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。

多模式共生的彩色纹理图像分类方法

针对单一方法进行纹理图像分类时易受旋转、光照等干扰的情况,提出了一种结合颜色特征和纹理特征的共生纹理分类方法。将图像转换到HSV颜色空间后,对H通道使用SLIOP算法以及对S和V通道用CLBP算法提取特征,然后将各自提取到的特征进行串联共生,最后利用支持向量机对纹理图像进行分类。基于被广泛使用的纹理图像数据库,对提出方法与其他典型分类算法进行实验对比,分析表明在分类的准确率和计算效率上获得了较大提升。实验结果表明,提出了方法具有较强的旋转不变性、光照不变性以及抗噪性。

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。

基于特征融合的人体行为识别算法

针对HOG特征在人体行为识别中仅仅表征人体局部梯度特征的不足,提出了一种扩展HOG(ExHOG)特征与CLBP特征相融合的人体行为识别方法。用背景差分法从视频中提取出完整的人体运动序列,并提取出扩展梯度方向直方图ExHOG及完备局部二值模式CLBP两种互补特征;利用K-L变换将这两种互补特征融合生成一个分类能力更强的行为特征;采用径向基函数神经网络RBFNN对行为特征进行识别分类。在KTH和Weizman行为公共数据库上进行了多组实验,结果表明提出的方法能够有效地识别人体运动类别。

基于候选区域定位与HOG-CLBP特征组合的行人检测

基于方向梯度直方图(HOG)特征和局部二值模式(LBP)算子的行人检测算法采用滑动窗口搜索策略存在扫描区域过大和计算复杂的问题,存在的这些问题会导致检测速度慢。鉴于此,提出一种行人检测算法。首先,采用选择性搜索算法对目标区域进行定位,并将候选区域的高宽比限制在一定范围内以筛选无效窗口。然后,为了弥补LBP算子在纹理表达上的缺陷,引入完备的局部二值模式(CLBP)算子来提高纹理特征的表达能力。接着,考虑到HOG特征和CLBP算子特征维数过高对分类器的识别能力产生影响,采用主成分分析的方法分别对HOG特征和CLBP算子进行降维,降维后再进行串联融合。最后,引入困难样本的挖掘过程训练支持向量机分离器,这可以使模型训练得更充分,进而降低误检率。在INRIA数据集上仿真结果表明,所提算法在识别率和识别速度上都有一定的提高。