在CAS-PEAL光照、表情和饰物库分别取得了99.33%、95.33%、90.00%的平均识别率。结论 1）该方法既考虑了近邻边缘响应值的外在变化,也考虑了近邻边缘响应值之间的内在变化,通过将强度空间和梯度空间人脸特征信息结合使人脸特征得到更加充分的提取。2） DSLDP只考虑邻边缘响应值和边缘响应差值的最大值情况,突出了主要边缘梯度信息,同时又避免了不重要信息的干扰,相比同类基于局部方向模式的单一人脸识别算法,对光照、表情、噪声、遮挡等情况表现出更强的鲁棒性。3） DSLDP码是由二位八进制数构成,特征模式数降低到64,识别时间明显降低。因此,DSLDP算法能同时在识别效果,稳定性和识别时间上取得一个较好的平衡效果。     

基于局部排序差值细化模式的纹理图像分类EI北大核心CSCD

针对传统局部二值模式及其扩展算法存在特征维度高、不能充分体现局部邻域像素间差值大小信息等问题,提出一种局部排序差值细化模式(LSDRP).首先根据采样半径大小对图像进行相应规格的高斯滤波,并按灰度值将局部邻域采样点排序;然后计算局部排序邻域内像素间的差值并将其融入排序二值编码对应位置的权值中,从而生成LSDRP特征;最后选取LSDRP特征模式中的高频模式表征图像,并级联多个半径下LSDRP特征的高频模式构成图像纹理的多尺度表示.在Outex,CUReT和UMD纹理库上的实验结果表明,所提算法计算简单且能在低维度条件下有效解决纹理分类中存在的光照、旋转变化问题;特别是在TC10,TC12_000和TC12_001纹理库上仅需120维特征即可分别达到100%,99.38%和99.72%的分类精度.     

一种光照不变人脸识别的预处理算法

提出了一种新的光照不变人脸识别的图像预处理算法称为分段局部归一化方法(SLN)。其思想是对图像像素分段,使得每段中各像素对应的物体表面点具有相近的表面法向量分布,因而对光源具有相似的灰度响应,然后局部归一化在各段中进行以削弱光照影响。该算法首先建立物体的朗伯(Lambert)表面反射模型,用奇异值分解方法估计出人脸形状的平均表面法向量分布矩阵,根据法向量方向利用聚类算法对像素进行分段,然后在各段中进行局部的像素归一化处理,最后传统的人脸识别算法如PCA在归一化后的图像中进行。在Harvard和YaleB人脸图像库中的识别试验表明,该算法能有效地提高在非均匀光照条件下的人脸识别率。     

一种新的局部纹理描述模式

提出一种新的图像局部纹理模式描述方法.首先通过比较8-邻域内像素灰度与邻域灰度均值的关系,对8-邻域进行二值化;然后将与邻域中心像素相对的水平、竖直及对角四个方向所得到的二进制序列的值和相应的权值模板对应相乘求和,就得到新的局部纹理模式;同时,文中对新纹理描述模式进行了进一步增强处理,兼顾了局部邻域的高频及低频特征.采用不同图像库进行实验,结果表明,新纹理模式的检索性能明显优于文中提到的其它方法,而且其特征维数还不到其它描述符维数的一半.     

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。     

基于局部方向纹理谱描述符的图像检索

提出了一种改进的局部方向纹理谱描述符。根据图像局部邻域中心像素及与其相对像素间的灰度关系及灰度差异关系来定义局部区域纹理方向,在此基础上结合中心对称局部二值模式的定义给出了新的局部方向纹理谱的定义。新描述符在不增加特征维数的基础上,更好地融入了局部纹理信息。采用不同图像库及不同评价准则进行图像检索对比实验,结果表明,该方法取得了较好的检索效果。     

"梯度脸"局部高阶主方向模式的人脸识别

现有高阶特征的人脸识别由于对噪声敏感导致鲁棒性差以及特征冗长,为此提出一种基于"梯度脸"的局部高阶主方向模式的人脸识别方法.首先设计梯度脸卷积算子,计算像素的多方向梯度分量和,以构造梯度脸;然后在梯度脸上引入主方向分组策略表征其高阶导数特征,以局部邻域高阶导数方向变化的特征码形成主方向特征图;最后分块统计其直方图特征并级联,并利用多分类支持向量机完成分类识别.在多个公开人脸库中的实验结果表明,该方法对光照、表情和面部遮挡等变化因素具有良好的鲁棒性,以及更高的识别效率.     

