基于多尺度中心化二值模式的人脸表情识别

现有局部二值模式(LBP)算子存在不足:产生的直方图维数过长、鉴别力不高、对噪声反应敏感.针对此类问题,提出中心化二值模式(CBP)算子,其优点:1)通过比较邻域中近邻点对,大大降低了直方图维数;2)考虑中心像素点的作用并赋予其最高权重,实现鉴别力的提高;3)改变LBP算子的符号函数,明显减弱白噪声对图像的影响.此外,为提高识别率,将多尺度CBP(MCBP)直方图作为人脸表征.为增强算法对表情图像中细小变形的鲁棒性,引入图像欧式距离(IMED)并将其嵌入MCBP方法.在JAFFE和Cohn-Kanade表情库的实验结果表明:所提方法优于其它表情识别方法,IMED可增强MCBP的表情识别能力.

多尺度局部二值模式傅里叶直方图特征的表情识别

针对表情识别的简便快捷问题,提出一种多尺度局部二值模式傅里叶直方图(LBP-HF)和主动形状模型(ASM)相结合的人脸表情识别方法。该方法首先利用ASM检测并分割人脸区域,减少不相关区域的影响;然后提取多尺度LBP-HF特征形成识别向量;最后采用最近邻分类方法进行表情识别。通过提取不同尺度的LBP-HF特征,研究各个尺度LBP-HF特征对表情识别的影响,最终结合多尺度LBP-HF特征实现表情识别,获得更有效的表情特征。通过与Gabor特征的实验结果进行对比,验证该方法的简便可行性,最高平均识别率达到93.5%。实验结果表明,该方法可以用于人机交互中。

基于多尺度细胞局部二值模式的人体检测

细胞局部二值模式(cell structured Local Binary Pattern)不能将人体图像的局部信息与全局信息相结合。针对这一不足,在细胞局部二值模式特征的基础上,提出多尺度细胞局部二值模式(Multi-scale cell structured Local Binary Pattern,MLBP)特征描述子,联合局部与全局信息,增加检测特征的信息量;另外,在MLBP的基础上进一步提出一个控制因子调节的新算子—可调多尺度细胞局部二值模式(Adjustable Multi-scale cell structured Local Binary Pattern,AMLBP),利用控制因子选择MLBP的最佳表征,提高人体检测的准确率。实验结果表明所提出的两个新特征较前人提出的特征更有效。

一种基于多尺度极值的快速自适应二维经验模式分解方法

现有的二维经验模式分解(Bidimensional empirical mode decomposition,BEMD)算法在极值点查找、内蕴模式筛选和迭代过程中效率低、自适应性有待进一步提高,因此本文提出了一种基于多尺度极值的二维信号经验模式分解方法。首先给出二维多尺度极值二叉树结构的概念和建立方法,进而引出一个新的分解层数和滤波窗口大小的自适应确定原则,由此形成了改进的快速自适应二维经验模式分解方法。对自然图像和合成纹理图像分解的实验结果表明:与现有的快速自适应二维经验模式分解方法相比较,新方法的自适应性和效率都有明显提升。

改进的多尺度局部二值模式的表情识别方法

针对传统的局部二值模式(LBP)对局部特征描述不够充分的特点,提出一种改进的多尺度局部二值模式的人脸面部表情识别方法,在多尺度局部二值模式的基础上,通过引入一个可调参数α于编码中以调节局部纹理的细节提取控制。在每个区域图像中,将每个像素与可调参数α进行比较,计算它的顺时针编码值和逆时针编码值,并分别形成各自灰度直方图。上述方法在保留了局部特征的同时,可以有效降低噪声和光照的影响,增强了特征的鲁棒性。采用支持向量机(SVM)进行分类训练与测试。在三个数据集上进行的实验结果表明,采用带有可调参数的纹理细节控制策略可以得到一个较好的控制阈值,与多尺度局部二值模式以及双向局部二值模式(BLBP)相比较,提高了分类的准确率。

