基于单演主方向中心对称局部二值模式的单样本人脸识别

本文针对单样本情况下传统人脸识别方法在姿态、表情和光照等变化下识别效果不佳的问题,提出一种基于单演主方向中心对称局部二值模式的单样本人脸识别模式的单样本人脸识别算法.首先用多尺度的单演滤波器提取人脸图像单演局部幅值和局部方向信息,并求取主方向,生成主方向模式图;然后用CS-LBP算子进行编码,得到特征;最后对不同单演尺度空间中的特征分块统计特征直方图并运用直方图相交进行分类识别.在AR、Extend Yale B人脸数据库的实验结果表明,该算法简单有效,对光照、表情、部分遮挡变化具有较好的鲁棒性.     

基于最近相关性分类器的单样本掌纹识别

为了解决单样本掌纹识别的困难,研究了基于最近相关性分类器(NCC)的单样本掌纹识别方法。首先对掌纹图像进行分块,划分为若干个子图像;然后运用统计特征、傅里叶变换、离散余弦变换(DCT)和Gabor变换4种方法对子图像进行特征提取,将所有子图像的特征向量组合在一起形成该图像的特征向量;最后应用NCC进行分类识别。运用PolyU掌纹图像库,对本文算法进行测试。实验结果表明:与最近邻分类器(NNC)和支持向量机(SVM)相比,在不同大小的子图像上,运用不同的特征提取算法,NCC均提高了识别率;分类时间在0.3～0.7s之间,满足实时系统的需求。     

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...     

基于局部三值微分模式的人脸识别方法

为了减轻噪声干扰,提取更为丰富的人脸鉴别特征,提出了局部三值微分模式算子。通过判断近邻像素灰度值是否在某个范围内对当前像素的局部微分模式从二值扩展到三值,然后将扩展后编码的Uniform模式的空间直方图依次相连形成人脸的特征向量,采用卡方统计算样本相似度并进行分类。在ORL、Yale和CAS-PEAL-R1人脸数据库上的实验结果表明,提出的算法的识别性能优于局部二值模式和局部微分模式。     

基于ILDP的噪声鲁棒人脸识别

针对局部方向模式(LDP)采样不充分和对噪声敏感的缺点,提出了一种改进的LDP(ILDP)人脸描述方法,利用局部井型邻域的梯度信息描述人脸特征。首先,将中心像素的井型邻域根据采样半径分成两个3×3的子邻域,每个子邻域包含按照原来相对位置排列的8个像素;然后,将两个子邻域与Kirsch模板卷积分别得到两组边缘梯度值,ILDP仅使用两组梯度值中各自最大值的方向编码成一个二位八进制数,产生ILDP码;最后,在人脸描述阶段将人脸图像进行分块并把每块转换成ILDP图,再对ILDP图进行直方图统计,将所有子块的直方图连接生成人脸特征。实验结果表明,ILDP比其它同类基于局部纹理特征的单一人脸描述器在对抗随机噪声方面更具鲁棒性。     

基于局部幅度三值模式的人脸识别

针对局部三值模式（Local Ternary Pattern,LTP）对纹理特征描述不足的问题,提出一种基于局部幅度三值模式（Local Magnitude Ternary Pattern,LMTP）的人脸识别算法。首先将人脸图像进行分块处理。然后用LTP算子提取直方图以描述局部纹理的结构和LMTP算子提取直方图以描述局部纹理中像素值间的偏离幅度。最后将不同的直方图串联成LTP/LMTP直方图,将其作为人脸特征用于人脸匹配。实验分析表明,算法对纹理有更好的描述能力和在人脸识别中有更高的识别率,并对噪声有较好的鲁棒性。     

基于局部相位量化与仿生模式的伪装人脸识别算法

伪装条件下的鲁棒人脸识别,目前在人脸识别领域被日益重视,并认为是难点问题之一. 本文采用非伪装建模方法,提出了一种基于局部相位量化特征提取与仿生模式识别理论的伪装人脸识别算法. 该算法采用了局部相位量化方法进行对伪装模式下具有较好鲁棒性的相位统计特征提取,进而采用仿生神经元构建高维几何覆盖形体,有效利用了不同类别人脸特征的连续性,从而避免了伪装模式的干扰. 在AR数据库及采用警用面部复合软件设计建立的伪装数据库上的仿真实验均表明,与现有主流算法相比较而言,本文所提识别算法在伪装条件下取得了较高的识别性能.      

