基于彩色空间多特征融合的表情识别算法研究

目前的人脸表情识别方法大多是在灰度图像上采用单一特征算子,如 Local Phase Quantization(LPQ),Local Binary Patterns(LBP),Histograms Of Oriented Gradients(HOG),Gabor等,进行分类识别,但这类方法在复杂光照条件下识别率并不理想。为取得较好的识别率,本文首次提出了基于彩色图像多特征融合的表情识别算法。该算法首先在不同彩色分量上分别提取LPQ、LBP、HOG及Gabor多种特征,然后对高维特征进行线形鉴别分析并采用最近邻法进行表情分类,最后对多特征分类结果采用Adaboost算法进行融合。本文算法在具有复杂光照条件的Multi-PIE人脸库上进行了验证,取得了88.30%的平均识别率。实验结果表明：相比于基于灰度图像的单一特征识别算法,本文提出的算法能较大幅度地提高人脸表情识别率。     

基于Log-Gabor滤波和LBP算子的光照不变人脸识别方法

提出了一种基于Log-Gabor滤波和局部二值模式(local binary patterns,LBP)算子的光照不变人脸识别方法.该方法首先对人脸图像进行对数变换预处理,有效改善剧烈光照变化对人脸图像的不利影响.然后采用Log-Gabor滤波器与图像进行卷积,得到不同尺度和不同方向下的人脸Log-Gabor特征图像.在此基础上,再使用LBP算子对Log-Gabor图像进行描述,最后将所有的Log-Gabor图像的LBP特征进行简单连接,作为人脸的特征向量.将所提出的方法在YaleB数据库上进行实验,实验结果表明该方法能够有效提高复杂光照条件下的人脸识别率.     

基于HOG-多尺度LBP特征的人脸性别识别

针对人脸性别识别中单一特征描述子对人脸信息表达的不足,提出一种方向梯度直方图(histogram of oriented gradient,HOG)和多尺度局部二值模式(local binary patterns,LBP)多特征融合的人脸性别识别算法.首先,对输入图像进行裁剪和缩放得到多个分辨率的人脸图像,再分别提取LBP统计直方图并合成一个特征向量;然后,提取目标图像头肩模型的HOG特征得到HOG特征向量;最后,将LBP特征向量与HOG特征向量合成一个新的特征向量,应用支持向量机(support vector machine,SVM)进行训练.在自建的人脸库中采用10折交叉法测试该算法的准确性,准确率可达93.0%,结果表明该算法对人脸性别识别的准确率优于其他单一的特征提取算法.     

采用自适应加权扩展LBP的单样本人脸识别

提出了一种采用自适应加权扩展LBP(AWELBP,adaptively weighted extended local binarypattern)的单样本人脸描述方法,首先对单样本的人脸图像进行多尺度分块,对子块的图像进行扩展均匀LBP算子运算,同时同步生成图像局部熵图谱(LEM,local entropy map),计算每一子块对整体人脸图像纹理描述的贡献度图谱,根据贡献度图谱对每个子块的LBP直方图进行自适应加权,最后将各子块的LBP直方图进行连接形成人脸特征。本算法在ORL、Yale、Yale B人脸库上对部分遮挡、表情变化、光照变化等环境进行测试,并与传统算法以及与多种LBP改进算法进行比较,结果表明该算法对部分遮挡、表情变化和光照等环境下单样本人脸描述具有较好的效果。     

DCT和LBP特征融合的人脸识别

提出一种特征融合的人脸识别新方法.该方法将人脸图像中少量的低频离散余弦变换(DCT)系数用作人脸的频域特征;把人脸图像规则地分成多个子块,计算每个子块的局部二值图(LBP)编码直方图.这些子块的LBP直方图连接成一个空域全局直方图,作为人脸的描述向量.这个描述向量经过PCA降维后作为人脸的LBP特征.DCT特征和LBP特征分别归一化,然后进行特征融合.在ORL人脸库上的实验显示了所提方法比单独采用DCT或LBP特征的人脸识别有较好的性能改善.     