基于抗噪声局部二值模式的纹理图像分类

局部二值模式(local binary pattern,LBP)特征是一种简单有效的纹理特征描述符,但是它的抗噪声能力较差.针对这一问题,提出一种对噪声较为鲁棒的纹理特征表示方法——抗噪声的完整增强局部二值模式(noise-tolerant complete enhanced LBP,CELBPNT).该特征基于局部二值模式特征,对光照、旋转和噪声均具有较好的鲁棒性.其提取过程如下:1)根据LBP中各模式的结构和出现频率对特征中的模式重新分类,提出增强局部二值模式(enhanced LBP,ELBP)特征;2)添加差值的模值信息与中心像素信息,并根据图像尺寸自适应地调整其中的阈值,提出完整增强局部二值模式(complete ELBP,CELBP)特征;3)进一步将该特征进行多尺度下的表示,从而最终提出具有抗噪声能力的纹理特征——CELBPNT.通过在常用的纹理数据库上添加不同强度和不同类型噪声的情况进行实验,结果表明:CELBPNT不仅能够显著提升无噪声纹理图像的分类性能,而且对含有噪声的纹理图像分类也有显著的性能提高.

选择局部二值模式的纹理识别

图像识别是模式识别领域中的一种非常基本的应用,也是计算机应用领域中一门很有前景的技术,它运用计算机对数字图像进行处理、分析和理解,以识别各种不同模式的目标和对像。局部二值模式(LBP)普遍应用于纹理分割、纹理分类、人脸图像分析等领域,已成为分类特征的一种基本方法。笔者介绍了一种尺度选择局部二值模式的计算方法和实现原理,然后详细说明了运用新方法进行实验的步骤,最后根据在公共纹理数据库中的实验结果分析新方法具有的优点以及在不同的尺度下对纹理分类具有的良好效果。实验结果表明,在UIUC数据库中的正确率达到99.2%,而在KTHTIPS数据库中的正确率能达到99.5%。

基于正交Log-Gabor滤波二值模式的人脸识别算法

为消除可变光照对人脸识别的影响,提出一种基于正交Log-Gabor滤波二值模式(OLGBP)的人脸识别算法。该算法对样本在正交方向做Log-Gabor变换,然后将所得特征图像进行虚实分解和同尺度多方向二值融合构成OLGBP特征向量,再将这些特征向量构成协同表征字典D。最后,在字典D下对测试样本采用协同表征求稀疏系数,并通过误差重构来分类。在AR、Extend Yale B和CAS-PEAL-R1人脸数据库上的实验结果表明,OLGBP算法对光照变化的单样本人脸识别具有较好的效果,从而验证了算法的有效性。

基于方向边缘幅值的尺度块LBP人脸识别

针对方向边缘幅值模式(POEM)忽略了块与块之间的像素问题,提出一种基于方向边缘幅值的尺度块LBP人脸识别方法。该方法首先用梯度算子提取出人脸的方向图和幅值图,将具有相同量化方向上的幅值累加,然后利用尺度块LBP算子提取每幅累加幅值图的分块直方图特征,并将所有直方图特征串联起来作为最终的识别特征,最后采用WPCA降维方法提高算法的有效性。实验结果表明,该算法的鲁棒性高于其他对比算法,运用降维处理后能以较低的特征维数达到良好的识别性能。

尺度选择完备局部导数模式及其在热轧带钢图像分类中的应用研究

纹理特征提取是纹理分类中最关键的一步,由于成像条件的不可预知,纹理图像中存在旋转、尺度、噪声等各种因素的变化,给纹理分类的研究工作带来了挑战.为了增强纹理特征提取算法对旋转、尺度和噪声变化的鲁棒性,提出尺度选择完备局部导数模式(Scale Selective Completed Local Derivative Pattern,SSCLDP).首先,采用自适应中值滤波器对图像进行降噪处理.其次,采用二维高斯滤波器生成该图像的尺度空间.在每个尺度下使用完备局部导数模式(Completed Local Derivative Pattern,CLDP)提取该图像的旋转不变特征,跨尺度取最大值作为该图像的尺度不变特征.将SSCLDP与同类算法在七个公共纹理数据集和热轧带钢图像数据集上进行了实验,实验结果表明,SSCLDP在纹理图像分类和热轧带钢图像分类上有较好的工程应用价值.

