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。     

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.     

分块PCA在脸像识别中的应用

鉴于整幅人脸图像主成分提取（PCA）特征脸算法的高计算复杂度,本文提出了基于分块PCA的脸像识别算法,先对每幅脸像等分成相同的块,再对各子块图像预处理,采用像素均值法的降采样和能量归一化处理以降低维数和消除光照的影响,再合并成一个向量,将预处理得到的向量进行PCA降维,最后采用k-近邻分类器进行分类识别。在Yale人脸库中实验结果表明该方法的有效性。     

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Gabor特征和局部二值模式融合的纹理图像识别

传统的Gabor滤波方法和局部二值模式(Local Binary Pattern,LBP)算法提取的纹理特征鉴别能力不足,导致纹理识别精度不够理想.为了解决上述问题,提出一种将全局Gabor特征和局部LBP特征进行融合的纹理图像识别方法.该方法利用Gabor滤波方法提取纹理图像的全局特征,利用LBP算法提取纹理图像的局部特征,然后在最近子空间分类器的框架下实现全局和局部特征的融合以及纹理图像识别.在CURe T和KTH-TIPS基准纹理库上的实验结果表明,笔者提出的方法显著超越了传统Gabor滤波方法和LBP算法的纹理识别精度.     

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.     

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。     

典型相关分析融合LBP和HOG特征的人脸年龄估计

通过人脸分析方法估计人类年龄的困难在于人脸外观的变化原因除了年龄变化,还受生活方式及环境等影响。人脸图像在采集时的复杂性造成的光照不均,人脸姿势等,也增加年龄估计难度。目前大多数年龄估计的方法都是预先对人脸图像进行灰度均衡和人脸矫正等预处理,采用外形或纹理信息作为特性的估计方法。提出一种多特征融合的人脸年龄估计方法,采用有较好的光照及旋转不变性的局部二进制模式(LBP)和梯度直方图(HOG)作为人脸年龄变化的特征描述子,用典型相关分析法(CCA)在特征层将LBP和HOG融合成更具年龄变化鉴别力的特征。然后通过学习得到一个多线性回归函数揭示融合后的特征和年龄之间的关系。实验结果表明该方法在没有人脸矫正等预处理的情况能取得较好效果。     

基于曲线波和独立成分分析的人脸识别

针对曲线特征更能反映人脸图像的主要特征和独立成分分析能够提取高阶信息的优势,提出了一种基于曲波变换与独立成分分析的人脸识别方法.首先将人脸图像进行曲波变换,选择粗尺度层系数作为曲波特征,然后对曲波特征下采样后进行独立成分分析,提取部分独立成分构成特征空间,最后根据最近邻分类器分类.在0RL和Yale人脸库上的相关实验表明:该方法在识别性能方面优于对比方法.     

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.     

一种基于LNMF像素模式纹理特征的表情识别

采用一种基于像素模式纹理特征(PPBTF)的人脸特征表示方法对人脸图像进行了特征提取.首先,将原始的灰度图像转化成能够表征纹理信息的模式图,并且通过在特征窗内统计每一模式的像素个数得到其中心像素的特征矢量,然后将由局部非负矩阵分解(LNMF)得到的基本方程作为模板进行模式匹配.同时,将Adaboost和SVM结合起来,用做表情识别的分类器.最后,通过基于Cohn-Kanade数据库的实验证明了以LNMF基函数作为模板的PPBTF对表情识别具有较高的判别能力,并由基于PIE图像库等其他图像库的实验进一步验证了PPBTF对光照不敏感的特性,充分说明所提出的人脸表征方法的有效性和鲁棒性.     

一种改进的基于Gabor小波的人脸识别方法

针对人脸识别中传统的Gabor小波方法存在特征维数高、识别时间长、存储开销大的缺点,提出了一种结合奇异值分解和Gabor小波的改进方法.首先通过Gabor小波变换对人脸图像滤波得到特征图像,然后对训练集的特征图像进行奇异值分解获取基空间,将人脸图像投影到统一的基空间提取奇异值特征,再选择一定数量的奇异值构成人脸鉴别矢量,最后采用最近邻分类器进行识别.在ORL人脸库上的实验结果表明,该方法在识别性能上优于单一的Gabor小波方法.     

