一种基于局部二进制模式的带钢表面缺陷初级检测方法

带钢表面缺陷检测是带钢质量控制的重要环节之一,但现有带钢表面缺陷自动检测方法在准确性和实时性上还难以满足工业现场需要。为了解决此问题,提出了一种基于局部二进制模式(LBP)的带钢表面缺陷的初级检测方法。该方法首先利用快速局部二进制模式算法计算图像中各像素点的LBP值;然后通过统计LBP直方图来获取图像中主要边缘点的信息,再将其与阈值进行比较,以确定带钢图像中表面缺陷的存在,并记录缺陷的位置。实验结果表明,该方法不仅在带钢表面缺陷的初级检测方面具有良好的准确性和实时性,而且其提取出的信息还具有结构的和统计的双重特性,可为后续缺陷分类提供重要依据。

基于可区分二进制局部模式特征的蛾类昆虫识别

蛾类昆虫多为农业害虫,自动识别蛾类昆虫种类对虫害预测预报意义重大。针对现有昆虫自动识别方法集中在目以上层次昆虫识别难以实现目内昆虫识别,提出一种基于纹理特征的蛾类昆虫识别方法。应用一种改进的局部二进制模式提取昆虫图像特征,对提取得到的特征矩阵按照蛾类昆虫类别抽取本质维数,最后用KNN算法实现蛾类昆虫识别。实验结果表明:可区分CLBP能够对昆虫原始图像直接提取特征并获得优异的识别性能,同时,能够有效降低特征矩阵的维数,从而缩小存储空间,降低相似性比较的计算复杂度。该研究拓宽了计算机视觉技术应用范围,有助于实现农业病虫害的尽早预测。

基于局部Gabor二进制模式的高光谱伪装目标图像分类(英文)

为提高光谱伪装目标图像分类精度,提出了一种基于局部Gabor二进制模式(LGBP)的空间分类方法。LGBP作为一种多尺度算法,被用来提取高光谱图像的纹理特征。然后高光谱图像中的每一个像元可以用一个光谱特征向量及一个纹理特征向量表示。通过这种方法,增大类间距离。最后使用多核支持向量机结合光谱信息和空间纹理信息实现对高光谱伪装目标图像的分类。实验证明了该方法的有效性,分类总体精度和Kappa系数分别达到了95.6%和0.937。所提出的方法对于提高分类精度及鲁棒性具有重要意义。

基于二维多尺度局部Gabor二进制模式特征的表情识别

为了在独立于个体身份的面部表情识别中取得更加理想的效果,提出了一种基于二维多尺度局部Gabor二进制模式(MB-LGBP)特征的识别方法。对于表情识别而言,MB-LGBP已被证明了是一种局部和整体上都具有很强表征能力的描绘子。将MB-LGBP与灰度共现矩阵(GLCM)结合起来得到了可以更好地描述局部纹理空间结构特性的二维MB-LGBP特征。在识别中,分别选择了支持向量机(SVM)和基于卡方距离的K-最近邻(KNN)分类器,并对结果进行了比较。实验结果证明了二维MB-LGBP特征相比于MB-LGBP以及其他一些主要的表情识别特征的优越性。

基于局部二进制模式和图变换的快速匹配算法

针对图像匹配在图像拼接、目标识别等领域的应用中尺度不变特征变换(Scale Invariant Feature Transform,SIFT)算法计算复杂度高、实时性较差的问题,提出了一种基于局部二进制模式(Local Binary Patterns,LBP)和图变换(Graph Transformation Matching,GTM)的匹配算法.首先采用SIFT特征检测提取特征点并以特征点为中心取13×13的图像块作为特征区域;然后用本文提出的局部旋转不变二进制模式(Local Rotation Invariant Binary Patterns,LRIBP)描述子对特征区域进行描述产生29维的特征描述向量,降低了描述子的复杂度,并以欧氏距离为度量准则进行初始匹配;最后采用图变换匹配算法剔除误匹配点,从而提高算法的运算速率和匹配精度.仿真结果表明,本文所提算法不仅具有较高的精度和较强的鲁棒性,并且减少了算法的运算量,提高了算法的实时性.

基于改进多块局部二进制模式的人眼定位算法

人眼定位是人脸识别系统中必须解决的问题,为了提高人眼定位的精确度和速度,提出一种基于改进多块局部二进制模式的眼睛中心定位算法。该算法构建了所有可能的弱分类器作为多分支的树枝,然后通过三个强分类器和迭代计算确认眼睛中心点。基于标准Bio ID和FERET图像数据库,将提出算法与其他两种方法进行比较,实验结果显示提出方法的精确度更高。失真图像的测试结果表明,对噪声失真而言,提出的算法足够稳健。

