Face recognition by decision fusion of two-dimensional linear discriminant analysis and local binary pattern

To investigate the robustness of face recognition algorithms under the complicated variations of illumination, facial expression and posture, the advantages and disadvantages of seven typical algorithms on extracting global and local features are studied through the experiments respectively on the Olivetti Research Laboratory database and the other three databases （the three subsets of illumination, expression and posture that are constructed by selecting images from several existing face databases）. By taking the above experimental results into consideration, two schemes of face recognition which are based on the decision fusion of the twodimensional linear discriminant analysis （2DLDA） and local binary pattern （LBP） are proposed in this paper to heighten the recognition rates. In addition, partitioning a face nonuniformly for its LBP histograms is conducted to improve the performance. Our experimental results have shown the complementarities of the two kinds of features, the 2DLDA and LBP, and have verified the effectiveness of the proposed fusion algorithms.

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。

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。

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。

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。

基于局部二值模式和辨识共同向量的步态识别

最近,利用步态对个人身份进行识别受到越来越多生物识别技术研究者的重视。步态能量图(GEI-Gait Energy Image)是一种有效的步态表征方法,局部二值模式(LBP-Local Binary Pattern)能很好地提取局部信息,所以利用局部二值模式(LBP)来提取步态能量图(GEI)的局部特征并用于识别。首先,为了更好地提取局部信息,把步态能量图(GEI)分块,提取各个子块上的LBP特征,然后把各子块在特征层进行融合,得到整个步态能量图(GEI)的特征表达;同时为了更好地挖掘步态能量图(GEI)的信息,对LBP模式进行了扩展。由于得到的LBP特征维数较高,利用具有降维和良好识别能力的辨识共同向量(DCV-Discriminant Common Vector)对步态能量图的LBP特征进行维数约减并增加类间距离。最后,只需利用简单的最近邻分类器就能取得较好的识别效果。将该算法在CASIA数据库上进行了试验,并取得了较高的正确识别率。

多特征融合的在线更新目标跟踪算法

为了适应跟踪过程中目标光照条件的变化,并对目标特征进行在线更新,提出一种将局部二元模式(LBP)特征与图像灰度信息相融合,同时结合增量线性判别分析对目标进行跟踪的算法.跟踪开始前,为了获得比较准确的目标描述,使用混合高斯模型和期望最大化算法对目标进行分割;跟踪过程中,通过蒙特卡罗方法对目标区域和背景区域进行采样,并更新特征空间参数,得到目标和背景的最优分类面;最后使用粒子滤波器结合最优分类面对目标状态进行预测.通过光照变化的仿真视频和自然场景视频的跟踪实验,验证了文中算法的有效性.

加权自适应CS-LBP与局部判别映射相结合的掌纹识别方法

提取掌纹的最佳低维分类特征一直是掌纹识别研究领域的一个重要方向。针对掌纹图像具有丰富的纹理特征特点,提出一种基于加权自适应中心对称局部二值模式(WACS-LBP)与局部判别映射(LDP)相结合的掌纹识别方法。首先将掌纹感兴趣(ROI)图像分成大小均匀的小区域,利用自适应中心对称局部二值模式(ACS-LBP)算法获取不同区域的纹理特征直方图和权值,经过加权连接得到ROI的加权纹理特征直方图向量;再利用LDP算法对得到的特征向量进行维数约简;最后利用K最近邻分类器进行掌纹识别。在掌纹公开数据库上进行实验,正确识别率高达97%以上。实验结果表明,该方法不仅是有效、可行的,而且研究思路比较明确。

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Gabor小波和局部二值模式的步态识别

利用步态对个人身份进行识别已经受到越来越多生物识别技术研究者的重视。步态能量图(GEI-Gait Energy Image)是一种有效的步态表征方法,Gabor小波能提取不同方向、不同尺度空间频率特征,因此,首先利用Gabor小波提取步态能量图不同方向、不同尺度的信息,得到其幅值谱图,再利用LBP来提取Gabor幅值谱图的局部信息,相对于LBP直接作用于步态能量图,能提取步态能量图更多方向、更多尺度的局部特征。最后,利用具有良好降维和辨识能力的辨识共同向量(DCV-Discriminant Common Vector)对提取的LBP特征进行维数约减和特征选择,只需利用简单的最近邻分类器就能取得较好的识别效果。该算法在中科院自动化所的CASIA数据库上面进行试验取得了较高的正确识别率。还针对步态识别中的小样本问题提出了一种样本扩充方法,解决了步态识别中的小样本问题,并提高了算法的识别率。

