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.     

基于二次修正的LBP算子和稀疏表示的人脸表情识别

针对传统局部二元模式(LBP)算子存在直方图维数过高而导致识别速度降低和二值数据对噪声很敏感的问题,在分析传统LBP算子的原理基础上,对人脸表情特征的数据量增加、人脸表情特征向量和特征识别过程的优化进行如下改进:将人脸表情图像经过小波包的分解和重构,得到4幅不同频段的图像,从而有效地增加原表情图像的数据量;采用修正的LBP算法对人脸表情图像进行特征提取,并通过稀疏表示模型优化其特征向量,有效地降低传统LBP直方图的维数,提高人脸表情识别率,二次修正的LBP算法鲁棒性好;构建基于神经网络的多分类器模型,融合多特征多分类器的输出,有效地提高表情特征分类的准确性和稳定性。研究结果表明:与传统LBP算法对比,本算法用于人脸表情的识别时,其识别率得到较大幅度提高,算法鲁棒性好。     

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.     

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.     

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.     

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。     

一种基于Harris-SIFT特征点检测的LBP人脸表情识别算法

针对LBP算法在提取全局特征时不具有针对性的缺点,提出一种基于Harris-SIFT特征点检测的LBP人脸表情识别算法。该算法引入Harris得到表情图像的角点,同时运用SIFT检测算法得到图像的局部最大最小值,通过Harris算法对SIFT特征点进行过滤,得到表情图像的准确感兴趣点;设计特征点最大区域选取法和特征点周围邻域选取法,将选取的区域作为LBP特征提取的输入图像;运用SVM多分类器得到每种表情的识别率。实验表明,该算法能更有效地提取表情特征,达到较好的识别效果。     

基于LBP与CS-LDP自适应特征融合的人脸识别

为了提取更丰富的人脸纹理特征以提高人脸识别率,提出了局部二值模式LBP(Local Binary Pattern)与中心对称局部微分模式CS-LDP(Center-Symmetric Local Derivative Pattern)自适应特征融合算法。识别过程中首先用LBP算法对原始图像进行特征提取,然后用二阶微分CSLDP算法对图像进行特征提取,并将LBP与CS-LDP的特征向量融合得到最终的模板向量,通过直方图交叉距离计算模板向量的相似度。结果表明:LBP提取图像的一阶微分特征,而CS-LDP提取图像的二阶微分特征,融合两种特征获得更丰富的图像纹理信息。该方法在ORL、YaleB和FERET人脸库中的人脸识别率均达到了90%以上,为人脸识别技术提供了一种切实可行方案。     

基于改进的LBP面部识别智能算法

在传统的LBP算法的基础上,提出了一种改进的自适应阈值算法用于人类面部识别.提取图像的每个子区域的LBP,根据子区域图像自身的情况设定阈值,利用该阈值提取纹理特征,同时融合信息熵对分解的特征层进行直方图加权,在FERET人脸数据库上进行的实验证明,本文提出的算法具有更高的鉴别能力和对噪声干扰的更强的鲁棒性,能够有效提高图像检索的准确率.     

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.     

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。     

基于局部宏观特征和微观特征结合的手背静脉身份识别

手背静脉身份识别由于其非接触和不易被污染等独特的优势,已成为各种新型生物特征识别手段中的研究和应用热点.如何提取具有高鉴别性且鲁棒的手背静脉图像特征是本文的研究重点.本文简述了基于局部二值模式(local binary pattern,LBP)的特征提取方法及其改进方法的基本原理,讨论分析了其不足,并针对不足,提出了一种多尺度块中心对称局部二值模式(multi-scale block center-symmetric LBP,MB-CSLBP)算子.本文所提出的MB-CSLBP算子既考虑图像的局部宏观特征,也兼顾图像的微观特征,获取了更加全面的图像信息.在自建的2040幅近红外手背静脉图像数据库中,用MB-CSLBP方法获取图像特征并使用最近邻分类器进行识别.大量的对比实验结果表明,本文所提方法的识别率达到98.21％,优于原始LBP及其改进算子,中心对称局部二值模式(center-symmetric LBP,CS-LBP)和多尺度块局部二值模式(multi-scale block LBP,MB-LBP)等.     

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。     

自适应阈值局部特征融合的人脸识别

针对局部二值模式(local binary pattern,LBP)提取图像纹理特征时阈值不能自适应以及缺少方向信息的问题,文章提出了一种自适应阈值局部特征融合的人脸识别算法。首先对原始人脸图像进行分块处理,提取每个子块自适应阈值均匀模式的局部二值模式(uniform local binary pattern,ULBP)特征和局部梯度编码(local gradient coding,LGC)特征;然后,将2种局部特征串联在一起融合为1种特征,得到每个子块的直方图特征,把每个子块图像的信息熵作为直方图加权系数,将所有子块图像的直方图乘以各自的加权系数,连接得到整幅人脸图像的直方图特征;最后用支持向量机(support vector machine,SVM)分类器进行识别分类。在ORL、Yale、FERET(be、bj、bf子库)人脸数据库上进行试验,该人脸识别算法分别得到了99.0%、98.7%、87.5%、93.0%、88.5%的识别率,正确识别率较高,算法对其他纹理分类、目标识别也具有一定的参考价值。     

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.     

基于区域改进LBP的三维人脸识别

针对三维人脸识别中的表情问题,提出一种基于区域改进局部二值模式(LBP)的三维人脸识别算法.首先将预处理后的三维点云转化为深度图并进行归一化处理;然后根据表情对人脸的影响,利用二元掩膜提取人脸的刚性、半刚性和非刚性区域;对每个局部区域,计算其改进LBP特征,并用等价模式进行表征;最后使用稀疏表示分类器(SRC)对单个局部区域进行识别实验,并使用带权重的稀疏表示分类器(W-SRC)对刚性和半刚性区域进行决策级融合,给出最终识别结果.在FRGC v2.0人脸数据库上的实验结果表明,该方法具有较好的鲁棒性和较高的识别精度.     

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.     

基于量子粒子群的人脸特征融合识别算法

人脸识别是机器视觉、模式识别等领域的研究热点,具有重大的科学意义和广阔的应用前景.为了提高人脸识别率,提出了基于量子粒子群(QPSO)的人脸特征融合识别算法.首先,采用快速主成分分析、奇异值分解和multi-block局部二进制模式3种特征提取方法,分别提取人脸主成分特征、奇异值特征和LBP直方图统计特征;其次,利用QPSO对提取的特征进行加权处理;最后,采用支持向量机(SVM)对人脸进行识别.在Feret和AR人脸数据集上进行实验,结果表明提出的方法具有较高的识别率和鲁棒性.     

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.