基于分块局部二元模式的鉴别特征抽取方法及人脸识别

提出了一种基于分块局部二元模式(LBP)的鉴别特征抽取方法.该方法对人脸图像进行分块,再对分块后的子图像矩阵采用LBP算子抽取LBP特征.由于LBP是利用一串二进制码表征较小图像块的局部纹理,这有助于提高人脸识别的性能.采用主分量分析(PCA)方法对由所有分块后子图像的LBP特征向量构成的新训练集进行维度缩减,最后以Fisher线性鉴别分析(LDA)对缩减后的PCA特征进行鉴别特征提取.在ORL人脸库和YALE人脸库上的实验结果表明,该方法优于传统的PCA和LDA方法.     

基于局部二元模式算子的人脸性别分类方法

提出了两种基于局部二元模式(Local Binary Pattern,LBP)算子的人脸性别分类方法:级联LBP方法和boosting LBP方法.前一种方法遵循从局部到整体的级联策略,使用LBP算子对由小波分解得到的细节图像进行特征提取,以达到扩充特征提取范围和增强所提取特征的有效性的目的,随后采用自适应加权机制对人脸图像的各个分块赋以不同的权值.后一种方法采用可变尺寸的子窗口对人脸图像进行扫描,在扫描所得的每个子窗口中,使用LBP算子对该子窗口提取LBP直方图.计算样本图像的LBP直方图和模板的LBP直方图之间的度量,并由此构建弱分类器集.利用Adaboost算法选取最有效的若干个弱分类器集组合成为强分类器.进行了三个基于LBP算子的人脸性别分类实验,实验所使用的训练集和测试集皆选自FERET人脸数据库.实验结果证明:LBP算子能有效地从人脸图像中提取出针对人脸性别分类的特征,并可以达到人脸性别分类的目的.所提出的两种基于LBP算子的方法可以有效的解决传统LBP方法所存在的特征提取范围有限、加权机制客观性不足等问题.     

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。     

基于分块加权LBP技术的人脸识别算法

人脸识别属于生理特征识别,是基于人的脸部特征信息进行身份识别的生物识别技术,是我国人工智能技术领域的首个成熟技术。LBP(Local Binary Patterns)算法,又称局部二值模式算法,是一种灰度范围内的纹理描述方式。传统LBP算子提取的特征信息只能体现局部的人脸信息,不能完整表达全部人脸信息。在基本LBP算法的基础上提出基于分块加权LBP技术的人脸识别算法,将人脸分为5×3子分块,根据人脸五官在人脸识别中的不同贡献度赋予不同的权重提取人脸信息特征。通过在ORL和YALE两种人脸数据库中训练不同样本数,比较传统LBP方法、5×3分块LBP方法和5×3分块加权LBP方法的人脸识别准确率,实验证明分块加权LBP技术在人脸识别中可以有效提高识别准确率。     

基于LBP和PCA特征提取的人脸识别

为有效解决局部二元模式(LBP)在人脸识别特征提取时维数过高的问题,提出了一种结合LBP特征和主成分分析(PCA)的人脸识别方法.首先,对人脸图像进行分块,提取其LBP直方图特征,然后使用PCA方法对特征向量进行降维,最后将降维后的特征向量用于识别.在FERET人脸库上的实验结果表明:相对于原始LBP表达方法,结合LBP和PCA的人脸表达能有效降低计算复杂度,同时也较好地保持了原有识别精度.     

基于LBP-SR的复杂场景人脸识别算法

文章提出一种基于LBP-SR的人脸识别方法.算法首先对原始图像进行高斯滤波和下采样以构造图像金字塔,然后提取金字塔图像的LBP特征,构建由多级LBP金字塔图像的特征直方图组成的多尺度人脸特征,最后将人脸特征投影到谱回归子空间上以完成降维.实验分析表明,LBP金字塔特征具有较强的人脸描述能力,在复杂场景下该算法具有比经典算法更好的识别率,并且有较快的识别速度,可用于实时视频监控.     

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.     

基于二阶LBP的人脸识别研究

文章将局部二值模式(LBP)引入到图像预处理中,以期利用LBP的性质,克服光照变化对人脸识别的影响.为进一步利用LBP模型的性质,提出一种称之为二阶LBP的新型算子并应用于人脸识别.实验结果表明,二阶LBP模型在克服光照变化上性能优于LBP模型.     

基于虚拟曝光融合的光照自适应人脸图像增强方法

为了提高复杂光照条件下的人脸识别性能,提出一种基于虚拟曝光融合的光照自适应人脸图像增强方法。该方法针对检测到的人脸图像,计算其平均亮度,并与经由统计学习得到的正常光照人脸图像的亮度区间进行比较,判定其光照水平,分为低光照、高光照或正常光照,然后基于相机响应模型采用虚拟曝光融合的方法对低光照和高光照人脸图像进行光照增强处理,此过程循环迭代处理直到增强的人脸图像平均亮度达到正常水平。这种光照自适应增强后的人脸图像可作为输入无缝接入现有的人脸识别算法中,从而改善人脸识别系统性能。在Extended Yale B和CMU_PIE人脸图像数据库上的实验结果表明,该方法能有效提高复杂光照下的人脸识别率。     

基于邻域相关度和LBP算子的人脸图像识别

针对传统局部二值模式(local binary pattern,LBP)算子提取的图像纹理特征不完整、不能全面刻画人脸局部特征的问题,提出一种基于邻域相关度的改进LBP算子.该算子首先计算窗口内每个像素点的邻域相关度;其次利用邻域相关度的均值和方差构造新的NC_LBP算子,进而提取图像局部直方图特征,作为人脸识别的依据;最后利用Chi平方统计法计算直方图的不相似度,并用KNN算法进行分类.仿真实验表明,改进NC_LBP算子在ORL,JAFFE和YALE人脸数据库的识别中效果较好,特征区分度明显,识别准确率较高.     