加权的多尺度多分辨率人脸描述与识别方法

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,文中提出一种加权的多尺度多分辨率人脸描述与识别方法.首先使用多分辨率分析分解图像为子带图像,并选择3个不同尺度的低频子带图像构建多尺度和多分辨率图像序列.然后针对图像序列的每幅图像编码人脸局部区域的中心像素与其邻域像素的灰度差的符号分量,体现人脸局部结构的重要性.再利用人脸局部区域中心像素与邻域像素的灰度差的幅值分量作为像素局部二值模式的权重.最后利用块Fisher线性判别降低特征描述符的维数,同时增强判别能力.在ORL和FERET人脸库上的实验表明该方法可获得明显的性能提升.     

融合局部特征的面部遮挡表情识别

目的 针对人脸表情识别中存在局部遮挡的问题,提出一种融合局部特征的面部遮挡表情识别方法。方法 首先,为了减少噪声的影响,利用高斯滤波对归一化后的图像进行去噪处理;然后根据人脸不同部位对表情识别的不同贡献度,将图像划分为两个重要的子区域,并分别对该子区域进行不重叠分块处理;采用改进的中心对称局部二值模式（差值中心对称局部二值模式DCS-LBP）和改进的差值局部方向模式（梯度中心对称局部方向模式GCS-LDP）对各个子块提取相应的特征,并采用级联的方式得到图像的特征直方图;最后结合最近邻分类器对表情图像进行分类识别：利用卡方距离求取测试集图像与训练集图像特征直方图之间的距离,同时考虑到遮挡的干扰以及每个子块包含信息量的不同,利用信息熵对子块得到的卡方距离进行自适应加权。结果 在日本女性人脸表情库（JAFFE）和Cohn-Kanade（CK）人脸表情库上进行了3次交叉实验。在JAFFE库中随机遮挡、嘴部遮挡和眼部遮挡分别可以取得92.86%、94.76%和86.19%以上的平均识别率;在CK库中随机遮挡、嘴部遮挡和眼部遮挡分别可以取得99%、98.67%和99%以上的平均识别率。结论 该特征提取方法通过融合梯度方向上灰度值的差异以及梯度方向之间边缘响应值的差异来描述图像的特征,更加完整地提取了图像的细节信息。针对遮挡情况,本文采用的图像分割和信息熵自适应加权方法,有效地降低了遮挡对表情识别的干扰。在相同的实验环境下,与经典的局部特征提取方法以及遮挡问题处理方法的对比表明了该方法的有效性和优越性。     

基于改进局部方向模式的人脸识别

在利用传统局部方向模式（ LDP）及其改进方法进行人脸识别时,存在两个主要问题,一是局限于3×3邻域来提取特征,二是在人脸识别时将图像不同分块同等对待。针对上述问题,提出了改进的LDP。一方面提出了多分辨率分析方法,将LDP由3×3窗口模式扩展至多分辨率窗口模式;另一方面,通过采用分块加权法来增强不同分块对人脸识别的不同贡献程度。采用Yale和Orl人脸图像库进行实验,结果表明：基于改进的方法明显提高了人脸识别的效果。     

基于纹理特征融合的人脸表情识别

局部二值模式(LBP)和韦伯局部描述算子(WLD)是两种图像的纹理描述算子,在图像的特征提取方面有较强的能力。为了更加准确地对人脸表情进行识别与分类,针对LBP在特征提取的过程中只考虑了中心像素点与周围的其他像素点的灰度值之差,WLD仅考虑中心像素点与周围像素点灰度值之间的激励强度与梯度方向关系的问题,提出一种新的特征提取算法—局部二值韦伯模式(LBWP)。首先对图像进行预处理,检验人脸和裁剪有效的表情区域,接着对图像进行LBWP特征提取,在特征提取之后采用SVM的分类器对表情进行识别和分类。该算法在CK+数据集和JAFFE数据集上进行实验仿真,识别率分别达到了97.14%和95.77%。实验结果验证了LBWP算法在表情识别方面的有效性,且丰富了人脸图像特征提取方法。     

