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。     

一种融合多模式单演特征的人脸识别方法

为了更好地利用单演幅值和区域主方向信息,分别提出了一种单演韦伯差异激励局部块二值模式和单演区域主方向模式,并在此基础上进一步采用分块子模式策略融合两种特征。该方法首先对单演幅值求取差异激励,将差异激励分解为正值和幅值图像;然后对正值和幅值图像采用基于分块的局部二值模式编码,采用主成分分析方法求取单演区域主方向,并对主方向进行均匀量化,再采用异或编码。在获取两种特征后,采用分块子模式的策略对两种特征进行加权融合。在AR和CAS-PEAL上的实验表明,MWLMBP和MDOP两种特征提取方法能够有效提取图像的判别信息,进一步融合两种特征的方法能够有效增强特征的分类能力,提高特征的识别性能。     

基于单演局部主方向能量模式的人脸识别方法

针对人脸识别中不能有效利用图像局部能量信息的缺点,提出一种基于单演局部主方向能量二元模式的人脸识别方法。首先应用主元成分分析方法求取单演局部主方向能量,然后对单演局部主方向能量进行局部二元编码。在此基础上进一步分块,求取直方图,最后运用基于分块的线性判别方法进行降维,增强特征判别能力。实验结果表明,在AR和ORL人脸库上,单演局部主方向能量二元模式方法比单演幅值二元模式方法有更好的识别性能,这说明该方法能够有效提取图像的判别特征,提高系统的识别性能。     

融合MBP和EPMOD的人脸识别

摘 要：目的：单演信号分析在人脸识别中得到了日益广泛的应用,然而其中的单演方向作为一种极为重要的几何信息却未能得到充分的利用。为此,提出了一种新的增强型单演方向差分算子对单演方向进行特征提取,进而提出了融合MBP（单演二值模式）和EPMOD(增强型单演方向差分模式)的人脸识别方法。方法：首先对图像进行多种尺度的单演滤波并分别提取图片的MBP特征和EPMOD特征,然后使用BFLD(基于分块的线性fisher判别)分别对两种特征进行降维并增强两种特征的分类能力。最后,在得分级别上对两种特征进行融合并进行分类识别。结果：在ORL和CAS-PEAL人脸库上的实验表明,本文提出的EPMOD算法具有更小的时间复杂度和空间复杂度的前提下具有与MBP、LGBP相当甚至更好的识别效果。结论：本文提出了一种有效的人脸特征提取方法,实验表明本文提出的将EPMOD和MBP特征进行融合的方法能够显著地提高算法的最终识别率。     

局部方向梯度幅值与相位差分的人脸识别算法

针对传统人脸识别算法在单训练样本下效果不佳,提出一种局部方向梯度幅值和相位差分相结合的方法（LDGMPD）,首先提取图像的梯度幅值与相位,梯度幅值图像与8个Kirsch模板卷积得到每个子邻域的8个边缘梯度值;然后对相位进行局部差分。局部方向梯度幅值与相位差分仅使用边缘梯度值与相位局部差分值中最大值的方向编码成一个二位八进制数,产生LDGMPD值。再选取结构对比信息对各LDGMPD人脸分块进行加权处理,提取人脸的LDGMPD直方图特征,最后利用最近邻分类器分类识别。在AR和CAS-PEAL-R1共享库上进行实验表明LDGMPD在单样本人脸识别具有较好的效果。     

基于单演同相幅值模式的人脸识别方法

针对单演信号表述仅利用幅值和方向而忽略相位信息的问题,提出了一种单演同相幅值模式方法。用多尺度的单演滤波器提取人脸的单演幅值和相位信息,将相位量化并根据相位量化的结果对幅值累加和二值编码,从而获得若干张单演同相幅值模式图。将每一张PMMSP图分块并提取直方图特征,用BFLD对特征进行降维。这样能有效提升特征的判别能力并降低算法的时间和空间复杂度。在CAS-PEAL人脸库和AR人脸库上的实验证明了该算法的有效性。     

基于双向梯度中心对称局部二值模式的单样本人脸识别

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,提出一种双向梯度中心对称局部二值模式(BGCSBP)的单样本人脸识别算法.首先获取人脸水平和垂直方向的梯度信息,并将其用CS-LBP算子进行编码;然后将二者融合成人脸的BGCSBP特征,再通过分块统计直方图的方式得到人脸的直方图特征;最后采用直方图相交进行分类识别.在CAS-PEAL,Extend Yale B和AR人脸数据库上的实验结果表明,该算法简单有效,对光照、表情、部分遮挡变化具有较好的鲁棒性.     

