融合统一模式的LBP和GLCM特征的图像检索算法

文章提出一种融合统一模式的LBP特征和GLCM特征的图像检索算法。首先,对图像做统一模式的LBP变换处理提取图像直方图特征。计算图像GLCM在0°、45°、90°、135°四个方向下的对比度、相关性、能量、同质系数的均值和标准差。然后,融合LBP直方图特征与GLCM纹理统计特征作为图像的检索特征,选用Canberra距离进行相似度度量,完成图像检索。实验结果表明,本算法在两个图像库上均具有较高的平均查准率,分别达到了82.91%和79.48%。     

复杂光照条件下的多姿状鲁棒性人脸识别方法

为改善复杂光照条件下的多姿状鲁棒性人脸识别的效果,提出了小波变换与LBP的多姿状鲁棒性人脸识别方法。通过二维离散小波变换对人脸图像进行二级小波分解提取到低频特征信息分量,并以重构初始图像的方式实现降噪滤波处理,滤除低频光照分量后完成复杂光照补偿;继续分解复杂光照补偿后的图像,采用LBP算子对子图像的鲁棒性部分纹理特征进行描述后,提取出人脸图像各子图像的直方图特征并连接,得到人脸LBP纹理特征,通过统计法运算该特征距离,并通过K近邻分类器实现人脸特征分类识别。以Yale-B与AR人脸库为测试对象,结果表明,所研究方法对复杂光照鲁棒性较强,识别人脸的准确率与效率较高,整体识别效果较好。     

基于局部二元模式算子的红外弱小目标检测

文中针对在传统红外弱小目标检测中,需要进行背景抑制滤波所带来的图像性质改变和检测速度不理想的问题,提出了一种基于局部二元模式(local binary pattern,LBP)算子的红外弱小目标检测方法.该方法对传统LBP算子进行了改进,使其提取的LBP编码值可以有效地描述红外弱小目标的灰度分布特性,达到了在不进行背景抑制滤波的条件下有效检测弱小目标的目的.结合改进的LBP算子和红外弱小目标灰度的"尖峰"特征,建立了灰度自适应快速扫描机制,有效提高了检测速度,降低了重复告警的出现概率.通过实录红外图像序列检测实验,证明本文方法在检测性能和检测速度方面的有效性和优越性.     

基于最优Gabor滤波与局部二值模式的物体表面缺陷检测

通过对物体表面缺陷的研究,提出一种新的缺陷检测方法。该方法首先利用Gabor滤波器组得到多尺度多方向的滤波图像,通过代价函数选取缺陷与非缺陷局部反差最大的图像通道作为最优滤波通道,在最优通道上用LBP算子进一步提取局部特征,最后用支持向量机对其进行分类检测。该方法应用于织布瑕疵和钕磁铁表面缺陷检测,与传统的Gabor滤波器等表面缺陷检测方法相比,具有更高的检测率。     

基于Gabor滤波器和局部纹理特征提取的SAR目标识别算法

该文提出了一种基于Gabor滤波器和Three-Patch Local Binary Patterns(TPLBP)局部纹理特征提取的合成孔径雷达(Synthetic Aperture Rader, SAR)图像目标识别算法。首先, 利用Gabor滤波器对SAR图像在不同方向上进行滤波, 增强SAR图像中目标及其阴影的关键特征;然后, 利用TPLBP算法对Gabor滤波之后的图像进行局部纹理特征提取, 该算法克服了Local Binary Patterns(LBP)算法无法描述大范围领域纹理特征的缺陷, 并且保持了LBP旋转不变的特性, 减少了SAR图像目标方位变化对识别效果的影响;最后利用极限学习机(Extreme Learning Machine, ELM)分类器实现目标识别。该文通过MSTAR数据库中的3类SAR目标识别实验验证了该算法的有效性。      

基于LBP的多光谱图像纹理特征提取方法

多光谱图像特征提取的好坏直接关系着目标识别算法的复杂程度,也影响着最终目标识别的性能。研究了经典的局部二元模式(local binary pattern,LBP)特征提取方法,并引入了几种新的LBP特征,包括:方向LBP特征描述子、自适应LBP特征描述子和方向自适应特征描述子,应用于多光谱图像纹理特征提取。实验结果表明,LBP特征描述子及其改进方法都非常适合于多光谱图像的纹理特征提取。     

