An Improved Real-Time Face Recognition System at Low Resolution Based on Local Binary Pattern Histogram Algorithm and CLAHE

This research presents an improved real-time face recognition system at a low resolution of 15 pixels with pose and emotion and resolution variations. We have designed our datasets named LRD200 and LRD100, which have been used for training and classification. The face detection part uses the Viola-Jones algorithm, and the face recognition part receives the face image from the face detection part to process it using the Local Binary Pattern Histogram (LBPH) algorithm with preprocessing using contrast limited adaptive histogram equalization (CLAHE) and face alignment. The face database in this system can be updated via our custom-built standalone android app and automatic restarting of the training and recognition process with an updated database. Using our proposed algorithm, a real-time face recognition accuracy of 78.40% at 15 px and 98.05% at 45 px have been achieved using the LRD200 database containing 200 images per person. With 100 images per person in the database (LRD100) the achieved accuracies are 60.60% at 15 px and 95% at 45 px respectively. A facial deflection of about 30° on either side from the front face showed an average face recognition precision of 72.25%-81.85%. This face recognition system can be employed for law enforcement purposes, where the surveillance camera captures a low-resolution image because of the distance of a person from the camera. It can also be used as a surveillance system in airports, bus stations, etc., to reduce the risk of possible criminal threats.

基于多频特征和纹理增强的轻量化图像超分辨率重建

现有基于卷积神经网络主要关注图像重构的精度,忽略了过度参数化、特征提取不充分以及计算资源浪费等问题。针对上述问题,提出了一种轻量级多频率特征提取网络(MFEN),设计了轻量化晶格信息交互结构,利用通道分割和多模式卷积组合减少参数量;通过分离图像的低频、中频以及高频率信息后进行特征异构提取,提高网络的表达能力和特征区分性,使其更注重纹理细节特征的复原,并合理分配计算资源。此外,在网络内部融合局部二值模式(LBP)算法用于增强网络对纹理感知的敏感度,旨在进一步提高网络对细节的提取能力。经验证,该方法在复杂度和性能之间取得了良好的权衡,即实现轻量有效提取图像特征的同时重建出高分辨率图像。在Set5数据集上的2倍放大实验结果最终表明,相比较于基于卷积神经网络的图像超分辨率经典算法(SRCNN)和较新算法(MADNet),所提方法的峰值信噪比(PSNR)分别提升了1.31 dB和0.12 dB,参数量相比MADNet减少了55%。

中国象棋自动打谱方法研究

针对现存象棋打谱方式繁琐、成本较高的问题,提出了一种基于机器视觉的象棋自动打谱方法。对图像进行预处理后,首先结合二值化与连通区域搜索进行人手遮挡检测,随后采用Hough圆检测、字符矩阵等方法对棋子进行定位,接着将棋子分为红黑两方,并利用局部二进制模式直方图(local binary pattern histogram,LBPH)算法实现棋种识别,最后通过动态识别棋子移动路径,根据行棋规则生成着法。选取50局象棋比赛录像进行测试,结果表明,该方法在识别准确率达到99%的前提下,1 s内可对5帧图像进行处理与识别,且对50个视频识别得到的棋谱正确率均为100%,可以完全满足各类型对局的打谱需求。

基于多颜色分量CLBP提取的浮选泡沫状态识别

针对不同状态的浮选泡沫图像之间纹理结构相似、颜色差异不明显的问题,提出一种基于色调、饱和度和亮度(HSV)颜色空间的完全局部二进制模式(CLBP)纹理提取的浮选泡沫状态识别方法。首先使用双域去噪在保留纹理细节的同时滤除图像噪声;然后转换为HSV图像,在H、S和V颜色分量上分别提取三个尺度的CLBP纹理特征,将提取的纹理特征归一化后线性排列,建立高维度的纹理分类模型;最后通过一对一模式的支持向量机分类器对四类泡沫状态的样本集进行纹理提取后的分类训练与测试。结果表明,该方法对不同浮选泡沫状态的分类正确率较高,优于其他纹理描述方法,适用于浮选泡沫状态的识别。

Coal rock image recognition method based on improved CLBP and receptive field theory

