基于局部线性二值模式的掌纹掌脉融合识别

为了改善图像模糊导致鲁棒性下降这一问题,提出了一种基于掌纹掌脉双模态融合的多生物特征识别方法。对传统的线性二值模式(LBP)方法进行改进,提出了一种新的特征提取方法——局部线性二值模式(LLBP);对掌纹掌脉图像进行分块操作,形成分块局部线性二值模式(BLLBP),并将掌纹和掌脉特征进行融合;利用汉明距离进行匹配。实验图库分别为接触式公用图库和自建Poly U模糊图库以及自建SUT-D模糊图库,并与目前典型方法进行对比实验,结果表明:在三个图库中可分别获得最低等错误率(EER)为1.151 3%,4.516 2%和7.043 9%,充分证明了该方法能够进一步提高身份识别的防伪性、鲁棒性及识别精度,具有可行性。

基于分块LBP融合特征和SVM的人脸识别算法

针对传统局部二值模式(LBP)特征提取方法在光线和人脸表情变化的情况下表现不佳、单一方法提取出的特征不能多角度表现出整张人脸的特征信息的问题,提出一种基于分块LBP融合特征和支持向量机(SVM)的人脸识别方法。先将人脸图像划分为不同的块,对每一块提取LBP特征;然后将不同分块的像素均值特征与LBP特征进行融合,用融合后的特征向量来表征人脸;最后引入SVM作为分类器对上述特征进行分类。在YALE、ORL标准人脸库以及自建人脸库上进行实验验证,实验结果表明:该方法识别准确率分别能达到95. 15%,99. 75%,96. 25%,对比实验显示,该方法优于C4. 5决策树、随机森林等传统方法。

基于光照归一化分块完备LBP特征的人脸识别

针对复杂光照条件下的人脸识别,提出了一种基于光照归一化分块完备局部二值模式(B-CLBP)特征的人脸识别算法。该方法对人脸图像进行光照归一化预处理,对处理后的人脸图像进行B-CLBP特征提取,融合成B-CLBP直方图,根据最近邻准则进行分类识别。在Extended Yale B人脸库上的实验结果表明,所提算法可以有效提高复杂光照条件下的人脸识别率。

基于MB-LBP和张量HOSVD的人脸识别算法

融合多尺度分块局部二值模式和张量高阶奇异值分解提出一种人脸识别算法。优选不同尺度的MB-LBP算子组合提取图像纹理特征,构造人脸图像的3阶张量模型;利用HOOI算法进行张量高阶奇异值分解;基于HOSVD分解结果采用最邻近算法设计识别分类器。运用Yale数据库和自制数据库进行算法对比实验,验证算法的有效性,实验结果表明,基于Yale数据库,提出算法与LBP-深度置信网络算法的识别精度一样高,均为98.667%;基于自制人脸数据库,该算法识别精度为100%。综上提出算法是一种有效的、可行的识别算法。

基于MBLBPV算法的布匹瑕疵检测方法

针对布匹瑕疵检测,在传统局部二值模式(Local Binary Pattern, LBP)与局部二值模式方差(LBP Variance,LBPV)的基础上,提出一种基于多尺度分块局部二值模式方差(Multi-Scale Block Local Binary Patterns Variance, MBLBPV)的检测算法。首先,采用适当尺度大小的子区域灰度均值代替单像素灰度值,提取LB P特征,以降低噪声影响;然后,融合图像区域对比度信息,并将其作为编码值的权重,提取图像MBLBPV特征,并基于该特征实现瑕疵的检测。实验结果表明,相对于传统方法,MBLBPV抗噪力强、检测正确率更高。