基于特征融合与局部判别映射的苹果叶部病害识别方法

针对利用植物病害叶片图像特征识别病害类别的复杂性,提出一种基于特征融合与局部判别映射的植物叶部病害识别方法。首先,在中心对称局部二值模式(CS-LBP)的基础上,设计了一种自适应中心对称局部二值模式(ACS-LBP),由此分割病害叶片的病斑图像;然后提取并融合病斑图像的纹理、形状和颜色特征;再利用局部判别映射算法对融合特征进行维数约简;最后利用支持向量机进行病害类别分类。在3种常见苹果病害叶片图像数据库上进行病害识别验证试验,结果表明,该方法能够有效识别苹果叶部病害,平均识别率高达96%以上。

基于局部二值模式和级联AdaBoost的多模态人脸识别

提出了一种基于局部二值模式(LBP)和级联AdaBoost的多模态人脸识别方法。采用级联AdaBoost算法分别从人脸深度图像和灰度图像的大量区域LBP直方图(RLBPH)中选出最有利于分类的少量特征,并连接成一个直方图向量,再分别用线性判别分析构建相应的线性子空间,用余弦相似度作为投影向量的相似度量,用求和规则进行信息融合。在FRGC数据库上的实验结果表明,提出的方法采用少量的特征取得了很好的识别效果,等错误率仅为1.40%。

基于局部二元模式的面部表情识别研究

提出了一种基于局部二元模式(Local Binary Pattern,LBP)与支持向量机(SVM)相结合的面部表情识别方法。使用LBP算子对图像进行处理,对图像的模式进行统计形成面部表情特征;使用线性判别分析对表情特征进行降维处理;采用支持向量机对面部表情进行分类。用Matlab实现了上述方法,并在日本女性人脸表情(JAFFE)数据库上测试,取得了70.95%的识别率。

甲状腺结节超声图像多特征融合及识别

为更加精确地判别甲状腺结节的良恶性,提出基于改进的CLBP(Completed Local Binary Pattern)模型和GLCM(Gray Level Co-occurrence Matrix)模型相结合的纹理特征提取算法。首先在传统的CLBP模型中引入局部方差信息,使CLBP算子对局部纹理特征的描述更加精细;然后与GLCM模型描述的全局纹理特征相融合;最后结合纵横比、圆形度、紧致度等形状特征并将其输入SVM(Support Vector Machine)分类器。为进一步提高识别率,同时给出基于粒子群算法与网格搜索算法相结合的SVM参数优化算法,以提高识别率。对比实验结果表明,该算法提取的特征用于分类识别时具有更高的识别率,且提出的参数寻优算法相对于传统寻优算法效率更高。

加权的多尺度多分辨率人脸描述与识别方法

为克服人脸表情、光照变化等对图像中人脸识别结果的影响,文中提出一种加权的多尺度多分辨率人脸描述与识别方法.首先使用多分辨率分析分解图像为子带图像,并选择3个不同尺度的低频子带图像构建多尺度和多分辨率图像序列.然后针对图像序列的每幅图像编码人脸局部区域的中心像素与其邻域像素的灰度差的符号分量,体现人脸局部结构的重要性.再利用人脸局部区域中心像素与邻域像素的灰度差的幅值分量作为像素局部二值模式的权重.最后利用块Fisher线性判别降低特征描述符的维数,同时增强判别能力.在ORL和FERET人脸库上的实验表明该方法可获得明显的性能提升.

基于光照预处理与特征提取的纺织品瑕疵检测方法

针对光照对纺织品图像特征提取的影响以及传统完整局部二值模式(complete local binary pattern)算法的局限性,本文提出了一种基于局部对比度增强(local contrast enhancement)算法的改进CLBP特征提取方法并将其应用到纺织品瑕疵检测中。该方法采用局部对比度增强算法对受光照影响的纺织品图像进行预处理,使用改进CLBP算法对分块后(格分割)图像进行特征提取,计算每一格子特征值与标准特征值的KLD散度并与训练得到的阈值进行比较,大于阈值格子标记为瑕疵。使用本文方法在标准星形(star)数据库与箱形(box)数据库中实验结果表明,该方法与其他预处理方法相比有更加出色的处理效果,大部分检测结果的查全率均可达到0.99左右。

基于完整局部二值和阈值优化的火焰边缘检测

针对火焰图像的边缘提取问题,论文提出了基于完整局部二值和阈值调节的边缘检测方法,该方法具有稳定,简约的优点。首先通过完整局部二值技术对火焰图像的主要边缘特征进行提取,然后利用二次阈值优化使提取的边缘更清晰化。实验结果表明在图像被噪声污染情况下,该方法仍然有效,经合成图像和现场拍摄图像分析验证,证明该方法比当前主流图像边缘提取方法具有更好的效果,为火焰图像后续分析奠定了基础。

