加权信息熵与增强局部二值模式结合的人脸识别

针对人脸识别因光照、姿态、表情、遮挡及噪声等多种因素的影响而导致的识别率不高的问题，提出一种加权信息熵（IEw）与自适应阈值环形局部二值模式（ATRLBP）算子相结合的人脸识别方法（IE （w） ATR-LBP）。首先，从原始人脸图像分块提取信息熵，得到每个子块的IEw；然后，利用ATRLBP算子分别对每个人脸子块提取特征从而得到概率直方图；最后，将各个块的IEw与概率直方图相乘，再串联成为原始人脸图像最后的特征直方图，并利用支持向量机（SVM）对人脸进行识别。在AR人脸库的表情、光照、遮挡A和遮挡B四个数据集上，IE （w） ATR-LBP方法分别取得了98.37%、94.17%、98.20%和99.34%的识别率。在ORL人脸库上，IE （w） ATR-LBP方法的最大识别率为99.85%；而且在ORL人脸库5次不同训练样本的实验中，与无噪声时相比，加入高斯和椒盐噪声后的平均识别率分别下降了14.04和2.95个百分点。实验结果表明，IE （w） ATR-LBP方法能够有效提高人脸在受光照、姿态、遮挡等影响时的识别率，尤其是存在表情变化及脉冲类噪声干扰时的识别率。     

基于自适应局部二值模式的纹理特征提取方法

局部二值模式(local binary pattern, LBP)是一种简单有效的纹理特征描述符,但是存在对噪声缺乏鲁棒性以及编码过程中信息缺失的问题。针对该问题提出基于自适应阈值的带方向的完整局部二值模式(adaptation threshold complete local binary pattern with direction,DAT-CLBP)。提出一种自适应阈值选取方法和判别条件,通过判别条件,从自适应邻域像素中值和中心像素值中选取一种作为LBP编码时的阈值;计算邻域像素和阈值的差分的幅值,并以幅值最小点为起点,从小到大地计算局部邻域的二值模式。在通用纹理库上运行算法,统计两种阈值的发生率,证明了采取自适应阈值的必要性。以纹理库上添加了不同程度的椒盐噪声的纹理图像为样本实验,结果表明算法能更好地描述纹理,同时也对椒盐噪声具有鲁棒性。     

基于改进局部五值模式的人脸识别

针对局部五值模式EQP(Elongated Quinary Pattern)采用全局阈值定义造成对图像灰度变化敏感以及在人脸识别中对图像不同分块同等对待问题,提出基于局部五值模式增强方法。首先,通过自适应方法来设置阈值,以提高其对图像灰度变化的鲁棒性;其次,通过特征块加权处理,融入每个分块结构对比信息,以突出不同分块的不同作用。采用在人脸识别领域广泛应用的ORL与YALE人脸库进行比较实验,实验结果表明,新方法明显提高了EQP算子的识别效果。     

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。     

自适应加权完全局部二值模式的表情识别

为了有效地提取局部特征和全局特征以提高表情识别的性能,提出自适应加权的完全局部二值模式（Adaptively Weighted Compound Local Binary Pattern,AWCLBP）的人脸表情识别算法。首先对人脸表情图像进行预处理分离出表情子区域,与此同时生成表情子区域的贡献度图谱（Contribution Map,CM）;然后对表情子区域和整幅表情图像做完全局部二值模式变换提取三种特征（差值符号特征CLBP_S、差值幅值特征CLBP_M、中心像素特征CLBP_C）并连接三种特征生成级联直方图,并根据CM对表情子区域的级联直方图进行加权和整张图像的直方图进行融合;最后用卡方距离和最近邻方法进行分类识别。本算法在JAFFE库上做了实验并和LBP、Gabor小波、活动外观模型进行了比较,验证了本算法的有效性。     

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.     

