基于LBP的尺度不变特征的描述和匹配算法

针对尺度不变特征变换(SIFT)算法计算复杂度高和匹配速度慢的难题,提出一种新的基于局部二进制模式(LBP)的尺度不变特征变换算法.首先采用高斯差分尺度空间检测局部极大值,利用圆形邻域统计梯度方向直方图来确定特征点的主方向,再通过坐标轴旋转避免图像旋转的计算代价;然后运用改进后的LBP算子求取特征点邻域的纹理信息,得到132比特的特征点描述子,有效地降低了描述子的计算复杂度;最后运用逻辑与运算对描述子进行特征点匹配.图像匹配实验结果表明,该算法具有尺度不变性、旋转不变性、仿射不变性和光照不变性等优良特性,在保证匹配正确率与SIFT和CS-LBP算法基本一致的情况下,运算速度优于以上2种算法,其中光照不变性明显优于SIFT算法.     

基于梯度比率的SAR图像局部特征提取方法研究

本文研究了基于像素灰度差值计算的LBP算子和基于梯度比率的LGRP算子等局部二值模式。首先介绍了基本LBP算子和其他几种LBP算子的变形模式,并通过光学图像和实测SAR图像对LBP算子进行性能评估。针对LBP对SAR 图像乘性噪声敏感的问题,利用梯度比率计算的LGRP算子,并结合旋转不变LBP的抗旋转性,本文提出了一种改进的SAR 图像LGRP特征,获得了对SAR 图像的抗噪性和抗旋转性能。实验结果表明,由本文方法提取的SAR图像局部特征具有较好的不变性,可用于姿态角变化下的目标识别与图像纹理切片匹配。     

基于对角线偏移的SURF算子改进

由于SURF算子对光照仅有部分的不变性,从而在光照条件变化大的环境下可能会导致提取的特征数与匹配数减少的不足。为了克服该不足,文中深入分析光照变化对SURF算子对特征提取的影响,并提出利用对角线偏移模型对SURF算子进行改进,统一输入图像的光照信息,使得改进后的特征算子对光照的变化具有更强的不变性,从而使得改进后的算法在较大光照变化的条件下依旧能够稳定地提取特征点及匹配。     

结合LBP圆形算子的CNN面部表情识别研究

利用机器学习中卷积神经网络(CNN)擅长处理图像的优势，结合改进的局部二值模式(LBP)圆形算子，实现了人脸面部表情的识别。提取的人脸表情特征纹理信息得到增强，抑制了图像中光照、背景等干扰因素，并达到了灰度和旋转不变性的要求。在FER2013数据库上的实验结果表明，相比于原始图像的输入，结合LBP圆形算子的CNN结构能够有效提高面部表情识别的准确率。     

分辨率LBP的掌纹特征提取

为了研究NSCT变换(nonsubsampled contourlet transform,NSCT)和局部二值模式(local binary pattern,LBP)在掌纹识别应用方面的可行性和性能,提出了一种基于NSCT变换与局部二值模式相结合的掌纹特征提取算法.该方法能够较好地提取皱褶、乳突纹等掌纹的细节特征,并且能够有效减少掌纹识别中由于图像的平移、旋转和光照对识别结果造成的影响.使用NSCT变换可以稀疏地表示二维奇异曲线并且变换本身具有平移不变性;而LBP算子是一种有效的纹理描述算子并且该算子具有很好的灰度和旋转不变性.首先对掌纹图像进行NSCT变换,然后对变换后的掌纹子图提取局部多分辨率和多尺度的LBP特征.实验结果表明,该算法能够更好地表达掌纹纹线的细节和结构特征,对掌纹图像有更高的鉴别性.     