基于多通道Gabor滤波与CS-LBP的人脸识别方法

近来,局部二值模式(Local Binary Pattern,LBP)在人脸识别中取得了成功应用。然而,LBP提取的特征维数通常很高。而中心对称局部二值模式(Center-Symmetric Local Binary Pattern,CS-LBP)采用中心对称思想对图像进行编码,能够显著降低提取的特征的维数。为此,将CS-LBP应用于人脸图像特征提取,并结合多通道Gabor滤波,提出了基于多通道Gabor滤波与CS-LBP的人脸识别算法。在Yale,ORL,FETER标准人脸库上的实验结果表明,相比局部二值模式,CS-LBP以提取更少的特征维数取得了相当的识别率,并且,基于多通道Gabor滤波的CS-LBP能显著提高识别精度。     

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     

基于Gabor和二值叠加CS-LBP特征的人脸表情识别

在表情识别中Gabor结合局部二值模式（LBP）的特征提取方法以及直方图统计降维虽然是较为局部化的方法,但LBP鲁棒性较差,识别精度不高,而且使用直方图统计来区分表情,其计算复杂度和特征维数依旧较高。中心对称局部二值模式（CS-LBP）与LBP相比具有较好的鲁棒性,但其对表情纹理细节的描述仍不够详细。因此提出基于Gabor结合改进的CS-LBP即二值叠加中心对称局部二值模式（二值叠加CS-LBP）的特征提取方法。用Gabor提取特征,同时用两种计算方式提取两个特征值并叠加,作为最终识别的特征;并通过离散余弦变换（DCT）降维,有效降低表情的特征维数。在JAFFE表情库中实验验证了该方法能有效提高识别精度。     

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。     

融合DCT和LBP特征的表情识别

为了获得更好的面部表情特征,提出了一种融合离散余弦变换（Discrete Cosine Transform,DCT）特征和局部二值模式（Local Binary Pattern,LBP）特征的表情特征提取方法。该方法将人脸图像经过DCT后所获得的低频系数作为表情的整体特征;通过对人脸图像进行分块,计算每个子块的LBP直方图,将这些LBP直方图连接起来形成LBP特征,对该LBP特征使用拉普拉斯特征映射（Laplacian Eigenmaps,LE）降维后得到表情的局部特征。将得到的整体特征和局部特征进行加权融合,使用最近邻分类器进行分类。在JAFFE和Cohn-Kanade表情库上的实验结果表明,该方法比单独使用LBP或者DCT特征,具有更好的效果。     

基于韦伯梯度方向直方图的人脸识别算法

针对传统人脸识别算法在姿态、表情和光照等变化下而引起识别效果不佳的问题,提出一种韦伯梯度方向直方图人脸识别算法（HWOG）。利用差动激励提取图像的结构和纹理信息,利用HOG算子提取原始图像的边缘特征,分块统计直方图特征信息,将所有分块的直方图串接得到人脸图像HWOG特征,用最近邻分类器进行分类。在YALE人脸库、ORL人脸库上和CAS-PEAL-R1进行实验,实验结果表明所提算法能有效提高识别率,且对光照、表情和姿态变化有较好的鲁棒性。     

基于Adaboost的人脸与虹膜融合识别

传统生物特征识别系统的识别率经常受到环境以及生物学特征的自身局限性影响。针对该不足,提出一种基于人脸与虹膜特征级融合的多模态生物识别系统,采用中心对称局部二值模式算子提取人脸和虹膜的纹理特征,将人脸特征与虹膜特征线性整合成混合特征向量,利用Adaboost算法从该混合特征向量中优选出一组最佳特征组合,从而构成强分类器。实验结果表明,该多模态系统相比单模态系统具有更好的鲁棒性。     

基于Uniform LBP和DMMA的单样本人脸识别

在单样本人脸识别系统中,为了获得更好的人脸面部特征,提出了一种融合Uniform LBP特征和多流形判别分析（Discriminative Multi-Manifold Analysis,DMMA）的特征提取方法。对每幅人脸图像进行分块构成一个子集。使用统一局部二值模式（Uniform LBP）算子提取每个子集中图像的直方图,每个子集中的直方图形成一个统计流形,应用DMMA算法获得人脸图像的低维特征。采用基于重建的流形-流形间的距离识别未知的人脸图像。在AR数据库和ORL数据库上实验结果表明,该算法的识别性能优于一般的DMMA算法。     

一种基于2DLPP和2DLDA的人脸识别方法研究

局部保持投影（locality preserving projection,LPP）和线性鉴别分析（linear discrimin antanalysis,LDA）是两种有效的一维特征提取方法,广泛应用于人脸识别领域。但采用一维特征提取方法时会存在列向量化时样本的结构信息被破坏和样本在提取特征时必须对协方差矩阵进行特征分解,对于高维小样本的问题很容易出现协方差矩阵奇异的问题。文中提出将二维局部保持投影（2DLPP）和二维线性鉴别分析（2DLDA）这两种方法在特征层进行融合并应用在人脸识别。基于人脸库AR上的实验表明,该方法比传统的IJPP和LDA识别性能更高,因此可作为一种新的人脸识别方法。