基于Harris-改进LBP的特征匹配及目标定位算法

为满足机器人伺服抓取中定位精度和实时性的要求, 提出一种基于Harris及改进局部二值模式(LBP)的特征匹配和目标定位快速算法. 首先采用Harris检测算法提取图像特征点; 然后提出一种新的特征点描述子定义方法, 先利用胡矩确定特征方向, 再根据特征方向对局部图像做标准化处理, 提取标准化局部图像LBP特征作为特征点描述子; 最后通过计算两张图像中各特征点描述子间的汉明距离实现特征匹配, 再根据匹配结果估计单应性矩阵, 定位目标在场景图像中的位置. 实验结果表明, 该算法匹配速度快、 定位精度高.     

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.     

广义二维PCA和稀疏表示的红外行人目标检测

红外行人检测在夜间智能视频监控,车辆安全驾驶等领域有重要应用。为了解决红外图像特征降维后空间结构信息丢失的问题,提出一种基于广义二维主分量分析（principal component analysis,PCA）和稀疏表示的红外图像行人目标检测算法。该算法主要由2个阶段组成：第1阶段利用广义二维主分量分析方法提取图像的二维主特征分量,并由此构造行人目标的超完备特征字典;第2阶段采用滑动窗口的方法得到图像中局部子图,然后利用基追踪算法求解每个局部子图的稀疏表示系数向量,最后定义一个函数度量每个子图存在行人目标的可能性,并设置相邻标记框的最小距离得到整幅图像最终的检测结果。实验结果表明,该方法能够有效地检测红外图像中的行人目标,具有较好的检测效果。     

基于增量学习的关节式目标跟踪算法

为实现对关节式目标的稳定跟踪,提出了基于增量学习的关节式目标跟踪算法.该算法应用图割法对目标矩形窗进行前景与背景分割,得到前景图像;然后对前景图像进行快速傅里叶变换,得到傅里叶系数矩阵,进而得到振幅图像,并将振幅图像作为跟踪目标的描述;最后将多个目标描述进行奇异值分解和主元分析,实现对跟踪目标的低维子空间描述.文中在粒子滤波框架下实现了整个跟踪算法.实验结果表明,该算法具有较稳定的关节式目标跟踪效果.     

DCT和LBP特征融合的人脸识别

提出一种特征融合的人脸识别新方法.该方法将人脸图像中少量的低频离散余弦变换(DCT)系数用作人脸的频域特征;把人脸图像规则地分成多个子块,计算每个子块的局部二值图(LBP)编码直方图.这些子块的LBP直方图连接成一个空域全局直方图,作为人脸的描述向量.这个描述向量经过PCA降维后作为人脸的LBP特征.DCT特征和LBP特征分别归一化,然后进行特征融合.在ORL人脸库上的实验显示了所提方法比单独采用DCT或LBP特征的人脸识别有较好的性能改善.     

一种基于Shi-Tomasi和改进LBP的特征匹配及目标定位快速算法

针对机器人伺服抓取中对定位精度和实时性均要求较高的问题, 提出一种特征匹配及目标定位快速算法. 首先, 采用Shi-Tomasi检测算法提取特征点; 其次, 提出一种新的特征描述子定义方法： 先以特征点为中心截取子图像, 利用二维Gauss函数偏导数确定特征方向, 再根据特征方向对局部图像做旋转处理, 提取旋转后标准局部图像局部二值模式作为特征描述子, 该描述子具有良好的局部性以及平移、 旋转不变性; 最后, 通过计算特征描述子间的Hamming距离实现特征匹配, 估计单应性矩阵, 定位目标在场景中的位置和方向. 实验结果表明, 该算法匹配速度快、 定位精度高、 稳定性好, 能满足机器人伺服抓取中定位精度和实时性的要求.     

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。     

一种基于Harris-SIFT特征点检测的LBP人脸表情识别算法

针对LBP算法在提取全局特征时不具有针对性的缺点,提出一种基于Harris-SIFT特征点检测的LBP人脸表情识别算法。该算法引入Harris得到表情图像的角点,同时运用SIFT检测算法得到图像的局部最大最小值,通过Harris算法对SIFT特征点进行过滤,得到表情图像的准确感兴趣点;设计特征点最大区域选取法和特征点周围邻域选取法,将选取的区域作为LBP特征提取的输入图像;运用SVM多分类器得到每种表情的识别率。实验表明,该算法能更有效地提取表情特征,达到较好的识别效果。     

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HOG-多尺度LBP特征的人脸性别识别

针对人脸性别识别中单一特征描述子对人脸信息表达的不足,提出一种方向梯度直方图(histogram of oriented gradient,HOG)和多尺度局部二值模式(local binary patterns,LBP)多特征融合的人脸性别识别算法.首先,对输入图像进行裁剪和缩放得到多个分辨率的人脸图像,再分别提取LBP统计直方图并合成一个特征向量;然后,提取目标图像头肩模型的HOG特征得到HOG特征向量;最后,将LBP特征向量与HOG特征向量合成一个新的特征向量,应用支持向量机(support vector machine,SVM)进行训练.在自建的人脸库中采用10折交叉法测试该算法的准确性,准确率可达93.0%,结果表明该算法对人脸性别识别的准确率优于其他单一的特征提取算法.