基于局部差分模式的不变性纹理分类

提出了局部差分变换和局部差分模式。局部差分变换具有灰度线性不变性,可消除光照变化对纹理分析的影响。基于局部差分变换的局部差分模式具有光照、旋转不变性和良好的多尺度分析能力。局部差分模式直方图可作为光照、平移、旋转不变性特征用于不变性纹理分类。实验表明,该方法的不变性纹理分类效果优于目前国际公认的基于LBP的方法。     

基于LBP纹理特征和Canny算子的视频分割方法研究

针对目标区域和背景区域交界处颜色相似度较高的图像分割问题,提出基于LBP(Local Binary Patterns)纹理特征和Canny算子的视频分割算法。构造能量函数的数据项颜色模型和光滑项对比度模型;根据当前block直方图与LBP背景模型直方图的相似度调整全局颜色模型和局部颜色模型的比例来改进颜色分量;通过Canny边缘检测方法对改进后颜色模型生成的图像进行检测,将得到的边缘检测结果应用到对比度分量模型中来增加前景和背景对比度;使用Graph Cut算法对能量函数进行求解,得到最终分割结果。实验结果表明,当背景光照发生变化且前景和背景交界处颜色相似时,该算法具有明显优势。     

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。     

基于高通滤波及LBP主成分特征的一种掌纹识别方法

本文用高斯高通滤波对图像进行预处理,然后用LBP方法提取掌纹图像特征,最后用PCA法降低特征维数。高斯高通滤波的作用在于增强图像对比度,使其具有更为明显的区分信息;图像的LBP特征具有抗旋转能力强,不受每次采集图像时光照不同的影响等优点;PCA能够提取特征矩阵的主成分。试验证明此方法具有较好的特征提取能力,得到了较高的识别率。     

用于纹理特征提取的改进的LBP算法

针对现有的纹理特征提取方法计算复杂度高的问题,利用局部二值模式(LBP)算法思想简单、计算复杂度小的优势,在已有的完整LBP(CLBP)算法基础上,提出了一种改进的CLBP算法(ICLBP)。ICLBP算法保留了CLBP算法中CLBP_S,而对CLBP_M算子、CLBP_C算子进行了改进,提出一个新的纹理描述算子ICLBP_T。ICLBP算法更全面地描述了局部窗口的纹理特征,同时有效解决了CLBP算法中CLBP_M算子对灰度分布不均敏感的问题。通过对Outex、CURet数据库的数据分类实验,结果表明,相比于已有的LBP算法,ICLBP算法的分类精度有了明显的改进,同时ICLBP算法中ICLBP_SCT特征具有较低的特征维数,具有较好的实用价值。     

LBP 直方图与PCA 的欧式距离的人脸识别

基于LBP算子具有旋转不变性和灰度不变性等显著特点,本文通过LBP算子的特征提取,将人脸分成子区域,然后通过连接这些子区域的LBP直方图生成人脸特征向量,由于生成的特征向量的维数过高,通过PCA算法降维压缩,最后用欧式距离分类器完成测试样本和训练样本的人脸识别,通过实验比较得出很好的人脸识别效果,此人脸识别算法过程用于火车站等各种公共场合有很好的应用效果。     

Local directional derivative pattern for rotation invariant texture classification

Local binary pattern (LBP) is a simple and efficient operator to describe local image pattern. It could be regarded as a binary representation of 1st order derivative between the central and its neighbors. Based on LBP definition, in this paper, a framework of local directional derivative pattern (LDDP) is proposed which could represent high order directional derivative feature, and LBP is a special case of LDDP. Under the proposed framework, like traditional LBP, rotation invariance could be easily defined. As different order derivative information contains complementary features, better recognition accuracy could be achieved by combining different order LDDPs which is validated by two large public texture databases, Outex and CUReT.     

LMCP:用于变化光照下人脸识别的LBP改进方法

LBP算子是在人脸识别和纹理分析领域比较成功的一种方法,但是由于没有考虑像素值之间的对比度,因而丢弃掉了重要的纹理特征。提出了一种LMCP方法,解决了LBP方法的这个缺点。该方法先通过预处理,将光照变化控制在一定范围内,然后求得局部区域中心像素点和邻居像素点之间的对比度值,并将其最大值和最小值之间的值域划分为若干个层次,将每个对比度值映射到某个层次上,再使用LBP类似方法获得若干个数值组合而成的LMCP特征值。此外,还使用了统计映射的方法进行降维。实验结果证明了LMCP方法比LBP方法更加有效。     