基于梯度和局部多值模式的图像纹理特征提取

为了进一步增强局部二值模式的纹理特征表达能力,提出了一种将图像梯度同局部多值模式相结合的纹理特征提取方法.该方法首先计算出图像的梯度幅度和梯度方向,并根据量化的梯度方向对幅度图进行分解,之后利用得到的幅度图对其进行局部多值模式特征的提取,得到一种新的纹理特征,最后将得到的特征进行图像检索实验.实验结果表明,在纹理丰富的检索库上,该方法所提取的纹理特征更加具有通用性,相对传统局部二值模式图像检索方法具有更好的稳健性和更好的检索效果.     

基于非局部二值模式算子的人眼定位

在人脸识别中,人脸特征定位尤其是人眼的定位是一个很重要以及很有挑战性的任务。在我们提出的非局部二值模式NLBP(Non-Local Binary Pattern)算子以及基于这个算子的人脸特征定位方法的基础上,我们进一步设计了新的能够对人眼进行精确定位的方法。提出定位方法在标准的人脸数据集上取得了很好的效果,在困难人脸图像上同样显示了很好的鲁棒性。     

基于体积语义局部二值模式的行为识别

基于视觉的行为识别是人体运动分析的重要组成,也是该领域一个富有挑战性的研究方向,因此获得广泛的关注.该文将视频中的人体行为看成由每帧轮廓图像沿时间轴堆叠而成的三维空-时体积,提出一种新颖的局部二值模式,即体积语义局部二值模式(VSLBP),用于提取空-时体积中的有效低维特征,通过计算测试序列与已标记的行为训练集特征间的最近卡方距离得到其所属行为类别.在行为库“Weizmann”上实验结果表明,该文提出方法的识别准确率略高于现有最新方法,且能容忍各种复杂的条件,如遮挡、拍摄角度、行为者外观穿着及行为方式等.     

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。     

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。     

基于降维LBP与叶片形状特征的植物叶片识别方法

为解决由于植物叶片特征的相似性以及叶片旋转导致植物识别率较低的问题,提出一种基于降维局部二值模式（LBP）与叶片形状特征相结合的植物叶片识别方法。首先利用LBP算法提取高维叶片纹理信息,通过主成分分析方法（PCA）对高维叶片特征降维;同时考虑叶片的形状特征,将LBP旋转不变性特征与叶片形状特征有效结合,在低维空间利用k近邻法（KNN）实现叶片的分类与识别。实验结果表明该方法具有较好的识别效果。     

基于完全局部二值模式的人群密度估计

为了实时监控重要场所的人群密度、采取有效措施疏散高密度人群,避免人群密度过大而引发事故,造成生命和财产的损失,提出了一种基于完全局部二值模式的人群密度估计方法.该方法提取人群图像的3种局部纹理特征,建立了3-D联合直方图统计模型,用卡方距离最近邻方法对人群密度级别进行分类,实现了特定场景下人群密度的监测.对比实验结果表明了该方法能兼顾任意密度级别人群图像的分类,不仅准确率高,而且实时性好,同时对场景背景具有较强的鲁棒性.     

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。     

LBP和Tamura纹理特征方法融合的织物疵点分类算法

为了找出织物在生产过程中易产生疵点的类型,并反馈到生产工序中以提高织物质量,提出一种基于局部二进制模式与Tamura纹理特征方法相结合的织物疵点分类算法。该算法主要完成的任务是对织物特征向量的提取,局部二进制模式从局部或像素邻域描述纹理的特征,Tamura纹理特征方法从全局描述疵点纹理特征,两者结合能更好地描述疵点纹理特征。完成特征向量提取后,选用共轭梯度BP算法来处理特征向量。共轭梯度BP算法收敛性较好,提高了训练速度和训练精度。实验结果表明,提出的算法对疵点分类具有较高的分类准确率。     

基于LBP特征的人脸图像识别

提出了一种基于LBP算子和Isomap相结合的人脸图像识别算法。利用[ε]-LBP算子提取人脸图像纹理特征,然后用Isomap对高维的纹理特征进行数据降维,得到人脸数据的本质几何结构。最后将降维后的数据作为分类器的输入进行人脸分类识别。实验结果表明,该算法能够对人脸图像进行良好的分类识别,尤其是小样本的情况下。     

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。     

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。