基于EHMM的人脸识别算法

人脸识别是对从视频图像中检测到的人脸区域进行身份的认证．是将待识别人脸与数据库中的人脸进行匹配的过程。将EHMM应用于人脸识别,提取人脸的DCT系数特征作为观察向量,用EHMM算法进行人脸模型训练和识别,并使用OpenCV对人脸识别算法进行功能仿真验证和相关探究,达到较好的人脸识别效果。实验结果表明,正常光照下,该算法的识别率在95％以上。     

基于奇异值的具有年龄变化的人脸识别

为了增强现有人脸识别算法对年龄变化的鲁棒性,提出了一种新的基于奇异值分解(SVD)和嵌入式隐马尔可夫模型(EHMM)的人脸识别方法.先选取整幅人脸图像的奇异值作为基本特征向量,然后建立年龄函数,对奇异值特征进行修正,再根据得到的年龄函数,对人脸图像进行重建,提取改进后的奇异值特征作为观察序列,送入EHMM中进行分类识别,实验结果表明这种方法能够提高具有年龄变化的人脸识别效率.     

基于简化局部二元法的人脸特征提取

提出了一种在复杂光照条件下,基于简化的LBP处理的人脸识别算法.局部二元模式(LBP)作为一种非线性高通滤波器,能够进行图像的边缘增强处理.由于噪声在任意方向上出现的随机性,LBP方法在边缘增强的同时,也对噪声做了增强,尤其是邻域内指数的权重系数对噪声的影响更加明显.基于此,对LBP算法进行了改进,提出基于相似度的人脸识别算法,实验证明算法有效地减少了因光照变化而产生的影响,同时缩短了运行时间,提高了图像识别率.     

一种混合特征的人脸识别算法仿真研究

研究人脸识别优化问题,人脸图像受光照、人脸表情和位置变化等因素影响,由于图像具有复杂的多尺度特征,传统人脸识别算法只能提提取局部或全局特征,不能准确描述人脸图像,导致人脸识别率低。为了提高人脸识别率,提出一种小波分解和LBP算子相结合的人脸识别算法(WTLBP)。WTLBP首先利用小波变换对人脸图像进行分解,将人脸图像分解成大尺度和小尺度图像,然后采用LBP算子提取人脸图像的多尺度特征,最后采用概率统计法对人脸进行匹配识别。对ORL人脸库进行仿真,结果表明,WTLBP能够提取到人脸图像更加丰富的局部和全局信息,对光照、人脸表情和位置变化具有较高的鲁棒性,提高了人脸识别率。     

基于单演定向幅值模式的复杂光照人脸识别

为了提高在复杂光照下的人脸识别率,提出了一种基于单演定向幅值模式的人脸识别算法。首先,用多尺度的单演滤波器提取图像的单演幅度和方向信息;然后,用一种新的单演定向幅值模式(PMOM)算子将同一尺度下的幅度和相位信息分解为多张定向幅值模式图,再用局部二值模式(LBP)算子提取每一个PMOM模式图的LBP特征图;最后,将每张LBP特征图分块,计算每一块的直方图,并将所有块的直方图串联后作为最终的人脸表示。在CAS-PEAL人脸库和YALE-B人脸库上的实验结果表明,该算法可以显著提高光照变化人脸图像的识率。另外,该算法参数设置简单,而且无需任何训练过程也无需对光照条件进行估计,因而具有简单、通用性好的优点     

改进的单尺度Retinex和LBP结合的人脸识别

为了提高复杂光照条件下人脸识别准确率,提出一种基于改进单尺度Retinex并结合局部二值模式（LBP）的人脸识别算法。首先,利用双边滤波代替Retinex的高斯滤波处理人脸图像,同时使用高斯-拉普拉斯（LoG）及归一化处理提取人脸图像的边缘细节特征,采用标准差的加权方法将两幅处理后的图像进行特征融合,然后使用LBP对融合后的图像进行特征提取,最后通过稀疏表示（SRC）算法对数据样本进行判别归类。在AR和Yale B+人脸库上的实验测试表明,提高了复杂光照下人脸识别的光照鲁棒性,在训练样本较少、光照复杂环境下能取得较好的识别效果。     

基于局部二值模式和深度学习的人脸识别

针对人脸识别中深度学习直接提取人脸特征时忽略了其局部结构特征的问题,提出一种将分块局部二值模式(LBP)与深度学习相结合的人脸识别方法.首先,将人脸图像分块,利用均匀LBP算子分别提取图像各局部的LBP直方图特征,再按照顺序连接在一起形成整个人脸的LBP纹理特征; 其次,将得到的LBP特征作为深度信念网络(DBN)的输入,逐层训练网络,并在顶层形成分类面; 最后,用训练好的深度信念网络对人脸样本进行识别.在ORL、YALE和FERET人脸库上的实验结果表明,所提算法与采用支持向量机(SVM)的方法相比,在小样本的人脸识别中有很好的识别效果.     

