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     

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。     

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Monogenic幅值和相位的人脸识别方法

针对仅利用图像滤波幅值信息进行识别而忽视相位信息的问题,提出一种融合Monogenic局部相位和幅值的识别方法。该方法先对相位进行量化和异或,并结合方向和尺度信息得到相位编码(MLXP);其次,分别对相位编码和基于幅值的二值编码进行分块,计算直方图特征;然后,采用基于分块的线性判别进行降维,提高特征的判别能力;最后在评分层实行融合。在ORL和CAS-PEAL人脸数据库上,相位方法MLXP的平均识别率分别为0.97和0.94,融合Monogenic相位和幅值的方法平均识别率分别为0.99和0.979,超越实验中其他所有方法。实验结果表明,相位利用方法MLXP是有效的,融合Monogenic相位和幅值的方法不但能够避免传统线性判别中的小样本(3S)问题,而且能以较低的时间和空间复杂度,有效地提高身份的正确识别率。     

基于Gabor定向模式的人脸识别方法

为了从Gabor滤波后的幅值图中提取更加有效的分类特征,提出了一种新的基于Gabor定向模式（GDP）的人脸识别方法。首先对人脸图像进行多尺度多方向的Gabor滤波,然后提出了一种新的GDP算子通过对每种尺度下所有方向的Gabor幅度图进行编码得到每种尺度对应的GDP模式图,最后将所有GDP模式图的直方图向量串联作为最终的人脸表示。由于GDP算子同时对同一尺度下的所有方向上的Gabor幅度响应进行编码,因而GDP特征不仅对外界变化具有较好的鲁棒性,而且能够显著降低最终的特征长度。在ORL和CAS-PEAL人脸库上的实验结果显示GDP方法能以更小的特征长度获得优于传统LGBP及LGXP等方法的识别效果,证明了方法的有效性。     

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。     

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。