双偏差双空间局部方向模式的人脸识别

针对局部方向数(Local Directional Number pattern,LDN)类方法的人脸识别通常仅利用梯度信息且信息提取不充分的问题,提出双偏差双空间局部方向模式(Double Variation and Double Space Local Directional Pattern,DVDSLDP)。该方法首先通过像素采样扩大关联邻域信息,再利用边缘响应算子和局部前后向差分获得的相对偏差和绝对偏差以构成双偏差信息,充分挖掘局部梯度空间信息;然后与所提取像素的灰度空间特征级联融合,以获得双空间特征,再进行模式编码得到特征图;最后依据信息熵加权级联各子块直方图获得人脸特征向量,使用最近邻分类器完成分类。针对ORL、Yale、AR人脸库和相关典型方法的对比结果表明:利用双空间特征的融合,获得了轮廓更清晰、纹理更丰富的编码特征图,在ORL和Yale库上分别达到了99.50%、94.44%的识别率,尤其是在训练样本较少时性能提升明显;该方法针对AR库的表情、光照、遮挡A和遮挡B子集分别达到了99.67%、100%、99.33%和97.33%的识别率,明显高于其他方法,表现出良好的鲁棒性。

双空间局部方向模式的人脸识别

目的针对传统局部方向模式(LDP)在特征提取的充分性、对光照和噪声等的鲁棒性以及识别时间长短这3方面不能同时取得一个很好的平衡效果,提出了一种双空间局部方向模式(DSLDP)的人脸识别方法。方法首先,将图像3×3邻域像素灰度值与8个Kirsch模板算子卷积,得到8个方向的边缘响应值,然后,将近邻边缘响应值之间相应作差,对应8个方向的边缘响应差值,将两组值取绝对值,取各自最大值的方向编码成一个二位八进制数,产生DSLDP码。最后,在人脸描述阶段将人脸图像进行分块并把每块转换成DSLDP图,再对DSLDP图进行直方图统计,并利用信息熵对每块进行加权,将所有子块的直方图连接生成人脸特征,再通过PCA进行降维,用最近邻分类器分类识别。结果在剑桥大学Olivetti实验室(ORL)、Aleix Martinez and Robert Benavente(AR)和中国科学院(CAS-PEAL)的人脸图像数据库进行实验,相比局部方向模式(LDP)、显著型局部方向模式(SLDP)、增强型局部方向模式(ELDP)、局部方向数字模式(LDN)、差值型局部方向模式(DLDP)、中心对称局部方向模式(CSLDP)和梯度中心对称局部方向模式(GCSLDP),DSLDP具有更好的识别性能。5幅测试样本时,在ORL库上取得了97.82%的平均识别率,在AR光照、表情、遮挡A和遮挡B库分别取得了98.00%、98.33%、99.33%、87.67%的平均识别率,在CAS-PEAL光照、表情和饰物库分别取得了99.33%、95.33%、90.00%的平均识别率。结论 1)该方法既考虑了近邻边缘响应值的外在变化,也考虑了近邻边缘响应值之间的内在变化,通过将强度空间和梯度空间人脸特征信息结合使人脸特征得到更加充分的提取。2)DSLDP只考虑邻边缘响应值和边缘响应差值的最大值情况,突出了主要边缘梯度信息,同时又避免了不重要信息的干扰,相比同类基于局部方向模式的单一人脸识别算法,对光照、表情、噪声、遮挡等情况表现出更强的鲁棒性。3)DSLDP码是由二位八进制数构成,特征模式数降低到64,识别时间明显降低。因此,DSLDP算法能同时在识别效果,稳定性和识别时间上取得一个较好的平衡效果。

双运算局部方向模式的人脸识别算法

针对双空间局部方向模式(DSLDP)人脸识别算法只是单一采用作差运算提取特征的问题,提出一种双运算局部方向模式(DOLDP)的人脸识别方法。首先,将图像3pixel×3pixel邻域像素灰度值与8个Kirsch模板算子卷积,得到8个方向的边缘响应值;然后,将近邻边缘响应值按照逆时针方向分别作差和作和,得到两组8个方向的边缘响应差值和和值,将两组边缘响应值取绝对值,取各自最大值的方向编码成一个二位八进制数,构成DOLDP码。在YALE、ORL、AR和CAS-PEAL人脸库上的实验结果表明:该方法将和值空间和差值空间人脸特征信息结合,取得了更好的识别效果;和值空间人脸特征信息较强度空间起到了平滑作用,对光照、表情、遮挡等情况表现出更强的稳健性。