基于多尺度几何分析的目标描述和识别

结合多尺度几何分析和局部二值模式算子,构造了一种新的多尺度、多方向局部特征描述子——局部Contourlet二值模式(LCBP).通过对尺度内、尺度间及同一尺度不同方向子带内LCBP直方图统计分析,同时考虑到LCBP的四叉树结构特点和模型的简单性,用两状态HMT描述LCBP系数,得到LCBP-HMT模型.在此基础上,提出了基于LCBP-HMT模型的目标识别算法,该算法提取LCBP-HMT模型参数作为特征,通过比较输入目标特征和各类标准目标特征的Kullback-Leibler距离进行分类.实验结果表明,LCBP特征比传统小波域特征和Contourlet域高斯分布模型特征更具鉴别能力.

多尺度加权LBP的人脸识别

针对传统局部二值模型(LBP)算子容易受到周围噪声点的干扰的缺点,提出了首先对图像进行Gauss滤波预处理,去除图像中的干扰噪声。针对传统LBP算子无法提取出非局部特征信息,提出一种新的基于多尺度加权的改进LBP(MWLBP)算子。MWLBP算子以不同大小的方型邻域为研究对象,将不同大小区域的LBP直方图进行加权求和。MWLBP比传统LBP算子提取的特征范围更大,在提取了局部特征的同时,保留了一定的非局部特征。相对于Gabor和其它特征提取方法,MWLBP算子在保留了多尺度特征的同时,能控制计算量大小。在ORL和Yale人脸数据库上的实验表明,Gauss滤波预处理确实能去除图像中的干扰噪声,提高识别准确率;MWLBP算子比传统的LBP算子、Gabor和其它特征提取方法减少了计算量,加快了分类器训练和人脸识别的速度,提高了准确率。

基于LBP算子与多尺度分析的高分辨率遥感影像道路自动提取方法改进研究

提出一种基于LBP算子与多尺度分析手段的高分辨率遥感影像道路提取方法。首先使用邻域均值作为阈值进行二值化,以改进一般LBP算子;再根据局部方差与尺度间的关系,找到适合道路LBP纹理值的最佳尺度;最后利用区域生长和形状指数提取最佳尺度下的影像道路信息,并通过尺度收缩关联到原始影像。实验结果表明本文方法可取得较好效果。

光照和尺度自适应的Mean Shift人脸跟踪算法

针对原始Mean Shift算法易受光照强度影响及跟踪窗口不随目标尺度自适应变化的问题,提出了一种光照和尺度自适应的Mean Shift人脸跟踪算法。该算法将颜色特征与光照不变性特征局部二值模式结合起来共同表征人脸,增强了复杂背景下目标的跟踪性能,利用矩特征和巴氏系数估计目标的真实尺度,提高了人脸发生较大形变时的适应能力。实验结果表明,提出的算法比传统的基于颜色直方图的Mean Shift算法具有更准确的跟踪结果。

基于多尺度分析的地基云图自动识别的研究

研究地基云图自动识别问题。地基云图由于受光照旋转等影响,传统方法提取的特征难以准确描述图像特征,导致地基云图识别的精度较低,还无法达到实际应用的要求。为了提高地基云图识别精度,提出采用多尺度分析的地基云图自动识别算法。首先将地基云图划分为若干个大小相同互不重叠的子图,然后采用三种不同尺度的权重局部二值模式提取每一幅子图的纹理特征,最后将子图的纹理特征顺序排列获取最终鉴别特征。通过对积雨云,高积云和层积云三类地基云图进行分类识别,实验结果表明改进方法可以增强云图的局部特征描述能力,有效提高地基云图分类的精度。

高效的光照、旋转、尺度不变纹理分类算法

纹理图像中存在的光照、旋转、尺度变化使纹理分类成为一个极具挑战性的问题.针对传统的纹理分类算法在同时解决光照、旋转、尺度变化问题和实时性方面存在的不足,提出一种高效的光照、旋转、尺度不变纹理分类算法.首先利用原始图像及其2次高斯滤波图像构造尺度空间,采用带邻域主导方向的完备局部二值模式算法在不同尺度上提取光照、旋转不变的纹理特征;然后利用跨尺度取模式最大值的方法获得尺度不变的纹理特征;最后利用最近子空间分类器进行分类.在5个有代表性的纹理库上进行实验的结果表明,该算法不需要预先学习,能较好地解决纹理分类中的光照、旋转、尺度变化问题,并具有较高的实时性.