一种具有噪声鲁棒性的人脸表情识别算法研究

为降低噪声对人脸表情识别的影响,首先提出具有人眼视觉特性的各向异性扩散滤波方法,对图像进行滤波预处理;同时采用改进HOG算子提取人脸表情特征。实验结果表明,改进的各向异性扩散滤波算法在滤除噪声的同时能更好地保留表情图像的弱小细节信息,改进HOG算子相比传统特征提取算子可以更准确地描述人脸表情特征。因此,该算法是一种有效的、具有一定噪声鲁棒性的人脸表情识别算法。     

基于2-DGabor滤波器的光学定穴体表特征提取方法

取穴准确性是决定针灸效果的最基本要求,这就需要对取穴体表特征进行精确地定位。文中提出一种新的人体体表特征定位的光学方法,在光学检测平台上通过相机采集不同方向的图像,选取合适的Gabor 滤波器参数,得到图像的强度响应并提取局部极大值,从而获得定穴体表轮廓特征。为验证该方法的有效性和精度,采用Sobel 算子、Canny 算子、LoG 算子以及Gabor 滤波器分别对灰度图像和二值图像进行特征提取。通过对比和分析,发现经过Gabor 函数滤波后得到的图像轮廓是连续且最清晰的;Gabor 函数对二值图像的滤波效果优于对灰度图像。实验结果表明,所提出的方法能精确快速地定位体表轮廓特征,为进一步利用轮廓特征提取定穴体表特征点以及研究穴位光学定位方法奠定基础。     

融合局部纹理和形状特征的人脸表情识别

针对局部二值模式(LBP)、中心对称局部二值模式(CS-LBP)和梯度方向直方图(HOG)的不足进行改进,该文提出中心对称局部平滑二值模式(CS-LSBP)和绝对梯度方向直方图(HOAG),并提出一种融合局部纹理特征和局部形状特征的人脸表情识别方法。该方法首先采用CS-LSBP算子和HOAG算子分别提取人脸表情图像的局部纹理特征和局部形状特征,然后使用典型线性分析法(CCA)进行特征融合,最后利用支持向量机(SVM)进行表情分类。在JAFFE人脸表情库和Cohn-Kanade(CK)人脸表情库上的实验结果表明,改进的特征提取方法能更加完整、精确地提取图像的细节信息,基于CCA的特征融合方法能充分发挥特征的表征能力,该文所提人脸表情识别方法取得了较好的分类识别效果。     

一种基于改进LBP特征的人脸识别

传统的LBP算子只利用了局部的信息,而忽略了全局信息。MB_LBP算子虽然充分考虑了全局信息,但对局部信息的表示不足。在此提出一种改进后的LBP特征的人脸识别方法,改进后的LBP算子不仅能够利用局部特征,同时也兼顾了全局信息。该方法首先将人脸图像分块,对于每个分块,计算LBP特征,对于得到的LBP特征,根据其中心像素和分块灰度均值关系重新进行计算得到改进后的LBP特征,最后采用最近邻分类器进行识别。在ORL和YALE标准人脸数据库上的实验表明,改进后的识别效果优于使用传统LBP算子和MB_LBP算子。采用改进后的LBP算子,能够明显提高识别率,在ORL和YALE的实验显示能提高3%~8%左右的识别率。     

医院监控场景下的人群密度估计方法

人群密度估计是智能化人群监控中的重要内容,在公共安防、管理控制和商业决策等方面起着重要作用。文中针对医院应用场景,采用一种基于分块的方法,对每一个子图像分别利用基于像素特征与最小二乘直线拟合方法进行人数定量分析和基于灰度共生矩阵与支持向量机的方法进行密度定性分析,得到整幅图像中不同子图及整幅图像的人数和密度分布图。实验表明,该方法能有效的提高人群密度估计的准确率,且还能对局部的密度异常精准定位。     

基于LBP-GLCM纹理特征提取的服装图像检索

提出了一种针对服装图像检索的LBP-GLCM纹理特征提取方法,首先利用Uniform-旋转不变局部二值模式算法处理服装图像,得到不会因为旋转而改变的编码图像,然后获取此图像的灰度共生矩阵,采用能量、对比度、相关性和均匀性描述图像的纹理特征.实验数据表明,LBP-GLCM纹理特征提取方法具有良好的抗旋转性,且在采用欧氏距离作为相似性度量时,LBP-GLCM相较于GLCM纹理特征提取方法可以获得更高的检索效率和准确率.     

