拉普拉斯滤波结合CS-LBP的单样本人脸识别

针对传统的人脸识别算法在单训练样本的情况下识别率不佳的情况,提出一种结合拉普拉斯滤波与中心对称局部二值模式的人脸识别算法（LFCLBP）。对原始人脸图像进行拉普拉斯滤波处理;然后对图像提取梯度幅值和梯度相位信息,对梯度幅值用CS-LBP算子编码,再将梯度相位量化到16个区间进行编码,将二者融合成人脸图像的LFCLBP特征;分块统计直方图特征,将所有分块的直方图串联起来作为人脸图像的特征向量,并用最近邻分类器识别。在YALE人脸库和AR人脸库上进行测试,测试结果表明该算法有效,在光照变化、表情变化和部分遮挡等环境下对单样本人脸图像具有较好的识别效果。     

一种基于单演相位局部差分二值模式的人脸识别方法

提出一种融合单演方向和尺度间互补信息的单演相位局部差分二值模式的人脸识别方法。该方法首先提取图像的单演相位,对单演相位进行局部差分,求绝对值,并进行二值编码;接着对单演方向和相位尺度间对应的相位点进行二值编码;然后将单演方向编码、相位尺度间编码、同一尺度的单演相位差分二值编码按顺序排列形成单演相位差分模式;最后采用统计学的方法形成单演相位差分二值模式映射表,并将单演相位编码进行映射,从而达到保留主要特征模式、降低特征维度的目的。在ORL和CAS PEAL人脸库上的实验表明,该方法具有很好的识别性能。     

融合单演特征和CS-LBP的单样本人脸识别

针对单样本情况下传统人脸识别方法识别效果不佳的问题,提出一种融合单演幅值、相位和方向的单演中心对称幅值相位方向模式（MCSLBP）的人脸识别方法。首先采用中心对称局部二值模式（CS-LBP）对同一尺度下的单演幅值进行编码,并将单演相位量化到4个区间进行编码,同时对单演水平方向和垂直方向进行二值编码,然后将三者融合成MCSLBP特征;最后对不同单演尺度空间中的MCSLBP模式图进行分块,提取每一小块的直方图特征并串联后用最近邻分类器进行分类识别。在CAS-PEAL和AR人脸库上的实验结果表明,MCSLBP方法对具有光照、表情和遮挡变化的单样本人脸识别具有较好的识别效果。     

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。     

基于梯度信息的人脸识别方法

光照、表情等外部条件的变化是影响人脸识别效果的重要因素。梯度信息反映了图像信息变化幅度的大小,对边缘敏感,对光照不敏感。基于梯度信息的人脸识别方法能够缓解光照等变化对人脸识别的影响,具有一定的鲁棒性。提出两种基于梯度信息的人脸识别方法,即基于梯度幅值的人脸识别方法和基于方向梯度的人脸识别方法。抽取梯度信息,借助于2DPCA或2DFLD对抽取的梯度信息进行特征抽取,通过相似性进行分类。在AR和Yale-B人脸库上的实验表明所提出的两种方法均具有较好的识别效果。     

基于四元数小波幅值相位表示及分块投票策略的人脸识别方法*

提出一种基于四元数小波幅值相位表示及分块投票策略的人脸识别方法。该方法首先对人脸图像进行预处理,利用四元数小波变换的四路小波提取多个角度方向的小波系数,并求取四元数幅值和三个相位,将这些幅值和相位特征组合并分成若干子块,对每个子块根据最近邻原则进行分类,对各子块分类结果进行投票以实现人脸图像最终识别。对五个人脸数据库的实验表明,该方法具有较高识别率和对表情及光照变化的鲁棒性。     

单演滤波与局部量化模式相结合的人脸识别方法

针对传统人脸识别方法提取的特征维数较高和计算量较大的缺点,提出了一种基于单演滤波与局部量化模式(LQP)相结合的人脸特征提取方法。首先,通过对人脸图像进行多尺度的单演滤波获得图像的包括局部幅值、局部方向和局部相位的多模式单演特征;然后,用LQP算子对图像中的每个像素点的三种单演特征进行编码,得到每个尺度滤波器下的LQP模式图;最后,将这些LQP模式图分块、统计每一块的直方图并级联作为人脸识别特征。在ORL和CAS-PEAL人脸库上对所提算法进行的测试结果表明,该算法能够以较低维数的特征取得较高的识别率,可以有效降低算法的计算复杂度。     