局部二进制模式与小波特征融合的掌纹识别

针对利用单一方法进行掌纹图像识别所得的识别率难以提高这一情况,提出一种利用掌纹图像经高斯高通滤波后的局部二进制模式特征和三级小波分解的细节图像的能量特征的融合特征进行掌纹识别的方法。在提取图像的局部二进制模式特征的时候,通过高斯高通滤波增强图像的对比度,从而提取出更有效的局部二进制模式特征,该特征对光照的变化具有一定的鲁棒性;小波变换的细节图像能量数据反映不同频率成分的局部细节特征。实验结果表明所提出的掌纹识别方法的有效性。

基于主梯度编码局部二进制模式的花粉图像识别

受显微传感器和不规则收集方法的影响,花粉图像常受到不同程度的噪声干扰且有着不同角度的旋转变化,识别精度普遍不高,为此提出了基于主梯度编码的局部二进制模式(DGLBP)描述子,并应用于花粉图像的分类识别。首先,计算图像块在主梯度方向上的梯度幅值;其次,分别计算图像块的径向、角向,以及复合梯度差;然后,根据各图像块的梯度差进行二进制编码,参照各局部区域的纹理分布情况为二进制编码自适应分配权重,并提取花粉图像在3个方向上的纹理特征直方图;最后,对不同尺度下的纹理特征直方图进行融合,采用欧氏距离计算各图像的相似度。DGLBP方法在Confocal和Pollenmonitor数据集上的平均正确识别率分别为94.33%和92.02%,与其他花粉识别方法相比平均提高了8.9个百分点和8.6个百分点,与LBP改进方法相比平均提高了18个百分点和18.5个百分点。实验结果表明,DGLBP描述子对花粉图像的噪声干扰和旋转变化具有较好的鲁棒性,且具有较优的识别效果。

采用完整局部二进制模式的伪装语音检测

针对基于局部二进制模式(LBP)的伪装语音检测算法在检测语音转换的欺骗攻击时效果较差的情况,提出了一种基于完整局部二进制模式(CLBP)的伪装语音检测方法。利用变量Q变换(VQT)生成语音信号的语谱图并应用完整局部二进制模式提取语谱图中的纹理特征向量,再用该纹理特征向量训练真/伪语音分类器,实现伪装语音检测。实验结果表明,所提方法在检测语音转换的欺骗攻击时效果更好,并且当变量Q变换的附加参数γ值为50时,由完整局部二进制模式特征向量训练的基于径向基核函数的支持向量机具有最佳的伪装语音检测性能。

基于局部二进制模式的交叉纤维分离算法

针对光学显微镜采集的纤维图像存在很多纤维交叉现象的问题,提出一种基于局部二进制模式(local binary pattern,LBP)特征的交叉纤维分离算法。通过分割灰度图像提取得到目标纤维区域,经形态学处理,计算交叉点处各个纤维灰度像素的圆形LBP特征之间汉明距离,依据同一根纤维的汉明距离差异较小的原理完成纤维的配对,进而实现交叉纤维的有效分离。为验证算法的准确性,选用不同批次的羊毛纤维,在分离交叉纤维后,根据距离变换公式计算纤维的直径及其变异系数,并与标准测试值进行对比。试验结果表明,该算法具有较高的准确性。

将局部二进制模式应用于动态纹理识别的新方法

动态纹理的处理、描述与识别是纹理分析的热门领域。动态纹理是对普通纹理在时间域方面的扩展,包括动态特征和静态特征。基于LBP算法的扩展提出的VLBP算法较好的描述了动态纹理特征,但是计算量过大,模板过多。本文提出了一种由VLBP算法改进的基于局部二进制运动模式的特征提取方法用以动态纹理的描述和识别,它包括提取动态特征和提取静态特征两部分。将LBP算子做为块匹配准则提取局部二进制运动模式柱状图做为动态特征的描述,提取LBP柱状图做为静态特征的描述,并将二者连接得出描述动态纹理特征的联合的局部二进制运动模式柱状图。通过对DynTex集实验的结果表明,本文提出的方法在性能和识别率方面均要优于VLBP。

基于局部二进制和支持向量机的手写体数字识别

针对手写体数字识别中的特征提取问题,在圆形邻域局部二进制模式(LBP)的基础上,将数字的图片分割为四个子区域,分别提取各区域的局部二进制模式(LBP)直方图,然后用LBP直方图训练支持向量机(SVM)模型,再用测试样本对该模型的分类效果进行测试。最后,在实验中还引入当前主流的主成分分析法(PCA)对数据集降维,并以此对比分四区域提取LBP直方图的识别效果。通过对比发现,对手写体数字图片分四区域计算LBP直方图并将其用作识别特征可使数字识别准确率达到95. 31%,这一结果接近于使用数据集前90%特征贡献率的主成分分量的识别效果(后者的识别率为96. 6%),比直接对整张图片提取的LBP直方图分类识别率高19. 51个百分点。