一种基于二维局部二值模式的纹理图像分类方法

局部二值模式（Local Binary Pattern,LBP）在纹理分类中受到越来越多的关注,传统的基于局部二值模式的图像识别方法在LBP直方图统计时仅仅考虑到LBP模式值本身的数量统计,却忽略了模式值之间的相关性.针对这一问题,本文提出一种二维局部二值模式（Two Dimensional Local Binary Pattern,2DLBP）方法,并用于纹理图像识别.首先以旋转不变均匀LBP特征图为基础,引入滑动窗口和LBP模式对的概念,统计LBP模式图的上下文信息,构造出2DLBP特征;然后改变LBP中的半径参数,构造图像的多分辨率2DLBP特征,并利用支持向量机（SVM）的分类方法进行纹理分类;最后选取Brodatz、CUReT、UIUC、FMD四个公开纹理库分别进行纹理分类测试.理论验证表明该方法具有良好的通用性,可以与LBP的其他变型结合成为新的图像特征构造方法.同时,实验结果表明,本文提出方法具有较好的纹理图像分类能力.     

Automatic recognition of woven fabrics based on texture and using SVM

This paper proposes the recognition and classification of three dominant patterns of woven fabrics such as twill, satin and plain. The proposed classifier is based on the texture analysis of woven fabric images for the recognition. In the pattern recognition phase, three methods are tested and compared: Gabor wavelet, local binary pattern operators and gray-level co-occurrence matrices (GLCM). Taking advantage of the differences between the woven fabric textures, we adopt a technique which is based on the texture of the images in the pattern recognition phase. For the classification phase we used a support vector machine, which we have proven is a suitable classifier for this type of problem. The experimental results show that some of the studied methods are more compatible with this classification problem than others. Although it is the oldest method, GLCM always remains accurate (97.2%). The fusion of the Gabor wavelet and GLCM gives the best result (98%), but GLCM have the better running time.     

Dense crowd counting from still images with convolutional neural networks

For reasons of public security, modeling large crowd distributions for counting or density estimation has attracted significant research interests in recent years. Existing crowd counting algorithms rely on predefined features and regression to estimate the crowd size. However, most of them are constrained by such limitations: (1) they can handle crowds with a few tens individuals, but for crowds of hundreds or thousands, they can only be used to estimate the crowd density rather than the crowd count; (2) they usually rely on temporal sequence in crowd videos which is not applicable to still images. Addressing these problems, in this paper, we investigate the use of a deep-learning approach to estimate the number of individuals presented in a mid-level or high-level crowd visible in a single image. Firstly, a ConvNet structure is used to extract crowd features. Then two supervisory signals, i.e., crowd count and crowd density, are employed to learn crowd features and estimate the specific counting. We test our approach on a dataset containing 107 crowd images with 45,000 annotated humans inside, and each with head counts ranging from 58 to 2201. The efficacy of the proposed approach is demonstrated in extensive experiments by quantifying the counting performance through multiple evaluation criteria.     

图像纹理的灰度共生矩阵计算问题的分析

图像的灰度共生矩阵(GLCM)已知被理论证明并且实验显示它在纹理分析中是一个很好的方法,广泛用于将灰度值转化为纹理信息.然而,由于GLCM是像素距离和角度的矩阵函数,因此完整的GLCM的计算,其参数的选取范围很广,这样GLCM的计算量很大,通常是不能这样用的.为了解决这个问题,本文应用马尔可夫链的性质,从理论上证明了GLCM的计算结果,当像素距离足够大的时候趋于一致性.这样只需较少的参数值就可以完整的描述图像的纹理特征.最后,通过对Brodatz纹理库中自然纹理图像和几幅SAR图像进行仿真,仿真结果验证了上述结论.     

Entropy with Local Binary Patterns for Efficient Iris Liveness Detection

Iris anti-spoofing is one of the most important topics, in which the development is increasing rapidly. This paper introduces an efficient system for detecting iris attacks. The system avoids the segmentation and the normalization stages employed traditionally in fake detection systems. Wavelet packets (WPs) are used to decompose the original image into wavelet approximation and detail channels. Entropy values are extracted from the wavelet channels, and also from the local binary pattern (LBP) images of the channels. These features are used for discriminating between real and fake iris images. Support vector machines are used for the classification purpose. The aim is to contribute for improved classification accuracy with less computational complexity and reduced processing time. Entropy of the WP channels gives 99.9237% classification accuracy, and the entropy of the LBP images yields 99.781%, using ATVS-FIr-DB. Fusion of these features yields 100% classification accuracy. Entropy of the wavelet channels is sufficient to obtain 100% accuracy using CASIA-Iris-Syn database, without fusion. All images in both databases are used, without the need to discard images with unsuccessful segmentation. Segmented images from both databases are used for comparison. Results show that more discriminative features can be obtained using the proposed algorithm. System complexity and processing time are reduced noticeably, and the system is robust to different types of fakes.