基于多级纹理特征和Mean-Shift的灰度目标跟踪

由于灰度图像的信息单一,缺乏描述目标的信息,且易受到光照变化的影响,导致灰度图像中的目标跟踪难度较大。为此,提出了一种结合Gabor小波变换特征与旋转不变一致局部二值模式(LBP)纹理描述算子来建立目标的多级纹理特征模型,并采用Mean-Shift来实现目标跟踪的新方法。该算法首先利用Gabor变换提取多尺度、多方向的目标图像特征以扩充特征提取范围,然后应用旋转不变一致LBP算子对这些特征进行编码以增强所提取特征的有效性,最后采用纹理模式联合概率直方图建立目标的多级Gabor-LBP纹理特征模型,并通过Mean-Shift算法来实现目标的跟踪。实验结果表明,该算法可以有效地克服光照变化、混乱及目标旋转的影响。     

强化深度特征融合的行人搜索系统

针对行人图像的深度特征缺乏对局部细节的描述，及不完全具备对尺度、旋转、平移及光照变化等各种因素的不变性而导致行人搜索准确率低的问题，本文提出一种具有强化深度特征融合的行人搜索系统。该系统将行人候选网络和行人识别网络两部分整合优化成统一框架。其中，行人候选网络实现行人框的获取及标定，而行人识别网络在获取深度学习特征的基础上融入具有几何不变性的传统特征，建立一个强化深度特征融合网络模型。实验结果表明，本文采用强化深度特征融合的网络模型，在SSM数据集上检测并框出图片中的行人，其Top-1识别正确率高达80.7%，比单纯采用深度特征模型更具优越性。     

基于分块特征收缩的行人检测方法

针对基于梯度方向直方图(Histogram of Oriented Gradient,HOG)特征和局部二值模式(Local Binary Patterns,LBP)特征的行人检测存在特征向量维度大、检测精度有待提高的问题,提出了一种分块特征收缩的行人检测方法。首先将样本图像划分成多个大小相同的重叠分块;然后提取各分块的HOG和LBP特征,并将两种特征融合作为分块的特征,通过该特征来训练分块分类器,根据分块分类器的行人检测精度对分块进行排序,选取检测精度较高的分块进行特征收缩;最后将特征收缩后的分块特征向量连接在一起作为最终用于行人检测的特征。在INRIA公共测试集合上的实验结果表明,该方法在降低了特征向量维度的同时提高了行人检测精度。     

Multi-structure local binary patterns for texture classification

Recently, the local binary patterns (LBP) have been widely used in the texture classification. The LBP methods obtain the binary pattern by comparing the gray scales of pixels on a small circular region with the gray scale of their central pixel. The conventional LBP methods only describe microstructures of texture images, such as edges, corners, spots and so on, although many of them show good performances on the texture classification. This situation still could not be changed, even though the multi-resolution analysis technique is adopted by LBP methods. Moreover, the circular sampling region limits the ability of the conventional LBP methods in describing anisotropic features. In this paper, we change the shape of sampling region and get an extended LBP operator. And a multi-structure local binary pattern (Ms-LBP) operator is achieved by executing the extended LBP operator on different layers of an image pyramid. Thus, the proposed method is simple yet efficient to describe four types of structures: isotropic microstructure, isotropic macrostructure, anisotropic microstructure and anisotropic macrostructure. We demonstrate the performance of our method on two public texture databases: the Outex and the CUReT. The experimental results show the advantages of the proposed method.     

基于LMCP方法的纹理特征分类

经典局部二值模式(LBP)方法没有考虑像素之间的对比度,从而限制其描述纹理特征的能力。为此,提出一种局部多层对比模式(LMCP)方法,将其应用于纹理特征分类中。通过预处理把光照变化控制在一定范围内,将局部区域临近像素间的对比度分为若干个层次,使每个对比度值映射到某个层次中,按照LBP的类似方法构建每个层次的统计直方图,采用统计映射的方式降低特征维度。基于Outex_ TC_00012纹理数据库的实验结果表明,该LMCP方法具有较好的分类效果。