基于空间多尺度HOG特征的人脸表情识别方法

传统HOG特征是一种有效的图像边缘信息描述符,但它忽略了局部特征之间的空间排列信息,针对此缺点,提出空间多尺度HOG模型。逐层将图像细化分成一系列不同尺度的子区域;采用改进HOG算子分别计算各个子区域的梯度方向直方图,按层按顺序将其连接,得到整幅图像的"空间多尺度"HOG特征。在JAFFE数据库上的实验结果表明,该算法在识别效果和运行时间方面优于HOG、LBP、Gabor等传统特征描述子,通过多尺度梯度方向准确描述了面部肌肉褶皱变化所蕴含的表情信息,是一种更有效的表情特征描述子。

基于RILBP的地形结构尺度稳定特征分析

地形结构描述着地表起伏的形态结构,而高低起伏的地形结构又组成了丰富多样的地貌景观。地表形态一般呈现出局部形态相似与区域有序分异的尺度特征。现有的地形尺度研究不能有效地刻画地形结构的尺度特征,地貌形态的适宜表达尺度及地形结构的尺度稳定特征仍值得进一步探讨。该文以黄土高原不同地貌类型区为例,以数字高程模型(DEM)为数据源,从刻画地表形态的局部特征入手,系统地选取了多类具有代表性的地貌形态样本数据,分析了典型地貌类型区域的局部二值模式(LBP)分布特征。考虑到地形结构与RILBP之间一对多的对应关系,利用顾及旋转不变特性的LBP(RILBP)算法探究地形结构的尺度稳定特性,发现随着分析窗口增大,LBP显示出逐渐趋于稳定的尺度特征。研究结果表明,RILBP能够有效地表达地形结构,地形结构稳定单元能够有效地反映适宜的地形分析尺度,地形结构对地形多尺度信息的挖掘具有独特的优势。

基于四叉树分解和MB_LBP模式的人脸识别算法

针对多尺度块局部二值模式MB_LBP在分块尺寸选择上的不足,提出了一种基于四叉树分解的MB_LBP算法。算法首先利用图的四叉树分解方法对人脸图像进行高同质性的划分,得到非固定尺寸的图像子块集合;然后对每个图像块利用改进的MB_LBP算法得到图像块的LBP值;最后,将所有的LBP值形成统计直方图得到整幅图像的特征。算法有效考虑了图像块的纹理特性,优化了局部特征值选择,提高了识别正确率。通过在ORL和YALE人脸数据库中进行仿真实验,结果表明,提出的算法相比MB_LBP方法识别正确率提高约10个百分点,并且在针对高分辨率人脸图像时识别速度提高1 s左右。算法适用于高分辨率的人脸图像快速识别。

高斯差分空间的多尺度改进CLBP对带钢表面缺陷的分类

提出一种引入高斯差分空间的改进多尺度完全局部二值模式对带钢表面进行分类,解决由于带钢表面缺陷纹理存在复杂性和多样性,导致对带钢表面缺陷进行分类难度大的问题.首先,根据人类的视觉注意机制,采用高斯差分空间对带钢表面缺陷进行预处理.然后,采用多尺度改进的完全局部二值模式对预处理之后的图片进行特征提取.最后,采用非线性流行学习的方式对特征进行降维,并导入分类器中进行分类.实验结果表明:该方法具有较好的区分性;针对常见的冲孔、污渍、刮边、黑氧化条、结疤等带钢表面缺陷,其最终的分类精度能达到95.7%,优于目前传统的方式.