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Gabor和核监督局部保持投影的单样本人脸识别算法

针对目前主流人脸识别算法,在单样本条件下,当性能严重下降根本无法工作时,提出了一种结合Gabor和核监督局部保持投影的单样本人脸识别算法.选取数据库中中性表情的近正面人脸图像作为训练样本,通过几何变换产生15幅虚拟样本,对每幅样本图像提取Gabor特征,采用核监督局部保持投影方法进行特征提取,欧氏距离最近邻分类器进行分类.根据ORL数据库、Yale数据库和FERET数据库上的实验结果表明,核监督局部保持投影(GKSLPP)算法具有较好的识别效果.     

基于吸引模式的局部二阶梯度轮廓人脸识别算法

针对现有LDP类算法在特征提取有效性和特征编码稳定性之间难以平衡的问题,提出一种吸引局部二阶梯度轮廓（ALSGC）模式,以提升人脸识别性能。首先,利用Kirsch算子计算人脸的邻域边缘响应图;其次,引入吸引描述子,参考边缘响应图的局部、全局平均灰度值和邻域中心灰度值完成局部吸引模式编码;再次,遍历整幅图像,得到人脸ALSGC特征图并对ALSGC特征图分块分别计算,得到各个分块中不同模式的统计直方图;最后,级联所有分块的统计直方图后生成对应的特征向量,以支持向量机完成分类识别。所提算法克服了LBP、LDP、LDN等算法提取一阶特征有效性的不足,以及DLDP、CSLDP、GCSLDP等算法提取的二阶特征对表情、姿态、饰物遮挡、光照、随机噪声等变化敏感的缺点,较好地实现了特征提取有效性与特征编码稳定性的平衡,兼顾了识别率和稳健性。     

基于显著性局部定向模式和深度学习的鲁棒人脸识别

针对传统人脸识别算法特征提取不充分和对噪声敏 感的问题,提出了一种基于显著性局部定向模式(SLDP)和深 度学习(DL)的人脸识别算法。首先基于信息的显著性提出一种改进的SLDP人脸描述方法,在 利用局部井型 领域梯度信息的基础上,使用两组梯度值中各自最大值和次大值的方向编码成二位八进制数 ,从而形成改进的 SLDP编码,通过统计选出最具有显著性的SLDP编码作为特征向量;然后将改进的SLDP编码作 为深度神经网 络(DBN)的输入,通过逐层贪婪训练网络,获得良好的网络参数,并用训练好的网络对测试 样本进行预测。仿真实验表明, 本文所提出的人脸识别算法相对于传统识别算法识别率高,并且在对抗噪声方面比其它算法 更具有鲁棒性。     

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.     

基于显著性差值局部定向模式和深度卷积网络的鲁棒人脸识别

针对传统人脸识别算法特征提取不充分和对噪声敏感的缺点,提出了一种基于显著性差值局 部定向模式(SDLDP) 和深度卷积网络(DCNN)的人脸识别算法。基于信息的显著性,提出一种改进的SDLDP人脸描 述方法,首先计算8个相邻边缘响应值的强度差,前k个最突出的 强度差对应的方向编码为1,其他方向编码为0;然后在利用局部井型领域梯度信息的基础上 ,使用两组梯度值中各自最大值和次大值的方向编码成一个二位八进制数,从而形成改进 的SDLDP编码,进而通过统计选出最具有显著性的SDLDP编码作为特征向量;最后将改进的SD LDP编码作为DCNN的输入,通过逐层贪婪训练网络,获得良好的网络参数,并用训练好的网 络对测试样本进行预测。仿真实验表明,相对于传统的人脸识别算法,本文算法的识别率高 ,并且在对抗噪声方面更具有鲁棒性。     

融合CDI和LBP的人脸特征提取与识别算法

针对光照、姿态和表情对人脸识别率造成严重影响的问题,提出了结合笛卡儿微分不变量(CDI,cartesian differential invariant)和LBP(local binary patterns)的人脸特征抽取与识别算法。首先,利用高斯微分算子抽取人脸图像的微分结构,组合这些微分结构得到一个不可约简的笛卡儿CDI集。其次,对CDI集中每个分量分别计算其LBP特征,并将所有分量的LBP特征连接起来以得到人脸图像的特征。最后,运用所抽取出的人脸局部描述特征和支持向量机(SVM)分类器完成人脸图像分类与识别。试验分析表明,基于CDI的LBP特征对人脸位置、姿态、光照和表情的变化具有较高的不变性。该算法在ORL和Yale人脸库中分别取得了98.5%和98.89%的识别率。