Rapid coal-rock identification is one of the key technologies for intelligent and unmanned coal mining.Currently,the existing image recognition algorithms cannot satisfy practical needs in terms of recognition speed and accuracy.In view of the evident differences between coal and rock in visual attributes such as color,gloss and texture,the complete local binary pattern(CLBP)image feature descriptor is introduced for coal and rock image recognition.Given that the original algorithm oversimplifies local texture features by ignoring imaging information from higher-order pixels and the concave and convex areas between adjacent sampling points,this paper proposes a higher-order differential median CLBP image feature descriptor to replace the original CLBP center pixel gray with a local gray median,and replace the binary differential with a second-order differential.Meanwhile,for the high dimensionality of CLBP descriptor histogram and feature redundancy,deep learning perceptual field theory is introduced to realize data nonlinear dimensionality reduction and deep feature extraction.With relevant experiments conducted,the following conclusion can be drawn:(1)Compared with that of the original CLBP,the recognition accuracy of the improved CLBP algorithm is greatly improved and finally stabilized above 94.3%under strong noise interference;(2)Compared with that of the original CLBP model,the single image recognition time of the coal rock image recognition model fusing the improved CLBP and the receptive field theory is 0.0035 s,a reduction of 71.0%;compared with the improved CLBP model(without the fusion of receptive field theory),it can shorten the recognition time by 97.0%,but the accuracy rate still maintains more than 98.5%.The method offers a valuable technical reference for the fields of mineral development and deep mining.

基于CLBP、改进KPCA和RF的牛肉大理石纹评级

为进一步提高牛肉大理石纹评级的正确率,提出了基于完整局部二值模式(Completed Local Binary Pattern,CLBP)、改进核主成分分析(Kernel Principal Component Analysis,KPCA)和随机森林(Random Forests,RF)的牛肉大理石纹评级方法。首先,利用CLBP提取牛肉大理石纹图像的纹理特征;其次,采用混沌蜂群算法对KPCA的核参数进行优化,使KPCA的降维效果和特征提取达到最优,获得表征牛肉大理石纹样本图像的特征向量;最后,使用随机森林完成牛肉大理石纹样本的分级识别,获得最终评级结果。大量实验结果表明,与基于分形维和图像特征的方法、基于灰度共生矩阵和BP(Back Propagation)神经网络法相比,本文方法所得识别率最高。

采用精确抠图的单幅自然图像背景虚化合成方法

针对小光圈镜头下的单幅自然图像背景虚化问题,提出一种基于精确抠图的单幅自然图像背景虚化合成方法.首先,利用GrabCut算法对单幅自然图像的前景对象进行初始抠图;其次,采用基于局部二值模式算子的颜色恒常性算法提取图像纹理,并对初始抠图实现精确割图;然后,通过双边滤波虚化背景部分;最后,将精确分割后的前景部分与虚化后的背景部分合成.仿真结果表明:文中算法可以获得高质量的分割和视觉自然的背景虚化效果.

基于四叉树的ORB-LBP改进算法

针对ORB算法存在图像分布不均匀、匹配程度不高、匹配精度差的问题,通过划分网格计算图像灰度值的方法计算角点提取阈值。通过在金字塔层上构建四叉树的方法,在不同金字塔层分别构建不同深度的四叉树以提高计算效率,最后融合BRIEF-LBP特征描述子以提升ORB算法匹配精度。实验结果表明:对比传统ORB算法在速度上降低了5%,但均匀度提升了66左右,召回率也提升了10%;对比其他改进算法,速度提升了2%和5%,特征点分布均匀度提升了48和49,召回率也提升了36.63%和4.925%,实现了在少量增加计算量的同时,特征点均匀度和匹配精度效果有较大提升。

基于机器视觉的钢丝绳表面缺陷检测

针对钢丝绳表面缺陷检测困难、精度低、表面特征利用不充分、识别分类器缺乏优化的问题,提出一种基于图像特征融合和改进鲸鱼算法(IWOA)优化支持向量机(SVM)的钢丝绳表面缺陷检测方法。该方法包括特征提取和缺陷类型识别两个部分。特征提取阶段,使用中心对称局部二值模式(CS-LBP)和梯度方向直方图(HOG)提取不同缺陷的钢丝绳表面纹理和梯度特征,并将两特征串联融合,实现特征互补。缺陷识别阶段,首先通过改进WOA控制因子和引入惯性权值提高WOA的提的搜索能力、避免陷入局部最优,利用改进WOA对SVM参数优化,提高SVM的泛化能力并对不同缺陷钢丝绳识别分类。实验表明,该方法能有效识别出不同缺陷的钢丝绳,且稳定性较高。

