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。

局部二值模式直方图匹配的串联故障电弧检测及选线

串联故障电弧是引起电气火灾的主要原因之一,有效地检测串联故障电弧对预防电气火灾具有重要意义。该文采用六种常用的家庭负载开展了多负载回路的串联故障电弧实验,提出了一种串联故障电弧检测及选线方法。首先,对干路电流信号进行分数阶傅里叶变换,构建故障电弧图像矩阵,全面反映干路电流信号从时域到频域的变化过程;其次,采用局部二值模式(LBP)描述图像矩阵的局部纹理特征,统计得到LBP图像的灰度分布直方图数据,采用不同实验条件下的LBP直方图数据建立数据库;最后,采用最大相关系数的数据库匹配准则实现故障电弧的检测及选线。测试结果表明,该方法可以实现多负载回路中故障电弧的检测及选线,检测及选线精度均超过了90%。

利用局部二值模式和方向梯度直方图融合特征对木材缺陷的支持向量机学习分类

根据木材缺陷类型及视觉特点的不同,将木材缺陷分为6类,加上正常无缺陷木材共分7类;实验将图像样本转化为灰度图后生成680个训练样本数据集和94个测试样本数据集。在分析单一方向梯度直方图(HOG)特征及局部二值模式(LBP)采用不同核函数对木材缺陷分类性能的基础上,提出局部二值模式和方向梯度直方图融合特征对木材缺陷分类。融合特征经主成分分析并降维,利用支持向量机的4种不同核函数分别验证局部二值模式和方向梯度直方图融合特征对木材缺陷分类的性能。结果表明:利用局部二值模式和方向梯度直方图融合特征比单一缺陷特征具有更高效的分类性能;采用线性核函数及高斯核函数对局部二值模式和方向梯度直方图融合特征进行支持向量机分类,分类准确率分别可达98.9%和97.8%,木材缺陷可实现自动检测分类。

HOG结合傅立叶局部二值模式特征的行人检测

针对局部二值模式(Local binary patterns,LBP)和梯度方向直方图(Histogram of Gradients,HOG)的联合特征,在行人检测中易受行人肢体偏转影响的问题,本文将傅立叶局部二值模式算子(Local binary patterns-HF,LBPHF)与HOG算子联合对行人进行特征描述。在每个滑动窗口中,分别计算HOG特征与LBPHF特征,将两者结合,构成联合特征。利用线性支持向量机训练分类器,通过自举法不断更新优化分类器,获得最优判别模型。将提取所得的联合特征输入分类器中进行判别,采用非极大值抑制的融合方法对重叠检测窗口进行融合。实验结果表明,LBPHF算子与HOG相结合的方法检出率高,计算复杂度低,抗行人肢体偏转干扰能力强。

基于方向梯度直方图和局部二值模式混合特征的水稻病虫害识别方法研究

为解决判定水稻病虫害类型所需样本多、处理设备要求高等问题,以健康水稻及褐斑病、铁甲虫病、稻瘟病水稻为研究对象,基于方向梯度直方图(histograms of oriented gradients,HOG)和局部二值模式(local binary pattern,LBP)加权融合的方法对水稻病虫害图像提取特征,利用支持向量机(support vector machine,SVM)对水稻进行分类识别。结果表明,基于HOG和LBP混合特征的水稻病虫害识别方法在小样本的情况下识别分类正确率为94.2%,优于HOG、LBP及GLCM(gray-level co-occurrence matrix)单一特征描述分类准确率。通过进一步结合多尺度检测对病斑目标定位,该方法所得检出率为90.7%,高于YOLO v3和Fast R-CNN深度学习算法,并获得最短训练时间。本研究在样本量少及处理效率方面具有明显优势,能够满足田间对水稻病虫害分类及检测的农业需求,在今后农业信息化领域具有巨大应用潜能,适用于结合移动设备进行田间交互采集处理。

基于双向梯度中心对称局部二值模式的单样本人脸识别

针对单样本情况下传统人脸识别方法识别效果不佳的问题,提出一种双向梯度中心对称局部二值模式(BGCSBP)的单样本人脸识别算法.首先获取人脸水平和垂直方向的梯度信息,并将其用CS-LBP算子进行编码;然后将二者融合成人脸的BGCSBP特征,再通过分块统计直方图的方式得到人脸的直方图特征;最后采用直方图相交进行分类识别.在CAS-PEAL,Extend Yale B和AR人脸数据库上的实验结果表明,该算法简单有效,对光照、表情、部分遮挡变化具有较好的鲁棒性.

