采用局部二值模式与深度信念网络的人脸识别

针对人脸维度过高和人脸局部特征提取易忽略的问题,提出了一种将多尺度局部二值模式( LBP)算法与深度信念网络( DBN)算法相结合的人脸识别方法。首先采用多尺度LBP算法提取人脸纹理特征,进而将LBP提取的纹理特征作为深度信念网络的输入,最后通过逐层网络训练,得到网络的最优参数,并在ORL人脸库中进行测试,识别率可达95.2%,比使用Gabor小波和主成分分析(PCA)算法的人脸识别高2.6%,说明该算法具有很好的人脸识别能力。     

一种基于肤色与改进的LBP的人脸检测方法

提出了一种基于肤色信息与改进的局部二值模式(LBP)算法的人脸检测方法。首先,用一种新颖的光照补偿方法对彩色图片进行光照补偿并分割肤色像素;其次,用正面人脸滤波窗口提取可能的人脸区域并用改进的LBP算子得到其纹理特征;最后,通过马氏距离比较可能人脸区域的LBP直方图与人脸/非人脸样本的LBP直方图的相似度,进行人脸的确认与定位。通过对caltechface database数据库、Labeled Facesinthe Wildatabase数据库、生活、网络和影视照片的实验验证,提出的方法是健壮与有效的。     

基于LBP特征和贝叶斯模型的单样本人脸识别

针对单样本人脸识别这一人脸识别中的难点问题,提出了一种基于局部二元模式(LBP)直方图特征和贝叶斯(Bayes)模型的人脸识别方法.首先在独立的训练集上学习同类样本和异类样本的LBP直方图特征的相似度先验信息,估计同类和异类的类条件概率密度函数,在识别过程中利用一对图像的LBP直方图相似度计算该对图像属于同一类的后验概...     

基于多尺度局部二元模式共生直方图的红外人脸识别

不同尺度的局部二元模式(LBP)提取了红外人脸图中不同的微结构局部特征。为了挖掘不同尺度中局部特征的相关性,提出了一种基于多尺度LBP 共生直方图的红外人脸识别方法。传统的多尺度LBP 特征提取方法,丢失了对多尺度特征间相关性信息的提取。为了充分考虑微结构间的相关统计信息,提出了多尺度LBP 共生直方图表示方法,以提取包含在红外人脸图像中的有用鉴别特征。多尺度LBP 共生直方图特征表示方法不仅可以消除环境温度对红外人脸图像特征提取的影响,而且还可以增强对局部特征表示的鉴别性。实验结果表明:多尺度局部二元模式共生矩阵可以增强对红外人脸鉴别特征提取的有效性,提出的红外人脸方法的性能优于基于传统多尺度LBP 和单尺度LBP方法,在相同环境情况下和在环境温度变化情况下可以达到99.2%和91.2%的识别率。     

基于局部边缘二值模式的图像检索

在定义局部边缘的基础上提出了局部边缘二值模式(LEBP),并结合Gabor滤波器将其扩展到多分辨率LEBP(MLEBP)。对传统的中心对称局部二值模式(CS-LBP)和方向局部二值模式(D-LBP)进行了改进,新描述符在不增加计算复杂度和提高特征维数的基础上,进一步融入了局部边缘信息。为验证新描述符的性能,采用3个通用的纹理图像库进行图像检索实验。结果表明,结合本文方法,明显提高了传统描述符的分辨能力。     

基于局部四值模式的人脸识别

局部二值模式(LBP)作为经典的纹理特征描述方法广泛应用于纹理分类和人脸识别等领域。然而现有相关算法仅利用周围一个圆形邻域的信息,没有充分利用周围邻域的信息。为此,提出一种利用不同圆形邻域之间的微分结构信息进行联合描述的特征描述子,从而能够更加充分地利用邻域信息。由于所提方法在圆形邻域上每个坐标处有4种不同可能的取值情况,因此将这种模型称为局部四值模式(LQP)。在通用的人脸识别数据库FERET上的大量实验证明了所提算法的有效性。     

基于深度学习与特征融合的人脸识别算法

卷积神经网络在人脸识别研究上有较好的效果,但是其提取的人脸特征忽略了人脸的局部结构特征。针对此问题,文中提出一种基于深度学习与特征融合的人脸识别方法。该算法将局部二值模式信息与原图信息相结合作为SDFVGG网络的输入,使得提取的人脸特征更加丰富且更具表征能力。其中,SDFVGG网络是将VGG网络进行深浅特征相融合后的网络。在CAS-PEAL-R1人脸数据库上的实验表明,将网络深浅特征相融合与在卷积神经网络中加入LBP图像信息与原图信息相融合的特征信息对于提高人脸识别准确率非常有效,可得到优于传统算法和一般卷积神经网络的最高98.58%人脸识别率。     

基于分块LBP和鲁棒核编码的人脸识别

针对人脸识别中的遮挡和姿态偏转等问题,提出了一种基于分块LBP和鲁棒核编码(Robust Kernel Coding,RKC)的人脸识别算法,简称LBP-RKC算法.该算法首先对人脸图像进行多级分块的LBP特征提取,得到图像的每一块统计直方图特征.然后,将特征投影到核空间中,在核空间中建立一个鲁棒的回归模型来处理图像中的异常值,并利用迭代重加权算法求解该模型.最后,计算测试样本的每一块核表示重构残差并进行分类识别.实验表明,提出的LBP-RKC算法在处理遮挡、姿态偏转等人脸问题时能取得很好的识别效果,同时算法效率较高.     

