基于LBP和OpenCV的实时人脸检测系统设计

为了在实时的视频流中快速准确地检测人脸信息,本文采用了一种基于人脸局部LBP特征的检测方法,利用Open CV视觉开发库,在Visual Studio2010环境下采用C++语言开发了一套实时人脸检测系统,利用Open CV中的两个工具opencv_traincascade和opencv_createsamples对样本数据库AR和FERET中的图像进行学习训练,通过训练后的人脸和人眼分类器face.xml和eye.xml文件对实时图像进行人脸检测。测试表明,相较于传统采用Haar特征的人脸检测系统,本文采用的LBP特征人脸检测系统,在检测速度和准确性方面效果更好,本系统也可以在移动平台上部署。     

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Gabor的伸长局部二值模式及其人脸识别应用

提出一种基于Gabor的伸长局部二值模式(elongated local binary pattern,ELBP)的人脸识别方法。该方法首先对人脸图片进行Gabor滤波,得到一组Gabor幅值图像(Gabor magnitude maps,MMPs);然后利用ELBP提取每一幅幅值图像的纹理特征,并用ELBP纹理特征的直方图特征和平均最大距离梯度幅值特征联合表示该图像纹理特征;最后,通过比较测试图片和训练集的直方图交叉距离进行识别。在YALE,YALE-B,UCD-VALID,CMU-PIE等人脸库进行测试,所提方法取得了理想的效果,证明所提方法能够有效地进行人脸识别。     

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.     

基于特征联合和支持向量机的人脸识别

在兼顾实时性的情况下,为了进一步提高人脸识别的识别率,本文提出一种基于特征联合和支持向量机的人脸识别方法。首先,提取人脸样本的梯度方向直方图特征和局部二值模式特征,并将这两种特征进行联合形成样本的联合特征。其次,使用主成分分析法对样本联合特征进行降维得到样本的低维联合特征。最后,利用训练样本的低维联合特征训练支持向量机得到一个人脸识别器,并利用该人脸识别器对测试样本进行识别。基于ORL人脸库的实验结果表明,与现有方法相比,本文方法在取得较高识别率的同时也取得了较好的实时性。     

基于自适应方向局部三值模式的人脸识别

为了解决局部三值模式特征向量维数过高和不能自适应选取阈值的问题,引入方向局部二值模式的思想,提出了一种具有自适应性的方向局部三值模式(SD-LTP)。SD-LTP通过具有降低特征向量维数的方向局部三值模式来描述图像,将图像全局灰度特征引入编码中以增强算法对全局特征的描述;引入具有自适应性的阈值增强算法的抗噪能力。在ORL和FERET标准人脸库上的实验结果表明,SD-LTP有效地降低特征维数;并显著提高了人脸的识别率。     

基于Harris-改进LBP的特征匹配及目标定位算法

为满足机器人伺服抓取中定位精度和实时性的要求, 提出一种基于Harris及改进局部二值模式(LBP)的特征匹配和目标定位快速算法. 首先采用Harris检测算法提取图像特征点; 然后提出一种新的特征点描述子定义方法, 先利用胡矩确定特征方向, 再根据特征方向对局部图像做标准化处理, 提取标准化局部图像LBP特征作为特征点描述子; 最后通过计算两张图像中各特征点描述子间的汉明距离实现特征匹配, 再根据匹配结果估计单应性矩阵, 定位目标在场景图像中的位置. 实验结果表明, 该算法匹配速度快、 定位精度高.     

年龄变化鲁棒的人脸确认算法研究

针对具有较大年龄差的人脸确认系统中的人脸老化问题,提出了一种基于等价局部Gabor二值模式特征的差空间人脸确认算法。首先提取人脸图像的多尺度、多方向的Gabor特征,并对上述特征进行等价LBP运算;其次将LBP图谱进行直方图化,并对直方图进行向量化和差空间运算;最后建立支持向量机(SVM)分类器得出分类结果进而实现身份认证。实验结果表明,本算法在FGnet人脸库上的正确认证率可达94.64%,且对光照与表情变化具有鲁棒性。     

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。     

基于改进型LBP的Floatboost人脸检测

目前已涌现出了许多人脸检测算法,而每种算法的侧重点不同,不能形成很好的综合检测能力.为了兼顾人脸检测的TP,FP和检测时间,文中提出了一种基于改进型LBP纹理特征的Floatboost算法.该算法首先提取具有一定旋转不变性的改进型LBP纹理特征.其次采用双阈值Floatboost算法来训练特征值,并生成强分类器.最后采用Adaboost级联算法来进一步减少检测时间.通过实验分析表名：该算法在保证一定TP的前提下,不仅可以减少检测的时间,还降低了FP.     