改进随机子空间与决策树相结合的不平衡数据分类方法

提出一种改进随机子空间与C4.5决策树算法相结合的分类算法.以C4.5算法构建决策树作为集成学习的基分类器,每次迭代初始,将SMOTE采样技术与随机子空间方法相结合,生成在特征空间和数据分布上差异明显的合成样例,为基分类器提供多样化的平衡训练数据集,采用绝大多数投票方法进行最终决策的融合输出.实验结果表明,该方法对少数类和多数类均具有较高的识别率.     

基于多方向滤波的人脸年龄图像合成方法

为补偿人脸识别中的年龄变化,结合人脸形状与纹理信息,提出了一种新的人脸年龄图像合成方法来模拟年龄变化.首先将人群划分成8个年龄段,选取不同年龄段人脸的多个特征点,依据径向基函数变形技术,得到脸形变形函数,对人脸进行形状变形;接着对目标图像进行多方向滤波,提取原始纹理信息,然后根据使用神经网络模拟得到的年龄因子,选择相应的模板纹理信息,在原始纹理信息基础上进行置换和融合,得到新的纹理信息特征,并将得到的纹理特征叠加在已经变形的人脸图像上,合成年龄模拟图像.另外为进行更细微的纹理控制,使用高斯滤波器调节滤波程度.试验结果表明该方法简单易行,而且可以生成更接近目标年龄的人脸图像.     

基于多纹理CS-LBP特征的多视角人脸检测算法

提出一种多纹理中心对称局部二值模式（CS LBP)特征, 实现复杂环境下的多视角人脸检测. 该特征保留Haar特征的序数关系, 借鉴局部二值模式（LBP）的组合方式, 从水平、 垂直、 +45°和-45°这4个纹理方向进行特征提取, 以保证人脸检测在方向、 光照、 旋转等方面的鲁棒性. 算法采用级联架构, 首先针对人脸图像中的不同视角进行分区, 分别进行多纹理特征的提取, 然后设计独立的分类器, 逐级剔除非人脸窗口, 最后采用多层感知器(MLP)综合各视角的检测效果, 输出检测结果. 在数据集FDDB和CMU PIE上进行验证性实验的结果表明, 该方法对复杂环境下的多视角人脸检测有效, 与传统的卷积神经网络人脸检测方法相比, 该方法具有更高的精度.     

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K-L变换的人脸自动识别方法

研究了利用计算机实现的人脸自动识别方法。在传统的“特征脸”方法基础上，提出了一种改进的人脸自动识别方法。该方法对于经过预处理的标准人脸图像，以类间散布矩阵为产生矩阵，通过Ｋ－Ｌ变换降维并提取人脸图像的代数特征。同时，利用遗传算法进行特征选择，以构成有利于分类的自适应子空间。在此子空间内，将图像进行正交分解，然后分别对各类训练样本进行二次Ｋ－Ｌ变换，进一步构成其旋转子空间，从而最终实现了一个分层次的最小距离分类器。实验表明，本方法识别率较高，且对于人脸的姿态、表情及光照条件均具有一定的不敏感性。     

基于Bagging的LDA集成算法及其在人脸识别中的应用

针对线性判别分析(linear discriminant analysis,LDA)在处理人脸图像时对局部变化识别不稳定性的问题,提出一种基于Bagging的LDA人脸识别方法 Bagging LDA.首先将人脸图像集划分成若干子图像集,然后将Bagging应用于每个子图像集并融合初始图像集构建多个LDA分类器,选择其中一个分类性能最好的分类器作为集成基分类器,最后使用权重投票的方法将各个基分类器的分类结果进行组合.仿真结果表明,Bagging LDA算法识别性能好,精度较高,在图像遮挡、表情变化等条件下仍具有较强的稳定性.     

基于主元分析的人脸识别方法研究

研究了利用主元分析进行人脸识别的方法。将人脸图像训练集进行主元分析,对得到的变换矩阵应用奇异值分解提取特征子空间,把训练图像和测试图像投影到子空间上,选择分类器进行人脸识别。实验表明,主元分析能很好地在子空间下提取出人脸图像的特征信息,从而实现人脸识别。