一种新的自适应边缘提取微分算子

提出一种新的微分算子用于边缘提取,基于泰勒展开分别计算图像水平和竖直方向的灰度差分,相比传统一阶或二阶微分算子,其梯度值结果更精确,弥补了传统算子微弱边缘提取少且与原图逼近度较差的缺陷。然后基于大津法思想对图像梯度幅值直方图计算分割阈值,从而得到一种新的能自适应提取边缘的微分算子。仿真结果表明,新算子不仅能够对不同图像自适应提取边缘,并且相比传统微分算子,它能提取更多微弱边缘,尤其对灰度对比度较低的图像。同时对曲线部分具有较好的逼近效果,适用于人脸等线条细节比较丰富的图像。将新算子应用到Canny算子中能获取更精确的结果。     

基于多级纹理特征的深度信念网络人脸识别算法

为解决人脸特征提取过程中局部特征缺失的问题,借助局部二值模式(LBP)与方向梯度直方图(HOG)提出一种基于多级纹理特征融合的深度信念网络人脸识别算法。以提取局部纹理特征以及边缘纹理特征为出发点,对人脸图像进行三级纹理特征提取。使用MB-LBP提取初级纹理特征;在此基础上进行改进的CS-LBP图像特征提取作为二级纹理特征;使用HOG算子在二级纹理特征上完成三级纹理特征提取。将二级和三级纹理特征直方图顺序串联融合后输入到深度信念网络(DBN)逐层贪婪训练,优化网络参数,并用优化的网络在ORL、YELA人脸标准库中进行测试,识别率均在92%以上。该算法与传统算法(SVM、PCA)相比较拥有更好的人脸识别效果,同时也表明了局部纹理特征的改善为识别过程的特征提取提供强有力的保障,为人脸识别的进一步研究开拓新思路。     

基于支持向量机的人脸识别方法

提出一种基于二值边缘图像和支持向量机的人脸识别方法,以具有较强光照鲁棒性的二值边缘图像作为人脸表征,用支持向量机来分类。其中二值边缘图像是用一种基于Sobel算子的局部自适应阂值选取边缘检测算法。仿真实验结果表明对于有165幅人脸的Yale人脸库识别率可达92．73％,而对于有798幅人脸图像的AR人脸库识别率可达95．62％,而且该方法对有光照变化的人脸图像有较好的鲁棒性。     

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。     

基于正交梯度二值模式的单样本人脸识别

针对传统人脸识别方法在单样本条件下识别效果不佳的问题,提出一种改进的对光照和表情姿态等变化具有较强鲁棒性的梯度脸算法——正交梯度二值模式(OGBP)。首先采用正交梯度二值模式对样本图像进行特征提取,然后将每个方向特征向量串接起来作为用于人脸识别的总体特征向量,最后通过主成分分析(PCA)方法降维并利用最近邻分类器分类识别。在YALE和AR人脸库上进行测试,实验结果表明所提方法简单有效,性能优于原始的梯度脸算法,且对单样本人脸描述具有更好的效果。     

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.     

Illumination robust single sample face recognition using multi-directional orthogonal gradient phase faces

Due to the limitation of the storage space in the real-world face recognition application systems, only one sample image per person is often stored in the system, which is the so-called single sample problem. Moreover, real-world illumination has impact on recognition performance. This paper presents an illumination robust single sample face recognition approach, which utilizes multi-directional orthogonal gradient phase faces to solve the above limitations. In the proposed approach, an illumination insensitive orthogonal gradient phase face is obtained by using two vertical directional gradient values of the original image. Multi-directional orthogonal gradient phase faces can be used to extend samples for single sample face recognition. Simulated experiments and comparisons on a subset of Yale B database, Yale database, a subset of PIE database and VALID face database show that the proposed approach is not only an outstanding method for single sample face recognition under illumination but also more effective when addressing illumination, expression, decoration, etc.     