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.     

非采样Contourlet变换与局部二值模式相结合的人脸识别

针对人脸识别中姿态、光照和表情变化带来的识别率有限的问题,提出了一种基于非采样Contourlet变换(NSCT)与局部二值模式（LBP）的人脸特征提取方法。首先对人脸图像进行非采样Contourlet变换,得到多尺度、多方向的子带系数矩阵,然后利用LBP算子从每个子带系数矩阵上抽取局部邻域关系,得到各子带的LBP特征图谱,最后将这些图谱分块统计并级联后作为人脸的识别特征。利用多通道最近邻分类器的分类结果表明,所提方法能有效提高识别率,所提取的特征对光照、表情和姿态等变化具有更好的鲁棒性。     

基于LBP直方图的复杂光照下的人脸识别

提出一种具有较强光照鲁棒性的人脸识别方法。通过Gamma校正、高斯差分（DoG）滤波和对比度均衡化算法对图像进行光照预处理,降低光照敏感度;利用局部二值模式（LBP）算子提取局部纹理特征,将图像划分为若干个不重叠的子区域,提取每个子区域LBP直方图,形成人脸图像特征,用主成分分析（PCA）进行降维处理;使用支持向量机（SVM）进行分类识别。在Yale-B数据库进行实验的结果表明,该算法的平均识别率可达99.68%,其性能优于目前该领域的典型算法。     

基于局部特征与核低秩表示的人脸识别算法

针对人脸识别中的遮挡、伪装、光照及表情变化等问题,提出一种基于局部特征与核低秩表示的人脸识别算法。首先,对训练和测试的样本图片进行LBP特征的提取;然后将其通过映射函数投影到高维特征空间中进行后续操作,投影到高维空间中的特征矩阵通过降维处理后采用低秩表示的方法来提取样本之间的共同特征;最后根据低秩表示的结果进行分类识别。实验证明算法在对遮挡、伪装以及光照变化等噪声的影响鲁棒性更强,同时较当前的一些人脸识别算法的识别率也有了显著的提高。     

LBP与LNMF特征融合的人脸识别

提出一种融合局部二值模式(LBP)和局部非负矩阵分解(LNMF)进行人脸识别的方法,采用LBP算子提取分块人脸图像的LBP直方图序列(LBPHS),根据每块的贡献度,得到权重的直方图序列(WeightLBPHS),采用LNMF方法提取其非负子空间及其系数矩阵,根据最近邻原则进行识别。在ORL和YALE标准人脸数据库上的实验表明,该方法具有较高的识别率。     

基于Curvelet和LBP的可变光照人脸识别

光照变化和环境噪声会引起人脸识别正确率下降。为此,提出一种基于Curvelet变换和LBP的可变光照人脸识别方法。对原始人脸图像进行Curvelet变换,对第1层低频系数,采用对数运算和局部二值模式运算克服光照影响,舍弃剩余的最高频信息子图像,以除去环境噪声和光照产生的阴影边界带有的虚假信息,利用主成分分析和线性判别分析方法进行人脸识别。仿真结果表明,该方法能有效去除光照和噪声引起的影响,具有较好的鲁棒性。     

基于(2D)~2PCA-LBP的人脸识别方法的研究

人脸识别是图像处理、模式识别和人工智能研究的重点领域之一,其目的是利用计算机根据人脸的特征来鉴别人物的身份,在商业、安全、身份认证、法律执行方面具有广泛的应用~[1]。我们在研究局部二值模式的基础上,将其与主成分分析算法相结合,提出了一种基于(2D)~2PCA-LBP的人脸识别方法。该方法在提取了人脸纹理特征信息的基础上,用(2D)~2PCA方法进行降维,可以对图像进行最大程度的降维。其中LBP算法具有旋转不变性,以及对光照变化和姿态变化具有一定的鲁棒性;我们所提出的方法结合了两者的优点,提高了人脸识别率。     