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.     

基于区域块LBP特征的人脸表情识别

人脸表情识别是模式识别与人工智能领域的研究热点之一,针对传统LBP方法的不足,提出了一种基于区域块LBP的人脸表情识别方法:先在人脸面部分割出与表情相关的眉毛、眼睛、鼻子和嘴巴等关键区域;再从这些关键表情区域提取表情特征,避免了在整个面部提取特征耗时的缺陷,同时有效地降低了特征维数;最后利用最近邻分类器给出识别结果,通过实验验证了本文算法在识别性能和时间性能上的优势.     

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。     

基于二阶灰度统计特征的SAR图像变化检测

为了探讨斑点噪声对SAR(Synthetic Aperture Radar)图像变化检测的影响,深入研究了SAR图像的二阶灰度统计特性,提出了一种基于二阶灰度统计特性的SAR图像变化检测算法,并针对斑点噪声,进行了比较变化检测实验.实验结果表明,该变化检测算法是可行、有效的,且不受斑点噪声的影响.     

基于图像处理的人脸检测研究

针对人脸识别的预处理,采用图像处理技术解决了人脸检测问题。首先建立输入图像的肤色模型,然后进行开运算处理,以消除图像噪声利于后面的眼睛定位。再对二值图像做灰度投影实现人脸粗分割,定位双眼。最后对细化分割出来的人脸区域进行标准化操作,包括灰度的均衡处理和Mallat算法二维小波分解。灰度均衡把原始图像的直方图变换为均匀分布的形式,增加像素灰度值的范围。小波分解可以压缩图像,以降低算法的复杂度。每个步骤通过处理前后人脸图像的对比彰显所做步骤的意义。人脸检测的最终结果是获得64×64大小的人脸图像。此图像包含了人脸的有效信息,在此图像的基础上才能进行后续的提取特征、设计支持向量机,进而做人脸识别。     

Gabor小波和局部二值模式结合的一种人脸识别算法

针对传统的Gabor小波存在提取特征维数高、识别时间长的缺点,对Gabor小波的使用方法进行了改进.首先利用Gabor小波的幅值直接与人脸图像作乘积得到Gabor图像,接着使用局部二值模式得到纹理图像,然后提取出纹理图像的直方图信息,并作为人脸图像的特征,最后使用支持向量机作为分类器,在未经过预处理的ORL人脸数据库中取得95.0%的识别率.平均每张人脸图像识别时间为0.14 s,表明该算法能符合实际应用的要求.     

基于人脸检测的大学课堂关注度研究

【目的】利用深度学习的人脸检测技术为课堂教学评价提供新的方案。【方法】构建适用于课堂教学的人脸检测级联卷积神经网络模型,并进行相应优化,提出了基于统计人脸检测的抬头率来量化课堂关注度的方法。【结果】通过检测和统计课堂视频中的人脸,计算出学生的抬头率,统计出学生的课堂专注度以及时间分布,帮助教师及时准确地了解课堂教学情况。【结论】通过大量的测试和优化,该系统在人脸检测中具有较好的有效性和可靠性,可以为学生提供个性化教学,同时为教师提升课堂教学质量和教学效率提供参考。     

一种改进的Adaboost算法的人脸检测分类器

针对人脸检测中单一分类器检测非常耗时,而且没有考虑到检测后提取标准人脸对后续工作(如识别)等问题,提出了运用Adaboost算法,采用正面人脸和人眼两个特征作为分类器,首先用Cascade算法筛选出输入图像中最有可能是人脸的区域,然后根据以正面人脸和人眼为特征的分类器检测人脸区域,并根据检测出来的人眼距离和角度对人脸进行精确的定位.同时针对实际的图像中人脸常常存在一定倾斜,从而影响后续的人脸的识别率这一问题,采取了根据人眼的位置对倾斜图像进行修正.实验结果表明改进的算法能够在保持一定运算速度的基础上取得准确的人脸,具有较好的实用性.     

一种改进的AdaBoost的人脸检测算法

针对AdaBoost人脸检测算法使分类器的检测时间过于冗长而阻碍实际应用的情况,文中利用肤色检测排除大部分非人脸区域后再进行检测以缩短检测时间,并且设定权值调整门限避免了AdaBoost算法中可能出现的过拟合现象,以改善检测率.仿真实验结果表明,改进后的算法缩短了47%的检测时间,提高了2.3%的检测准确率.