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。     

增强成对旋转不变的共生扩展局部二值模式

目的 针对成对旋转不变的共生局部二值模式（PRICoLBP）算法对图像光照、旋转变化鲁棒性较差,且存在特征维度过大的问题,提出了一种可融合多种局部纹理结构信息的有效特征——增强成对旋转不变的共生扩展局部二值模式。方法 首先,对图像各像素点的邻域像素点灰度值进行二值量化得到二值编码序列,并不断旋转二值序列得到以不同邻域点作为编码起始点对应的LBP值;然后,分别利用极大、极小LBP值对应的邻域起始编码点和中心像素点确定两个方向矢量,并沿这两个方向矢量在两个不同尺度图像上选取上下文共生点;其次,利用扩展局部二值模式（ELBP）算法的旋转不变均匀描述子来提取上下文共生点对的中心像素灰度级、邻域像素灰度级及径向灰度差异特征间的相关性信息;最后,用上下文共生点对的特征直方图训练卡方核支持向量机,检测纹理图像类别。结果 通过对Brodatz、Outex （TC10、TC12）、Outex （TC14）、CUReT、KTH-TIPS和UIUC纹理库的分类实验,改进算法的识别率比原始的PRICoLBP算法识别率分别提高了0.32%、0.57%、5.62%、3.34%、2.1%、4.75%。结论 利用像素点LBP特征极值对应的起始编码序列来选取上下共生点对,并用ELBP算法提取共生点对局部纹理信息,故本文方法能更好描述共生点对间的高阶曲率信息及更多局部纹理信息。在具光照、旋转变化的Outex、CUReT、KTH-TIPS纹理库图像分类实验中,所提方法比原始PRICoLBP算法取得了更高的识别率。实验结果表明,改进算法相比于原始算法能在较低的特征维度下对图像光照、旋转变化具有较好的鲁棒性。     

改进的局部方向模式纹理表示方法

目的：纹理是描述和区分不同物体的重要特征之一,纹理特征提取一直是模式识别、机器视觉领域的研究热点。局部方向模式（Local directional pattern, LDP）是一种分辨性好、对随机噪声和非均匀光照鲁棒的纹理特征。而LDP特征由于计算8方向的边缘响应并排序,提取速度较慢。本文改进了LDP编码方案。方法：论文设计了两种改进方案。第一种方案直接对8方向的边缘响应符号进行编码,避开排序,称为FLDP（Fast Local Directional pattern, FLDP）特征;第二种方案,论文尝试使用较少的方向模板来降低特征提取的时间、空间消耗,设计了MLDP算子（Mini Local Directional pattern,MLDP）。结果：在Brodatz数据集的24类均匀纹理图像以及111类全部纹理图像上将本文提出的FLDP特征、MLDP特征与传统的LDP进行了对比实验。实验结果表明,在保证了分类准确率的前提下,FLDP算子的运算速度是3th-LDP的20倍左右,MLDP算子的运算速度是3th-LDP的35倍左右。结论：论文设计了2种方案改进了LDP特征,分别为FLDP算子和MLDP算子。实验表明,这两种改进方案,在保证分类准确率的同时,大幅度提高了特征提取运算速度。     

局部均匀模式描述和双加权融合的人脸识别

目的 针对LBP算法对边缘及噪声信息比较敏感,提出一种统一化的局部均值模式(ULMP)描述算子。考虑到全局和局部特征在识别上的互补性,提出一种ULMP描述和双加权融合的人脸识别方法。方法 首先利用ULMP算法获得整幅图像的编码图,接着将其分块,统计每一子块的直方图获得局部纹理特征,并结合BP神经网络得到局部分类结果。引入云模型求取不同子块的权值,对局部分类结果进行加权融合。整体纹理特征的获取是将不同子块的直方图特征串联。在得到全局和局部的分类结果后,将两者加权集成,获得最终的识别结果。结果 在ORL和Yale人脸库上进行实验,ULMP具有很好的识别性能。5幅测试样本时,在ORL库上取得了95.9%的平均识别率,分别比局部二值模式(LBP)、MCT、局部方向模式(LGP)、统一的LBP(ULBP)和局部中心二值模式(CSLBP)高11.3%、10.6%、9.5%、8.9%和3.9%;在Yale库上取得了97.4%的识别率,分别比LBP、MCT、LGP、ULBP和CSLBP高19.9%、17.7%、10.7%和0.7%。在ORL和Yale人脸库上,本文提出的双加权融合模式分别取得了98.5%和98.34%的平均识别率,高于任何单一模块。结论 本文提出的纹理提取算法ULMP,具有很好的平滑噪声及边缘信息的作用,适用于面部纹理特征的提取。利用云模型求取的权值的方法能够较好地发挥局部分类器间的集成作用,最终有效地提高了系统的整体性能。双加权融合模式是一种精确且有效的人脸识别方法,适用于静态人脸图像的匹配识别。