并行二值模式直方图序列人脸识别方法

局部Gabor二值模式直方图序列(histogram sequence of local Gabor binary patterns,简称HSLGBP)的人脸识别方法具有较高的识别率,但该方法的特征计算较复杂、耗时长,并且特征维数高、匹配速度慢.给出一个并行的HSLGBP方法(简称P-HSLGBP),在多核PC机群上使用MPI实现了该方法,并使用该方法对ORL人脸库中的40人共400幅图像做了实验.理论分析和实验说明了P-HSLGBP方法具有较高的加速比和并行计算效率.在保证高识别率前提下,在由10个双核PC机组成的机群环境下的加速比达到17.同时,P-HSLGBP方法具有良好的可扩展性,适于大规模人脸库的快速识别.

一种基于动态阈值局部二值模式的人脸识别算法

局部二值模式(Local Binary Pattern,LBP)是一种应用较多的纹理分析方法,因其计算简单被广泛用于人脸识别.但由于缺乏相邻像素的先验信息,导致较高的误识别率.基于动态阈值的LBP是在传统算法的基础上提出的改进方法,对提高识别率有较好的帮助.实验结果表明,此算法提取的纹理特征更加丰富,鲁棒性更强.

融入二值模式优化的背景加权直方图目标跟踪方法

Mean shift算法是一种重要的目标跟踪方法。本文在充分研究Mean shift算法的基础上,发现传统的跟踪算法缺乏描述目标的信息,且易受到光照变化等因素的影响,可能直接导致目标跟踪的失败或者带来较大的误差。本文首先计算目标图像区域中基于局部二值模式(LBP)的纹理特征模型,然后在建模目标模型和候选目标模型时采用一种加权背景直方图的方法。该方法能充分考虑目标附近的背景干扰以及背景信息,能有效降低背景和目标位置的相关性。实验表明,改进的方法能有效提高目标的跟踪精度。

基于完全局部二值模式的人群密度估计

为了实时监控重要场所的人群密度、采取有效措施疏散高密度人群,避免人群密度过大而引发事故,造成生命和财产的损失,提出了一种基于完全局部二值模式的人群密度估计方法。该方法提取人群图像的3种局部纹理特征,建立了3-D联合直方图统计模型,用卡方距离最近邻方法对人群密度级别进行分类,实现了特定场景下人群密度的监测。对比实验结果表明了该方法能兼顾任意密度级别人群图像的分类,不仅准确率高,而且实时性好,同时对场景背景具有较强的鲁棒性。

结合视觉感知与LBP傅里叶直方图的图像检索

为了有效地提取图像特征以提高图像检索性能,借鉴生物视觉信息处理过程中的提取图像特征,提出一种结合视觉感知与局部二值模式(LBP)傅里叶直方图的图像检索算法.首先根据视觉感知特点,用主分量图作为亮度初级视觉特征,将形状边缘信息融入视觉注意模型,获得改进的Itti视觉注意模型,并基于该改进视觉注意模型得到50个视觉特征图;然后计算每个特征图的LBP傅里叶直方图特征,并将其结合在一起作为图像特征;最后利用局部保持投影(LPP)进行维数约简,获取低维特征用于图像检索.实验结果表明,该算法具有颜色、纹理及形状鉴别能力,能获得较好的检索效果.