基于LBP的同图复制粘贴篡改图像的检验研究

铺天盖地的篡改图像已成为当今社会安全隐患之一。同图复制粘贴篡改是当前篡改图像中较为频繁使用的篡改手法,本文尝试基于LBP算法对同图复制粘贴篡改图像进行鉴别。先将图像转为灰度图再使用低通滤波操作将会降低检验效果的因素减少,再运用Harris算法提取特征点,LBP算法提取特征向量,并将特征值匹配,最后用RANSAC算法来消除误匹配点。结果显示,本文算法可有效检测出经过后处理操作过的同图复制粘贴篡改图像,该方法检验同图复制粘贴篡改图像效果良好。

用于纹理特征提取的改进的LBP算法

针对现有的纹理特征提取方法计算复杂度高的问题,利用局部二值模式(LBP)算法思想简单、计算复杂度小的优势,在已有的完整LBP(CLBP)算法基础上,提出了一种改进的CLBP算法(ICLBP)。ICLBP算法保留了CLBP算法中CLBP_S,而对CLBP_M算子、CLBP_C算子进行了改进,提出一个新的纹理描述算子ICLBP_T。ICLBP算法更全面地描述了局部窗口的纹理特征,同时有效解决了CLBP算法中CLBP_M算子对灰度分布不均敏感的问题。通过对Outex、CURet数据库的数据分类实验,结果表明,相比于已有的LBP算法,ICLBP算法的分类精度有了明显的改进,同时ICLBP算法中ICLBP_SCT特征具有较低的特征维数,具有较好的实用价值。

基于完整LBP特征的人脸识别

提出一种基于完整局部二值模式(CLBP)进行人脸识别的方法,CLBP算子包括三个部分:中心像素的LBP(CLBP_C)、符号部分的LBP(CLBP_S)、数值部分的LBP(CLBP_M)。该方法首先采用CLBP算子提取人脸灰度图像的直方图;然后融合成CLBP直方图,进行直方图相似性比较;最后根据最近邻原则进行识别。在ORL和YALE标准人脸数据库上的实验表明,该方法得到的结果比LBP效果更好,鲁棒性更高。

基于改进的LBP人脸识别算法

针对基本LBP算子提取的特征不够完整,不能全面地表达出人脸局部特征的问题,提出了基于分块的完备局部二值模式(CLBP)人脸识别算法。首先对原始人脸图像进行分块处理,对每一分块的图像进行局部差异值和中心像素灰度值分析,用Su2CLBP(8,2)、Mu2CLBP(8,2)和CCLBP(8,2)算子分别提取每一分块的直方图统计特征。然后将所有分块的CLBP直方图序列连接起来,得到人脸图像的CLBP特征,将其作为人脸的鉴别特征用于分类识别。最后利用Chi平方统计法计算直方图的不相似度,用最近邻准则进行分类。所提出的算法分别在ORL、FERET、YALE数据库中进行实验,分别取得了高达99.5%、92%、98.67%的识别率,与分块LBP算法相比识别率分别有2.5%、8%、2.67%的提高。实验结果表明,完备LBP提取的特征比较全面且具有较强的鉴别能力,在ORL、FERET、YALE人脸库中均能获得较好的识别率。

语谱图改进完全局部二值模式的语音情感识别

提出一种改进完全局部二值模式和幂指数加权融合方法的语音情感识别方法。首先,将原始语音样本转化为语谱图,再使用5尺度、8方向的Log-Gabor滤波器对语谱图做处理,放大语谱图的细节信息;然后提取语谱图均匀完全局部二值模式符号特征和改进完全局部二值模式幅值特征的分块直方图特征,之后串联两种特征作为新的融合特征改进完全局部二值模式符号幅值特征。最后,基于支持向量机对3种特征进行决策级幂指数加权融合完成语音情感识别。实验表明,改进完全局部二值模式幅值特征和融合特征可以在降低直方图特征维度的同时提高系统的识别性能;幂指数加权融合方法,扩大分类器间的差距,并使分类性能较好的分类器获得较大的权重,最终有效的提升了语音情感识别系统的性能。与其他算法相对比,验证了算法的有效性。