基于改进Chamfer匹配的台标识别

已有电视台台标的识别技术多基于视频流处理,实时性较差,且对半透明台标识别效果不佳。为此,提出一种基于改进Chamfer匹配的台标识别方法。利用Canny算子提取台标边缘颜色及梯度方向,采用RANSAC算法对台标边缘进行优化,通过距离变换计算边缘梯度方向的距离图,并基于距离最短准则对其识别。实验结果表明,该方法能实现台标的单帧识别,克服半透明台标的识别难题,平均识别率达97.7%,平均识别时间为801 ms。     

多方向局部相位量化模式及纹理分类

梯度是图像的一种的特征，而同时考虑不同方向上的梯度信息是一种更加有效利用梯度的方式，因此提出多方向梯度的纹理局部相位量化模式算法。多方向梯度的纹理局部相位量化模式首先从不同方向提取图像的梯度特征，然后对每个方向上的梯度特征采用局部相位量化方法进行编码，各方向梯度采用相位量化编码后的特征连接成一个匹配特征向量。为了充分利用图像的梯度信息，还探讨了块模式的局部相位量化方法。两个纹理数据库和一个掌纹数据库上的实验充分表明，对图像各方向上的梯度信息进行局部相位量化编码是一种有效的纹理特征提取算法。     

Elastic shape-texture matching for human face recognition

In this paper, a novel, elastic, shape-texture matching method, namely ESTM, for human face recognition is proposed. In our approach, both the shape and the texture information are used to compare two faces without establishing any precise pixel-wise correspondence. The edge map is used to represent the shape of an image, while the texture information is characterized by both the Gabor representations and the gradient direction of each pixel. Combining these features, a shape-texture Hausdorff distance is devised to compute the similarity of two face images. The elastic matching is robust to small, local distortions of the feature points such as those caused by facial expression variations. In addition, the use of the edge map, Gabor representations and the direction of the image gradient can all alleviate the effect of illumination to a certain extent.With different databases, experimental results show that our algorithm can always achieve a better performance than other face recognition algorithms under different conditions, except when an image is under poor and uneven illumination. Experiments based on the Yale database, AR database, ORL database and YaleB database show that our proposed method can achieve recognition rates of 88.7%, 97.7%, 78.3% and 89.5%, respectively.     

基于虚拟样本图像集的多流形鉴别学习算法

为了丰富训练样本的类内变化信息,提出了基于通用训练样本集的虚拟样本生成方法。进一步,为了利用生成的虚拟样本中的类内变化信息有效地完成单样本人脸识别任务,提出了基于虚拟样本图像集的多流行鉴别学习算法。该算法首先将每类仅有的单个训练样本图像和该类的虚拟样本图像划分为互补重叠的局部块并构建流形,然后为每个流形学习一个投影矩阵,使得相同流形内的局部块在投影后的低维特征空间间隔最小化,不同流形中的局部块在投影后的低维特征空间中间隔最大化。实验结果表明,所提算法能够准确地预测测试样本中的类内变化,是一种有效的单样本人脸识别算法。     

双差值局部方向模式的人脸识别

针对差值局部方向模式（DLDP）特征提取不够充分和对光照、噪声等比较敏感的问题,提出一种双差值局部方向模式（DDLDP）人脸识别方法。首先,分别将半径为1的3×3领域像素灰度值和半径为2的5×5领域像素灰度值与8个Kirsch模板算子卷积,得到两组对应8个灰度响应值。然后,将半径为1的灰度响应值,按照相邻前后作差的方式,得到8个灰度响应差值,再将半径为1和2得到的灰度响应值上下作差,也得到8个灰度响应差值。最后,将两组灰度响应差值取绝对值,其最大绝对值所对应下标位置构成DDLDP码。仿真实验结果表明,相比同类基于局部方向模式的单一人脸识别算法,该方法具有更好识别效果。DDLDP更加完整地提取了人脸特征,且表现出对光照和噪声更好的鲁棒性。