结合空间显著性的融合单演二元模式面部情感分类

针对图像Gabor变换计算代价和存储空间开销较高的问题,提出一种基于单演信号分析的人脸表情描述方法。该方法首先采用单演信号分析将人脸图像分解为单演幅度、相位和方向三个图像,并将其划分为多个矩形块子区域;然后在三幅图像的子区域上提取相应的由空间显著性加权的单演幅度、相位和方向二元模式特征直方图;最后将结合了空间显著性的三个加权特征进行融合增强特征的可分辨性。在JAFFE人脸表情数据库上的实验结果表明,该方法能有效提取人脸表情特征,提高人脸表情的识别率。与基于Gabor的特征相比,提出的方法具有更高的准确率和较低的特征维度。

基于MBP算法和深度学习的人脸识别

为了解决在深度学习提取人脸图像特征时,易忽略其局部结构特征和缺乏对其旋转不变性学习的问题,提出了一种基于单演局部二值模式(MBP)与深度学习相结合的高效率人脸识别方法。首先,用多尺度单演滤波器对图像进行滤波,得到幅值和方向信息;其次,用LBP算法和象限比特的方法进行编码,分块计算组合其直方图特征;然后,将提取的单演特征作为深度信念网络(DBN)的输入,逐层训练优化网络参数,得到优异的网络模型;最后,将训练好的DBN网络在ORL人脸数据库上进行人脸识别实验,进行识别率计算,其识别率为98.75%。所提出的方法使用无监督的贪婪算法,隐藏层设定为2层,使用反向传播算法优化网络。相较于已知的人脸识别方法,MBP+DBN算法对光照、表情和部分遮挡变化具有较好的鲁棒性,在人脸识别中识别率较高,具有一定的优势,为图像特征提供了一种新的识别方法。

一种基于多模式单演特征检测与匹配的三维视觉测量方法

三维视觉测量技术从一幅或多幅二维图像或者视频剪辑自动获取现实世界中目标和场景的几何模型、运动和形变等信息,从而识别和理解三维现实环境。针对传统三维视觉测量易受亮度变化、尺度变化、旋转变化及噪声影响的缺点,提出了一种基于多尺度单演特征检测与匹配的三维视觉测量新方法。该方法采用泊松(Poisson)滤波算子和里斯(Riesz)变换提取图像的多模式单演特征,包括局部幅值、局部方向、局部相位和彩色相位;模拟人眼视觉功能构建多模态的局部特征描述子及特征空间的相似性距离测量函数;将该相似性测量应用于立体匹配和三维视觉重建中,并进行了定性和定量的实验评估。