基于多尺度Retinex算法结合PCA特征加权的人脸识别方法

结合多尺度Retinex算法和PCA算法的特点,并引入权重系数,提出了一种新的人脸识别方法.首先,在人脸图像的预处理阶段,利用多尺度Retinex算法提取人脸图像光照不变分量,然后用PCA算法提取人脸光照不变量的主特征;为进一步减少光照变化对人脸识别率的影响,对提取到的主特征的前两个向量加小于1的权重系数;接着利用k近邻分类器进行人脸分类识别;最后基于CAS_PEAL_R1光照子集人脸库,在Matlab环境下进行仿真实验,实验结果表明该方法提高了人脸识别率.     

基于LBP与卷积神经网络的人脸识别

卷积神经网络在人脸识别上有较好的效果,但是其提取的人脸特征忽略了人脸的局部结构特征.为了提取更加全面的人脸特征,提出一种基于局部二值模式(local binary pattern,LBP)与卷积神经网络相结合的新方法.首先,提取人脸图片的LBP特征图像,然后把LBP图像与原RGB图像结合作为网络输入数据,并且使用随机梯度下降法训练网络参数,最后用训练得到的网络模型对人脸图片进行识别.通过在LFW(labeled face in the wild)人脸识别数据库上的实验表明,在卷积神经网络中加入LBP图像信息可以提高人脸识别的准确率.另外,当增加训练数据时,提出的方法得到的识别率会进一步提高,更说明提出方法的有效性.     

基于局部分割的快速人脸识别

针对人脸识别系统易受光照,表情与遮挡等因素的影响,提出一种基于局部分割的快速人脸识别算法。首先,建立高斯肤色模型,并融合几何特征快速实现人脸粗定位;然后,利用局部初次匹配与全局特征的方法排除背景环境对人脸检测的干扰以及减少匹配过程中的计算量,同时运用LBP算子对2D-Fr FT的幅度与相位特征的互补信息进行编码;最后,采用最近邻分类器进行分类识别。本文的方法在公共人脸图像数据库上进行仿真实验。结果表明,该算法简单、鲁棒性高、在速度与准确性方面具有良好的性能。     

一种层级处理的人脸光照归一化方法

采用层级处理模式,提出了一种新的人脸光照归一化方法,先对图像光照进行自动判定,决定采用何种方法进行预处理,减小不同光照下人脸灰度的差异.再根据Gamma校正算法的特点,设计了一种更适应人脸图像校正的参数计算方法.本方法在样本归一化后,使得图像的本真信息不丢失,而且提高了图像对比度.大量的实验表明,该方法可以有效提高人脸识别功能的适用范围,能够在更远距离或复杂光照下进行识别.     

非局部二值模式人脸表示与识别方法

人脸表示/特征提取是人脸识别技术中最重要的步骤,局部二值模式(LBP)在人脸识别问题中受到了越来越多的关注和研究.为了克服原始LBP算子存在的固有缺陷,本文在其基础上提出了非局部二值模式NLBP算子.相对于原始LBP算子,新的NLBP算子能够实现多尺度分析能力,突出了人脸的关键特征,并能增强人脸表示与识别的鲁棒性.实验验证了新NLBP算子的有效性.     

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。     

一种新型的人脸识别算法在智能门禁系统中的应用

针对人脸识别中的尺度与光照敏感问题,该文提出了一种基于Gabor滤波器的人脸自动识别算法。首先对原始人脸图像进行Gabor小波分解,得到人脸的纹理特征图像;然后利用流形学习的方法进行特征数据降维;最后采用LDA线性判别方法进行人脸的自动识别。实验表明,该算法具有较强的人脸自动识别能力,能有效地解决不同姿态、不同光照条件下的人脸难以识别的问题,将该算法作为智能门禁系统的主程序,实现了智能门锁的自动控制。     

融合LBP和LPQ的人脸识别

空域和频域分析是图像分析的重要方法,提出一种融合空域的局部二值模式(local binary pattern,LBP)和频域的局部相位量化(local phase quantization,LPQ)进行人脸识别的方法.该方法首先对人脸图像分别在空域提取LBP特征和频域提取LPQ特征,然后融合成LBP/LPQ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YALE和AR标准人脸数据库上的实验表明,该方法得到的结果比单个方法效果更好,鲁棒性更高.     

基于LBP和几何混合特征的人脸识别

提出一种基于ASM几何特征和LBP局部特征的人脸识别新方法。该方法首先使用ASM算法对样本数据进行区域筛选,然后通过LBP特征与ASM特征构建融合特征对人脸进行识别。本文使用JAFFE人脸数据库和CK+数据库进行算法测试,实验结果表明本文提出的方法比单独使用ASM和LBP特征在人脸识别率上有较大的改善。     

基于LBP和Gabor混合特征的近红外人脸识别

综合局部二值模式(Local Binary Patterns,LBP)和Gabor·函数特征的优点,并结合余弦相似度和主元分析(Principal ComponentAnalysis,PCA)方法,提出特征混合的人脸识别算法并研究4种不同的LBP和Gabor特征混合的方法.在871人的近红外人脸图像库上的实验表明,基于LBP和Gabor混合特征的人脸识别方法能获得较高的人脸识别正确率和较低的误识率.