局部二进制模式方法综述

目的 局部二进制模式(LBP)是一种理论简单、计算高效的非参数局部纹理特征描述子。由于其具有较高的特征鉴别力和较低的计算复杂度,因此近期获得了越来越多的关注,在图像分析、计算机视觉和模式识别领域得到了广泛的应用,尤其是在纹理分类和人脸识别两个经典的模式识别问题中,LBP方法得到充分的研究和发展。鉴于LBP的理论意义和实用价值,为了使国内外同行对LBP方法有一个较为全面的了解,对其进行系统总结。方法 在广泛文献调研的基础上,主要以纹理分类和人脸识别为应用背景,系统综述了LBP及现有各种LBP各种改进方法,从每种方法的研究动机、解决思路和方法特点及性能等方面进行总结。结果 首先,回顾了LBP方法的发展历程,综述了LBP及其众多改进方法的基本原理,系统梳理和评述了各种LBP方法的优势与不足,并在统一框架下对各种LBP方法进行分类总结;然后,综述了LBP及其各种改进方法在纹理分类和人脸识别中的应用研究,并总结了一些方法在基准数据库上达到的最高分类正确率;最后,凝练出LBP方法进一步的发展方向。结论 LBP方法的研究仍然是计算机视觉和模式识别领域倍受青睐的热点研究领域,仍然有更多低存储、快速的二值特征描述子被提出,LBP方法的应用领域仍在继续拓展。     

基于多频域LBP-TOP的人脸表情识别

针对人脸表情时空域特征信息的有效提取问题,提出一种多频域LBP-TOP与最大间隔球形支持向量机相结合的人脸表情识别算法。采用小波分解增强序列各帧的图像信息,对同频率的子图像序列提取分块改进的LBP-TOP特征,采用最大间隔球形支持向量机进行样本的训练及识别。实验结果证明,该方法能有效提取运动的表情特征,识别率高,同时符合实时性要求。     

基于局部差分模式的不变性纹理分类

提出了局部差分变换和局部差分模式。局部差分变换具有灰度线性不变性,可消除光照变化对纹理分析的影响。基于局部差分变换的局部差分模式具有光照、旋转不变性和良好的多尺度分析能力。局部差分模式直方图可作为光照、平移、旋转不变性特征用于不变性纹理分类。实验表明,该方法的不变性纹理分类效果优于目前国际公认的基于LBP的方法。     

基于多特征组合的图像纹理分类

在对纹理图像进行特征提取的算法中,高斯马尔可夫随机场(GMRF)、局部二值模式(LBP)和灰度共生矩阵(GLCM)这三种算法应用的较为广泛.常见的图像纹理分类做法是取某一种特征提取算法得到各种纹理的特征空间,进而配合分类算法进行分类.然而,这种做法的不足之处在于未能充分利用各种特征之间的关联,且选取某一种特征提取算法建...     

基于纹理与灰度协同进化的图像分割算法

为了获得更好的分割效果,成功地将局部二值模式(LBP)纹理模型和灰度特征纳入到合作型协同进化算法(Co-CEA)框架中,并实现了图像分割。 该方法首先分别对LBP纹理模型和灰度特征进行编码,然后运用Co-CEA进行进化操作,最后通过本文提出的联合适应度函数确定分割区域。实验结果表明该方法在分割质量上效果明显,并有效地降低了时间复杂度。     

Multi-resolution approach to human activity recognition in video sequence based on combination of complex wavelet transform,Local Binary Pattern and Zernike moment

Human activity recognition is a challenging problem of computer vision and it has different emerging applications. The task of recognizing human activities from video sequence exhibits more challenges because of its highly variable nature and requirement of real time processing of data. This paper proposes a combination of features in a multiresolution framework for human activity recognition. We exploit multiresolution analysis through Daubechies complex wavelet transform (DCxWT). We combine Local binary pattern (LBP) with Zernike moment (ZM) at multiple resolutions of Daubechies complex wavelet decomposition. First, LBP coefficients of DCxWT coefficients of image frames are computed to extract texture features of image, then ZM of these LBP coefficients are computed to extract the shape feature from texture feature for construction of final feature vector. The Multi-class support vector machine classifier is used for classifying the recognized human activities. The proposed method has been tested on various standard publicly available datasets. The experimental results demonstrate that the proposed method works well for multiview human activities as well as performs better than some of the other state-of-the-art methods in terms of different quantitative performance measures.