自商图像优化加权LBP直方图的光照变化人脸识别

针对光照变化环境下人脸识别难度大的问题,提出了一种基于自商图像(SQI)和加权局部二值模式(LBP)的光照变化人脸识别方法。首先,利用SQI方法消除光照变化;然后,将两个加权的多区域LBP分别应用于各个图像以提取光照不变特征;最后,将自商图像方法和加权LBP算法提取的直方图融合形成最终的特征向量并用于人脸识别。在扩展YaleB和CMU-PIE人脸数据库上的实验结果表明,相比其他几种人脸识别方法,取得了更好的识别效果。     

基于LBP预处理和子图像特征采样的人脸识别

针对随机子空间方法对人脸图像的局部变化鲁棒性较差、多次随机采样时间开销较大、采用固定采样率等问题,提出了一种结合LBP预处理和子图像特征采样的人脸识别方法.首先对人脸图像进行LBP预处理,得到LBP纹理图像;然后对LBP纹理图像进行子图像划分;最后结合随机子空间方法对子图像进行随机特征采样,训练基分类器,并进行集成.同时,结合多尺度分析进行分层随机采样(Stratified-RS),该方法将多次随机采样进行分层,每层使用不同的采样率,进而得到了具有不同维数的特征子集,减少了提取的特征总数,结合级联集成可以进一步增强基分类器之间的差异性.在ORL,Yale,Extended Yale B和CMU PIE这4个人脸数据库上进行了试验.结果表明,所提出方法在提高随机子空间方法运行效率的同时也能保持较好的识别精度.     

复杂光照与背景下的Double肤色模型人脸检测算法

针对复杂光照与背景的图像中难以准确检测出人脸的情况,提出一种复杂光照与背景下的Double肤色模型人脸检测算法。采用一种改进的光照补偿方法对图像进行光照预处理,融合改进的高斯肤色模型和非线性肤色模型,通过对融合算法进行收敛性验证与实例检验,证明了其可行性。实验结果表明,该算法能够对复杂背景及光照下多人脸、多姿态、遮挡、动态视频图像等情况的人脸检测有较好的检测效果。     

一种自适应的EDTLBP人脸识别方法

局部二值模式(local binary pattern,LBP)算子只采用0阈值编码,忽略像素对比度信息,造成了特征提取单一﹑抗干扰能力差的缺点。主要从两方面对以上问题加以改善:为获取光照变化环境下最具有鉴别能力的多元特征空间,采用交叉验证算子筛选出两组最优动态阈值,分别进行LBP编码;为有效融合提取的多尺度特征,引入信息熵估算各阈值编码后的LBP特征权重,作为不同阈值特征融合时的贡献率。所提方法 EDTLBP(entropy dynamic threshold local binary pattern)在各组对比实验中均取得了最优结果,其中,在不可控光照环境下的户外人脸库上更取得了100%的理想识别率。实验结果表明,EDTLBP方法在光照变化环境下具有极强的自适应性。     

基于纹理特征融合的人脸图像质量评估算法

从视频序列中选取同一人的高质量人脸图像是人脸识别技术的关键步骤。为了提升人脸图像评估的可靠性,提出了纹理特征融合的人脸质量评估算法。首先,针对人脸图像提取HOG、GIST、GABOR和LBP等纹理特征;接着,根据标注数据训练分类器,实现单特征得分评估;再将多特征得分值融合成特征向量;最后,通过多项式核函数升维得到新的特征向量,并根据该特征训练SVMs分类器,以回归人脸图像质量得分。实验结果表明,基于特征融合的方法能有效提升人脸图像质量评估的效果,特别是HOGGIST特征组合的算法具有很好的效率,目标人脸在不同姿势及遮挡的情况都能得到可靠的评估结果。