一种基于LTP自适应阈值的人脸识别方法

局部三值模式(LTP)采用自定义阈值编码对局部二值模式(LBP)进行扩展,然而其阈值通常通过先验知识获取,因此,LTP阈值存在优化问题及普适性问题.针对这一问题提出一种基于LTP自适应阈值的人脸识别方法:首先在提取图像特征时计算各邻域内像素间对比值的离散度,通过该离散度定义自适应于各局部区域的LTP阈值;然后将提取到的特征分层进行编码,并引入一种信息熵权重的方法来融合各层的特征信息,最后使用卡方距离对样本的直方图进行匹配.在Extended Yale B和CMU PIE标准人脸库上实验,结果表明此方法对光照变化和噪声更加鲁棒,有效地提高了人脸识别的精度.

不可控光照下的LNMCP人脸识别方法

局部二值模式(LBP)在人脸识别领域取得了显著成效,但由于没有考虑像素之间的对比度,导致部分重要纹理特征被丢弃。采用粗粒度分区算法求取各人脸分块对比度值域区间的动态阈值点,并借鉴LMCP算法思想利用上述阈值点分别对各人脸分块编码,得到结合光照变化信息的局部非线性多层对比度特征LNMCP作为人脸特征。实验结果表明,该方法识别率高,特别是在户外人脸库上提高了2.91%,方法在不可控光照变化环境下具有极强的自适应性。

一种自适应的EDTLBP人脸识别方法

局部二值模式(local binary pattern,LBP)算子只采用0阈值编码,忽略像素对比度信息,造成了特征提取单一﹑抗干扰能力差的缺点。主要从两方面对以上问题加以改善:为获取光照变化环境下最具有鉴别能力的多元特征空间,采用交叉验证算子筛选出两组最优动态阈值,分别进行LBP编码;为有效融合提取的多尺度特征,引入信息熵估算各阈值编码后的LBP特征权重,作为不同阈值特征融合时的贡献率。所提方法 EDTLBP(entropy dynamic threshold local binary pattern)在各组对比实验中均取得了最优结果,其中,在不可控光照环境下的户外人脸库上更取得了100%的理想识别率。实验结果表明,EDTLBP方法在光照变化环境下具有极强的自适应性。