LBP和Tamura纹理特征方法融合的织物疵点分类算法

为了找出织物在生产过程中易产生疵点的类型,并反馈到生产工序中以提高织物质量,提出一种基于局部二进制模式与Tamura纹理特征方法相结合的织物疵点分类算法。该算法主要完成的任务是对织物特征向量的提取,局部二进制模式从局部或像素邻域描述纹理的特征,Tamura纹理特征方法从全局描述疵点纹理特征,两者结合能更好地描述疵点纹理特征。完成特征向量提取后,选用共轭梯度BP算法来处理特征向量。共轭梯度BP算法收敛性较好,提高了训练速度和训练精度。实验结果表明,提出的算法对疵点分类具有较高的分类准确率。

基于纹理提取和SVM技术的自动木材缺陷识别

支持向量机(SVM)是一种新的模式识别方法,有较好的泛化能力和推广能力。研究了基于纹理提取和支持向量机的自动木材表面缺陷的识别问题,借助LBP纹理特征提取技术实现对木材图像数据降维处理,并研究了木材表面不同类型缺陷的分布规律。利用支持向量机分类算法对木材表面有无缺陷进行了快速准确的自动识别,实现了木材表面缺陷的自动定位。多次交叉实验表明,SVM分类算法对木材表面缺陷具有较好的识别能力,识别率可达96%以上。

一种基于纹理和颜色的目标跟踪方法

研究视频物体识别系统,传统连续自适应均值偏移(Camshift)跟踪方法根据H分量建立被跟踪目标的颜色模型,而H分量易受亮度(V分量)的影响,造成不能准确跟踪运动目标。为解决上述问题,引入运动目标的纹理特征,先提取HSV颜色空间的H分量,把它转化为局部二元纹理(LBP)图,计算目标的LBP纹理直方图并把反向投影到LBP纹理图上,得到LBP纹理概率图,然后采用Camshift算法确定当前图像中目标的尺寸和中心位置。对手势和人脸跟踪进行仿真计算,实验结果表明,在跟踪过程中可以对目标进行稳定的实时跟踪,通过计算,也改善了传统方法,使识别人脸不受光照的影响,验证了改进方法的有效性。

基于AdaBoost局部二值模式特征的色织物纹理分类

针对织物纹理在人工视觉分类中存在的分类准确率不高,效率低的问题,给出一种基于AdaBoost算法的色织物纹理图像分类方法.该方法首先对采集的织物图像进行人工标记;然后,提取所有图像的局部二值模式(local binary pattern,LBP)特征建立训练集;最后,基于AdaBoost算法对提取的色织物特征学习分类模型实现纹理图像的分类.实验结果表明,选择LBP28算子和弱分类器的个数为30时,基于AdaBoost分类算法对复杂色织物的纹理分类具有较高的识别率,其中对于梭织类和斜纹类织物分类准确率可达到100%,证实此方法的有效性.

基于深度学习模型的自发学习表情识别方法研究

课堂教学环境中,面部表情自动识别是获取学习者情绪状态的重要方式。针对传统方法提取特征不全面、融合特征维度较高等问题,提出一种融合局部与全局特征的学习表情自动识别方法。该方法提取并融合表情图像的局部几何特征、KPCA降维的CLBP全局浅层纹理特征和CNN全局深度网络特征。此外,还构建一个全新的自发学习表情数据库,将课堂学习中的情绪分为困惑、快乐、疲倦、惊讶和中性等5种类型,用于CNN模型的训练。对比实验表明,该方法的识别正确率在CK+库、中国情绪图片系统和自发学习表情数据库中分别达到96.3%、86.7%和95.6%,高于传统的面部表情识别方法。该方法能够有效获取课堂中学生情绪变化,帮助教师准确全面地掌握班级学生的整体情况,促进课堂教学质量的提高。

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。