基于完整LBP特征的人脸识别*

提出一种基于完整局部二值模式(CLBP)进行人脸识别的方法,CLBP算子包括三个部分:中心像素的LBP(CLBP_C)、符号部分的LBP(CLBP_S)、数值部分的LBP(CLBP_M)。该方法首先采用CLBP算子提取人脸灰度图像的直方图;然后融合成CLBP直方图,进行直方图相似性比较;最后根据最近邻原则进行识别。在ORL和YALE标准人脸数据库上的实验表明,该方法得到的结果比LBP效果更好,鲁棒性更高。     

离散小波变换Haar-LL的行人检测研究

提出一种基于二维离散Haar小波变换的局部二值模式(LBP)与局部梯度模式(LGP)的特征融合方法。对图像进行二维离散Haar小波变换,得到4个不同频率的子图像,对低频部分子图像提取LBP特征,对3个高频部分子图像提取LGP特征,将3个LGP特征并接融合后与LBP特征串接融合进行行人检测。在Matlab环境下利用支持向量机(SVM)对INRIA数据集进行5组实验,分别将该方法与梯度方向直方图(HOG)、金字塔梯度方向直方图(PHOG)、LBP、LGP进行检测率、检测时间、光照鲁棒性以及噪声鲁棒性对比。综合各项实验数据表明,该方法在光照鲁棒性以及噪声鲁棒性方面都能取得更好的效果。     

基于LBP和栈式自动编码器的人脸识别算法研究

LBP算法对光照敏感且能有效地提取图像的纹理结构特征。提出一种基于局部二值模式（Local Binary Pattern,LBP）和栈式自动编码器（Stacked Autoencoders,SAE）的人脸识别算法。用统一模式LBP算子提取分块后的人脸图像的直方图,按顺序连接形成整幅图像的LBP特征,并将其作为栈式自动编码器的输入,完成进一步的特征提取,实现人脸图像的识别与分类。在Extended Yale B等数据库上的实验结果表明,该算法与传统的人脸识别算法和标准的栈式自动编码器相比,对光照变化有更强的鲁棒性,具有更好的识别效果。     

基于EHMM-SVM的人脸识别算法研究

EHMM依靠输出最大相似概率来判定人脸,但由于人脸图像的相似性,此方法可能会导致识别错误。对此,提出了一种基于EHMM-SVM的人脸识别方法。运用二维离散余弦变换(2D-DCT)进行人脸特征提取,得到观察向量序列。通过双重嵌套Viterbi算法求出每个人脸图像对应EHMM模型的输出概率,把输出概率输入SVM中进行分类训练以及识别测试,得到人脸识别的结果。运用ORL和YALE人脸数据库进行实验。实验结果表明了该方法的可行性及有效性。     

基于支持向量机的人脸识别技术研究

研究人脸识别优化问题,不同程度光照对人脸图像的采集具有不利影响,使图像中包含一些噪声信息,而当前人脸识别算法没有考虑不同程度光照对人脸图像的影响,仅在光照变化不大时,识别正确率高.为了解决光照条件对人脸识别不利影响,提高脸识别正确率,提出一种多尺度Retinex( MSR)和支持向量机(SVM)相结合的人脸识别算法(MSR - SVM).MSR - SVM首先采用MSR对人脸图像进行预处理,消除光照变化的不利影响,然后采用PCA提取人脸图像特征,消除一些噪声信息,最后利用SVM分类算法对人脸图像进行分类.采用Yale人脸库对MSR - SVM算法进行仿真测试,仿真结果表明,改进方法可以消除光照变化对人脸识别不利影响,加快了人脸识别速度,提高了人脸识别正确率.     

基于改进的LBP人脸识别算法的研究

局部二值模式(LBP)算法是人脸识别领域中的经典算法,能够捕捉局部的细节特征,但其鲁棒性和识别率易受外部环境变化的影响。文章深入研究了LBP算法,从LBP算子、直方图特征提取对传统LBP算法进行改进,并结合LIOP编码方法,进一步提出了增强局部量化模式(ELQP)的人脸识别算法。实验结果表明,改进的LBP算法具有更高的识别率和较强的鲁棒性。