中心对称幅值相位二值模式单样本人脸识别

针对传统单样本人脸识别效果不佳的问题,提出一种基于中心对称幅值相位二值模式(CMPBP)的单样本人脸识别算法。将人脸图像分别与高斯函数的一阶导数做卷积运算,求取图像的梯度分量,计算出梯度幅值和梯度相位;将梯度相位量化,用中心对称局部二值模式(CSLBP)算子对梯度相位和幅值分别编码,将三者串接形成人脸图像的CMPBP特征;分块统计直方图的信息,把所有小块的直方图串联后作为人脸图像的特征向量,利用直方图相交进行分类识别。在AR和CMU-PIE人脸库上验证了该方法的有效性,其对光照变化、表情变化和部分遮挡等环境下单样本人脸识别具有较好的效果。

基于局部Gabor变化直方图序列的人脸描述与识别

提出了一种在Gabor变换幅值域内提取局部变化模式空间直方图序列(histogramsequenceoflocalGaborbinarypatterns,简称HSLGBP)的人脸描述及其识别方法.鉴于Gabor特征对光照、表情等变化比较鲁棒,并已在人脸识别领域得到成功应用,首先对归一化的人脸图像进行多方向、多分辨率Gabor小波滤波,并提取其对应不同方向、不同尺度的多个Gabor幅值域图谱(Gabormagnitudemap,简称GMM),然后在每个GMM上采用局部二值模式(localbinarypattern,简称LBP)算子抽取局部邻域关系模式,最后由这些模式的区域直方图形成的序列来描述人脸.Gabor变换、LBP、空间区域直方图的采用使得该方法对光照变化、表情变化、误配准等具有良好的鲁棒性.而且,这种人脸建模方法不需要基于训练集合进行统计学习,因而不存在推广性问题.同时,进一步探讨了如何在分类器设计阶段与统计方法进行结合的问题,提出了统计Fisher加权的HSLGBP匹配方法.在通过FERET人脸库光照、表情和时间变化测试集上与已发表的实验结果进行对比,充分验证了该方法的有效性.

局部定向模式在人脸识别中的应用

人脸识别是当今模式识别和人工智能领域的一个活跃研究方向。基于局部二值模式(LBP)算子提出局部定向模式(Local Directional Pattern,LDP)算子。对人脸图像进行分块,采用局部定向模式算子对每块图像进行特征提取并计算每块区域的特征直方图,对特征直方图采用Chi距离测度进行比较识别。实验证明,该方法在Yale人脸数据库和YaleB人脸数据库相比局部二值模式有更好的识别率,说明该方法对光照有良好的鲁棒性。

融合局部纹理和形状特征的人脸表情识别

针对局部二值模式(LBP)、中心对称局部二值模式(CS-LBP)和梯度方向直方图(HOG)的不足进行改进,该文提出中心对称局部平滑二值模式(CS-LSBP)和绝对梯度方向直方图(HOAG),并提出一种融合局部纹理特征和局部形状特征的人脸表情识别方法。该方法首先采用CS-LSBP算子和HOAG算子分别提取人脸表情图像的局部纹理特征和局部形状特征,然后使用典型线性分析法(CCA)进行特征融合,最后利用支持向量机(SVM)进行表情分类。在JAFFE人脸表情库和Cohn-Kanade(CK)人脸表情库上的实验结果表明,改进的特征提取方法能更加完整、精确地提取图像的细节信息,基于CCA的特征融合方法能充分发挥特征的表征能力,该文所提人脸表情识别方法取得了较好的分类识别效果。

基于直方图加权HCBP的人脸表情识别

针对局部二值模式(Local binary pattern,LBP)及其改进算法所提取的特征维数过长、局部特征描述不够充分的缺点,提出了一种基于直方图加权HCBP(Haar-like centralized binary pattern,HCBP)的人脸表情识别方法。首先将人脸图像分成大小均匀的若干子块,利用HCBP算子提取各子块的纹理特征;然后通过信息熵的计算求得各子图像的权值,将加权子块HCBP特征直方图和原图像的HCBP直方图进行联合作为表情特征;最后,使用最近邻分类器对特征进行分类。Haar型特征与CBP相结合使得本文特征提取算法对局部特征的描述更为充分,信息熵的引入区分了人脸不同部位对表情的贡献程度。通过在JAFFE和Cohn-Kanade人脸表情库的实验证明:本文方法具有更高的识别率和识别效率。