联合梯度直方图和局部二值模式特征的人体检测

针对采用单一梯度方向直方图(HOG)特征进行人体检测时易受竖直梯度分量干扰的缺点,提出了将分块局部二值模式(LBP)特征加入HOG特征的方法。首先,将检测窗口划分为大小为16×16的不重叠块,以块为单位统计LBP特征直方图,并通过大量实验获得了LBP算子的最佳参数;然后用优化过的插值方式计算HOG特征,将两者组成联合直方图。最后,用线性支持向量机(SVM)通过Bootstrapping的方式训练,得到判别模型。在INRIA人体库上的测试表明,检出率在误检率(FPPW)为10-4时由原始的89%提高到95%,单窗口检测速度由0.625ms提高到0.533ms。本文将纹理特征加入原始描述轮廓的HOG特征中,排除了部分梯度干扰信息造成的误检,提高了检出率。

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。

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。

基于多尺度局部二元模式共生直方图的红外人脸识别(英文)

不同尺度的局部二元模式(LBP)提取了红外人脸图中不同的微结构局部特征。为了挖掘不同尺度中局部特征的相关性,提出了一种基于多尺度LBP共生直方图的红外人脸识别方法。传统的多尺度LBP特征提取方法,丢失了对多尺度特征间相关性信息的提取。为了充分考虑微结构间的相关统计信息,提出了多尺度LBP共生直方图表示方法,以提取包含在红外人脸图像中的有用鉴别特征。多尺度LBP共生直方图特征表示方法不仅可以消除环境温度对红外人脸图像特征提取的影响,而且还可以增强对局部特征表示的鉴别性。实验结果表明:多尺度局部二元模式共生矩阵可以增强对红外人脸鉴别特征提取的有效性,提出的红外人脸方法的性能优于基于传统多尺度LBP和单尺度LBP方法,在相同环境情况下和在环境温度变化情况下可以达到99.2%和91.2%的识别率。

基于双向椭圆局部二值模式的环境声音分类

针对目前机器学习算法在环境声音分类准确率不高,训练速度慢的问题,提出了基于双向椭圆局部二值模式的环境声音分类方法。设计了双向椭圆局部二进制模式的音频信号特征提取方法,采用3×5信号邻域增加时长影响,并使用邻域左右两列整体平均值分别代替椭圆左右顶点像素,减少噪音干扰,提高对噪音的鲁棒性,使用整个邻域的平均值代替中心像素,并采用双向局部特征均衡顺序权重,在上述特征基础上增加VAR算子,反应局部特征差异强度,之后将这些特征与梅尔频率倒谱系数(MFCC)、伽玛频率倒谱系数(GFCC)和色度特征(Chromagram)融合。采用经典机器学习算法,如支持向量机(SVM)、随机森林(RF)和k近邻(kNN),结合融合特征,在ESC-10和ESC-50数据集上进行评估,两种数据集的分类准确度分别达到了90.9%和66.7%。

基于局部二进制描述SIFT特征的锆石图像配准方法

针对尺度不变特征变换(SIFT)算法计算复杂度高、匹配速度慢的问题,提出一种新的局部二进制模式(LBP)特征描述方法,描述SIFT算法检测出的锆石图像特征点,然后用主成分分析法(PCA)将生成的描述向量降维,最后利用欧式距离法完成配准。新LBP描述方法计算简单,具有旋转不变性和光照不变性,描述向量经过PCA降维以后匹配过程简单快速。实验结果表明:配准效果可以满足仪器自动寻样的需求,并且能够显著提升锆石图像的配准速度、提高仪器运行效率。

大型人脸库上基于局部二元模式直方图映射的快速识别

传统的基于局部二元模式(LBP)的人脸识别方法采用卡方统计度量LBP直方图间的差异,由于卡方统计度量的复杂性以及是在高维空间进行判别,此方法在大型人脸库上的识别速度低,为此提出一种LBP直方图映射(LBPHP)方法.将LBP直方图映射到保局投影(LPP)空间获取低维LBPHP特征,当判别新样本时只须比较新样本与训练样本的LBPHP特征,识别过程简单且在低维空间进行,识别速度很快.鉴于LPP强大的鉴别特性,此方法的识别率很高.在2个知名人脸库上对LBPHP方法进行实验验证,结果表明,相比于传统识别方法,LBPHP的识别速度快,尤其在大型人脸库上优势更加明显,适于在此类人脸库上的实际应用如身份认证等.

基于梯度方向二进制模式的空间金字塔模型方法

空间金字塔模型由于其优势在当前图像分类中得到了广泛应用。然而,其码本生成和特征量化这两个环节具有较高的计算复杂度。为了解决这个问题,提出了一种新的局部特征表述———梯度方向二进制模式,首先对图像稠密采样得到多个子图像块,再将每个子图像块均匀划分为2×2个网格,计算每个网格的梯度直方图,然后对所有网格的梯度主方向进行二进制编码并连接为二进制串值,该二进制串值转换的十进制数即为子图像块的特征表述,最后将该特征表述嵌入到SPM模型中。在标准分类数据库上的实验结果证明了本方法在算法耗时和分类精度上均优于基于SIFT的SPM方法。