基于完全局部二值模式的多光谱法识别损伤苹果

目的建立一种基于完全局部二值模式的多光谱法识别损伤苹果。方法搭建苹果的多光谱数据采集平台,采集了558组苹果多光谱数据。使用完全局部二值模式算法提取苹果的特征向量,再将特征向量送入支持向量机中,以比较分类结果。结果通过准确率、特异度和召回率3个平均指标,在完全局部二值模式结合支持向量机分类模型下,苹果多光谱图像的25个波段对表皮有损苹果和表皮无损苹果有很好的识别效果,并在第20波段的识别准确率达到最高为99.63%。结论本方法可以实现有损苹果和无损苹果的高效识别,对苹果的储运和分选都有一定的意义。

基于局部Fisher判别法的电镜下致密沉积物自动识别（英文）

本文提出一种在电子显微镜图像中有效检测致密沉积物的方法。致密沉积物在电子显微镜图像中较难分辨,使用传统的SIFT,ORB或者SURF特征检测及描述算法往往难以达到理想的效果。运用传统计算机视觉处理流程,如,SIFT特征提取器以及描述器来进行特征提取,再建立bag-of-words全局特征向量,最后使用支持向量机来进行分类,在进行致密沉积物的分类操作中难度比较大。本文选择了实用LBP特征提取器来提取高反差度的纹理特征,使用梯度直方图特征提取器来提取轮廓特征,同时使用Schimid滤波器组和Gabor滤波器组来提取图像中的常规纹理特征,形成超高维度的特征向量使其包含显微镜图像中的全面特征。由于电子显微镜图像不具备色彩信息,纹理信息变得最为重要,又由于在显微镜图像中,尺度基本可知,LBP以及HOG能非常有效地提取高反差轮廓特征以及质地特征。配合两大纹理滤波器组合将可以确保特征向量在强调高反差特征的同时,不会忽略常规纹理信息。在特征提取出来后使用局部Fisher判别分析来降低特征向量的维度,并选择最具有可区分性和有效的特征。LFDA能够进行无指导的降维,并保留最具可分辨性的特征,对于本文提出的算法至关重要。由于在之前产生的特征向量对所有的特征并不进行强弱区分,经过LFDA后,不重要或者具有广泛普遍性的特征将会被舍弃,而最能够代表致密沉积物的特征将得以保留。这保证了之后的分类器训练能够在不牺牲训练速度的前提下,有效地形成分类区间。最后,算法使用了probabilistic boosting tree来对训练样本进行训练,PBT是按照等级划分的决策树,每一个节点是一个强决策器,它具有不易过度训练、高效准确的特征,通过输入LFDA处理后的训练样本特征向量,来学习得到致密沉积物的分类器。为验证本文提出的方法的可行性,一个包含50张电子显微镜图像的数据库被用于实验中。在这50张电子显微镜图像中,每一张都包含不同数量的沉积物区域。沉积物区域的总数约为500处。这些区域被精确标记。如果算法输出的沉积物标记与人工标记区域的重合率达到50%以上,认为该区域被准确识别,否则认为未能识别。在实验中,10张电子显微镜图像被用于神经网络的训练,而其余40张被用于测试。训练样本为100×100分辨率的图像块,只要图像块中包含沉积物区域,则视为正样本,否则视为负样本。为了增加样本个数,所有正样本被进行了旋转、平移、以及放大和缩小等变换。在训练中,一共500个正样本及约15 000个负样本被输入到PBT。实验结果显示,本文提出的方法能够有效地在真实电子显微镜图像中识别致密沉积物,识别效率接近50%。该结果证明利用LBP特征以及Schimid滤波器组和Gabor滤波器组来提取显微镜图像特征能够全面概括图像中个体的显著性特征,比起单纯使用SIFT以及SURF具有更高的通用性、鲁棒性以及有效性。对于从显微镜图像中提取出来的高维度特征向量,使用局部Fisher判别分析法能够非常有效地实施降维操作,从而保留了显著性的具有区分功能的特征以便更有效的训练分类器。而probabilistic boosting tree对于只具有少量训练样本的训练任务能够相当有效地收敛且避免过度拟合的情况发生。本文提出的处理流程适用于大多数基于显微镜图像下的目标识别、分类以及再识别任务,且具有速度快、高鲁棒性以及易于扩展等特点,具有较高的实用性。

基于Uniform LBP和DMMA的单样本人脸识别

在单样本人脸识别系统中,为了获得更好的人脸面部特征,提出了一种融合Uniform LBP特征和多流形判别分析(Discriminative Multi-Manifold Analysis,DMMA)的特征提取方法。对每幅人脸图像进行分块构成一个子集。使用统一局部二值模式(Uniform LBP)算子提取每个子集中图像的直方图,每个子集中的直方图形成一个统计流形,应用DMMA算法获得人脸图像的低维特征。采用基于重建的流形-流形间的距离识别未知的人脸图像。在AR数据库和ORL数据库上实验结果表明,该算法的识别性能优于一般的DMMA算法。