基于多特征融合和深度信念网络的植物叶片识别

基于叶片数字图像的植物识别是自动植物分类研究的热点。但是随着植物种类的增加,传统的分类方法由于提取的特征比较单一或者分类器结构过于简单,导致叶片识别率较低。为此,本文提出使用纹理特征结合形状特征进行识别,并且使用深度信念网络构架作为分类器。纹理特征通过局部二值模式、Gabor滤波和灰度共生矩阵方法得到。而形状特征向量由Hu氏不变量和傅里叶描述子组成。为了避免过拟合现象,使用"dropout"方法训练深度信念网络。这种基于多特征融合的深度信念网络的植物识别方法,在Flavia数据库中,对32种叶片的识别率为99.37%;在ICL数据库中,对220种叶片的识别率为93.939%。这表明相比一般的叶片识别方法,此方法鲁棒性更强,并且识别率更高。

基于LBP人脸纹理特征的差分直方图移位无损信息隐藏算法

针对信息隐藏算法中提高嵌入量与增强鲁棒性之间的矛盾问题,提出一种多载体信息隐藏算法。使用多幅人脸表情图像作为载体,采用局部二值模式(LBP)纹理特征识别人脸表情区域来嵌入加密信息;计算出载体区域的相邻像素差值矩阵,通过对差值矩阵的对应元素直方图进行移位构造出嵌入空间来实现加密信息的可逆隐藏与载体图像的无损恢复。分析证明了该算法比现有算法具有更大的嵌入容量并保持较高的鲁棒性的优势,在最大嵌入容量达到0. 561时具有38. 421 d B的信噪比(PSNR),且在识别的嵌入区域PSNR值达到46. 286。鲁棒性实验表明,该算法对于滤波攻击可以与原始信息图像的相似度大于99%;面对剪切、平移攻击时,秘密图像归一化系数NC最小为0. 743和0. 728,远大于其他算法。从与其他算法的对比实验结果看,该算法是有效的。

融合二阶HOG与CS-LBP的头部姿态估计

针对头部姿态估计受光照变化、表情、噪声干扰等因素影响导致识别率低的问题,提出一种融合二阶梯度方向直方图(HOG)和中心对称局部二值模式(CS-LBP)特征的姿态特征,用于单帧图像的头部姿态估计。采用二阶HOG对人脸图像进行形状信息提取,得到人脸的轮廓特征;用CS-LBP进行局部纹理信息的提取,通过将二阶HOG提取的轮廓特征和CS-LBP提取的纹理特征进行融合,得到更有效的人脸特征;将融合的姿态特征通过核主成分分析(KPCA)变换非线性映射到高维核空间中,抽取其主元特征分量,采用支持向量机(SVM)分类器进行姿态估计。实验结果表明,方法和HOG、LBP、二阶HOG、CS-LBP方法相比有更高的分类准确率,对光照的变化有很好的鲁棒性。

基于特征联合和偏最小二乘降维的手势识别

针对以往手势识别研究中更关注识别率而弱化实时性的情况,首次将偏最小二乘降维思想引入手势识别领域,提出一种基于特征联合和偏最小二乘降维的手势识别方法。首先进行手势分割,在此基础上提取手势样本的梯度方向直方图和局部二值模式特征,并将二者进行联合。然后采用偏最小二乘法对手势联合特征进行降维,并将降维后的手势训练样本特征输入到支持向量机中进行分类训练。最后用训练好的支持向量机对降维后的手势测试样本进行识别测试。基于Jochen Triesch手势库及自制手势库的实验结果表明,同已有方法相比,本文所提方法在取得较高手势识别率的同时也取得了较好的实时性。