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。     

基于关键点LBP特征提取的面部AU组合识别

提出以面部关键点为中心选取子区域,对各个子区域提取（Local binary pattern,LBP）特征,用最近邻分类器进行面部运动单元（Action unit,AU）组合识别。AU的运动与面部特定肌肉的变化有关,基于关键点特征的提取方法可最大限度提取有用的信息,减少冗余信息,与提取整幅面部表情图像的LBP特征方法相比较,其识别结果有明显的优势。     

一种结合分离滤波器与局部二进模式的快速人眼定位方法

为了解决低质量人脸图像中的快速人眼定位问题,提出一种结合分离滤波器与局部二进模式(LBP)的快速人眼定位算法,该方法快速有效地计算多尺度局部二进模式(LBPs)值,并且利用串级的思想,结合分离滤波器与LBP,进行快速精确的人眼定位.仿真实验表明,与一般的LBP方法相比,该方法在保证人眼定位精度的同时,具有更快的计算速度,在BiolD人脸库中,在两个尺度上计算,平均每幅人脸图像的计算时间下降近40%.     

一种基于纹理和颜色的粒子滤波目标跟踪方法

针对基于颜色的粒子滤波跟踪方法在复杂背景下会导致跟踪失败的问题,提出了一种基于局部二值模式纹理和颜色特征的粒子滤波目标跟踪方法。颜色直方图是对目标在彩色图像中的全局描述,而局部二值模式纹理包含了灰度图像中局部邻近区域的纹理信息,两者可以互为补充。因此同时用颜色直方图和局部二值模式纹理直方图描述目标,在粒子滤波框架下将目标颜色和局部二值模式纹理有机结合起来。实验结果表明,该算法不仅提高了跟踪精度,而且具有较强的稳健性。     

基于凹凸局部二值模式的纹理图像分类

针对传统局部二值模式(LBP)及其扩展方法往往会将具有不同视觉特征的局部邻域赋予相同二值模式值的问题,提出了一种新的凹-凸LBP划分方法。首先通过选择最优参数将具有相同二值模式值的邻域划分为凹凸两类,然后分别统计每类特征并组合在一起进行纹理分类。为验证新方法的性能,实验采用3个在纹理分析领域广泛应用的图像库进行分类实验,结果表明,本文方法明显提高了传统LBP方法的分辨能力。     

分块CS-LBP和加权PCA的低分辨率人脸识别

针对局部二值模式(LBP)特征在低分辨率的人脸图 像上识别率较低的问题,提出了一种基于分块中心对称局部二值模式(CS-LBP,center symmetric local binary pattern)和加权主成分分析(PCA)算法的低分辨率人脸识别算法。 首先利用分块CS-LBP算子提取低分辨率人脸图像的特征;然后利用加权PCA算子对特 征进行降维, 从而得到更强的分类特征;最后利用最近邻分类器选出人脸最优分类类别并计算识别率。在 ORL人脸库上的实验表明,在人脸图像分辨率下降到(12×10)时,本 文算法的识别率仍能达 到85.00%,基本满足了实际运用中对识别率的要求,并且降低了运算 时间。     

Face recognition system based on CNN and LBP features for classifier optimization and fusion

Face recognition has been a hot-topic in the field of pattern recognition where feature extraction and classification play an important role. However, convolutional neural network (CNN) and local binary pattern (LBP) can only extract single features of facial images, and fail to select the optimal classifier. To deal with the problem of classifier parameter optimization, two structures based on the support vector machine (SVM) optimized by artificial bee colony (ABC) algorithm are proposed to classify CNN and LBP features separately. In order to solve the single feature problem, a fusion system based on CNN and LBP features is proposed. The facial features can be better represented by extracting and fusing the global and local information of face images. We achieve the goal by fusing the outputs of feature classifiers. Explicit experimental results on Olivetti Research Laboratory (ORL) and face recognition technology (FERET) databases show the superiority of proposed approaches.     

基于特征融合的粒子滤波目标跟踪新方法

针对传统粒子滤波(PF)算法采用单一颜色特征建模 跟踪目标性能差的缺陷,提出一种颜色特征与纹理特 征相融合的PF目标跟踪新算法。首先,采用一种具有抗噪声和保护纹理边缘的全局中值二值 模式 (GMBP)纹理算子,对模板图像进行局部差绝对值处理,得到幅 值序列模板,将幅值序列模板内的中值作为模板的阈值,与模板邻域比较获得新的纹理图像 ;然后,与 具有光照不变特性的局部二值模式(LBP)纹理算子结合,形成一种(GMLBP)新的纹理描述算子 。最后,分别计算GMLBP纹理特征粒子权值和HSV颜色特征粒子权 值,并依据权值大小确定融合系数,对纹理特征粒子权值和颜色特征粒子权值进行线 性融合,再对融合后粒子权值进行归一化处理,从而得到目标位置状态的最终估计值。对比 实验结果表明, 相对于单一颜色特征的目标跟踪算法,所提算法捕捉目标位置准确且具有更低的平均跟踪误 差,其平均误差降低了近2倍。