     

基于纹理的运动目标检测

提出一种基于纹理的背景建模方法,进行视频序列中运动目标的检测。其纹理的表征采用局部二元图（Local Binary Patterns,LBP）统一模式直方图,由于LBP纹理基本不受阴影的影响,使得灰度图像中阴影区域和背景相应位置的纹理表征具有一定的相似性,因此背景建模和相应的运动物体检测受运动阴影影响很小,能够在阴影条件下较精准地检测出运动物体。实验结果证明了该结论。     

用于DR图像缺陷检测的改进的LBP算法

针对传统LBP（Local Binary Pattern）算法在DR图像缺陷检测中对噪声异常敏感而导致的缺陷识别率低的问题,在已有的韦伯LBP算法（Weber Local Binary Pattern,WLBP）的基础上,提出改进的WALBP（Weber Adapted Local Binary Patterns）算法。WALBP算法保留了WLBP算法最后生成二维直方图的特点,对其所用的LBP算子和LoG（Laplacian of Gaussian）方法进行了改进。WALBP算法更加有效地描述了DR图像的纹理特征,同时有效解决了WLBP算子在进行缺陷检测时直方图维数较多及分类能力不强的问题。通过对多幅铸件DR图像进行实验分析,结果表明,相对于已有的WLBP算法和传统的LBP算法,WALBP算法在缺陷检测上具有更高的识别率,在缺陷识别技术中具有很高的应用价值。     

一种基于MEM-LBP的动作特征提取及识别方法*

针对动作识别中如何有效地利用人体运动的三维信息的问题,提出一种新的基于深度视频序列的特征提取和识别方法。该方法首先运用运动能量模型（MEM）来表征人体动态特征,即先将整个深度视频序列投影到三个正交的笛卡儿平面上,再把每个投影面的视频系列划分为能量均等的子时间序列,分别计算子序列的深度运动图能量从而得到运动能量模型（MEM）。然后利用局部二值模式（LBP）描述符对运动能量模型编码,进一步提取人体运动的有效信息。最后用 范数协同表示分类器进行动作分类识别。在MSRAction3D、MSRGesture3D数据库上测试所提方法,实验结果表明该方法有较高的识别效果。     

基于局部时空特征的人体行为软分类识别

针对全局运动特征难以准确提取的问题,本文采用局部时空特征对人体行为进行表征。针对传统词袋中硬分类的方法量化误差大的不足,本文借鉴模糊聚类的思想,提出软分类的方法。根据兴趣点检测算法从视频中提取出视觉词汇,用K means算法对其进行聚类,建立码本。在计算分类特征时,首先计算待分类视觉词汇到码本中各个码字的距离,根据距离计算这个视觉词汇隶属于各个码字的概率,最后统计得到每个视频中各码字出现的频率。在Weizmann和KTH数据库对本文提出的人体行为识别算法进行验证,Weizmann库的识别率比传统的词袋算法提高8%,KTH库的识别率比传统的词袋算法提高9%,因此本文提出的算法能更有效地对人体行为进行识别。     

基于改进的LBP的低分辨率车牌汉字识别

低分辩率的车牌汉字识别是字符识别中的一个难题。随着智能交通和模式识别技术的发展,传统的基于二值图的识别方法已不能满足实际要求。该文采用基于灰度图的汉字识别方法,避免了在传统二值化过程中不必要的结构信息丢失。该文将局域二值模式(Local Binary Patterns,LBP)算子运用于字符识别,使得车牌汉字的识别率由过去的74.25%提高到98.80%;并在已有的局域二值模式算子的基础上提出了一种改进的局部二值模式(Advanced Local Binary Pattern, ALBP)算法,使得汉字的识别时间大幅度缩短。实验结果表明,该文提出的方法对于低质量的车牌灰度汉字具有较强的鲁棒性,与传统识别方法相比,识别准确率和识别速度都有了较大的改进。     

基于多分辨率的厄米高斯矩的LBP纹理分类

针对LBP（局部二值模式)纹理描述子局限于在单一分辨率下捕获纹理图像的纹理信息的问题,提出一种基于多分辨率的厄米高斯矩的LBP纹理分类方法。首先结合图像纹理的多分辨率特性,采用厄米高斯矩对图像进行多分辨率重构,然后利用LBP纹理描述子对重构图像进行特征提取,最后采用K近邻特征空间距离的分类方法进行纹理分类。选取KTH-TIPS纹理数据库的纹理图像进行测试实验,实验结果表明,与传统LBP纹理分类方法相比,使用多分辨率的厄米高斯矩的LBP纹理分类方法进行纹理分类,可以更加全面地描述图像的纹理信息,使纹理分类准确率更高。