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Gabor小波和局部二值模式的步态识别

利用步态对个人身份进行识别已经受到越来越多生物识别技术研究者的重视。步态能量图(GEI-Gait Energy Image)是一种有效的步态表征方法,Gabor小波能提取不同方向、不同尺度空间频率特征,因此,首先利用Gabor小波提取步态能量图不同方向、不同尺度的信息,得到其幅值谱图,再利用LBP来提取Gabor幅值谱图的局部信息,相对于LBP直接作用于步态能量图,能提取步态能量图更多方向、更多尺度的局部特征。最后,利用具有良好降维和辨识能力的辨识共同向量(DCV-Discriminant Common Vector)对提取的LBP特征进行维数约减和特征选择,只需利用简单的最近邻分类器就能取得较好的识别效果。该算法在中科院自动化所的CASIA数据库上面进行试验取得了较高的正确识别率。还针对步态识别中的小样本问题提出了一种样本扩充方法,解决了步态识别中的小样本问题,并提高了算法的识别率。

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.

基于局部二值模式与滤波器融合的人耳识别

人耳的丰富纹理信息为身份鉴别提供了重要解决途径。融合信号滤波变换与局部二值模式算子,构建了两种新型纹理描述算子,即局部Gabor二值模式算子与局部小波二值模式算子;提出了一套基于局部纹理特征描述算子的人耳识别方案。针对USTB人耳图像库三的测试实验表明,在选用Chi方相似性测度和局部Gabor二值模式算子时,1-NN分类器可获得98.14%的交叉验证识别率,且运行时间较少。

Gabor小波和局部二值模式结合的一种人脸识别算法

针对传统的Gabor小波存在提取特征维数高、识别时间长的缺点,对Gabor小波的使用方法进行了改进.首先利用Gabor小波的幅值直接与人脸图像作乘积得到Gabor图像,接着使用局部二值模式得到纹理图像,然后提取出纹理图像的直方图信息,并作为人脸图像的特征,最后使用支持向量机作为分类器,在未经过预处理的ORL人脸数据库中取得95.0%的识别率.平均每张人脸图像识别时间为0.14 s,表明该算法能符合实际应用的要求.

基于小波域局部二值模式和活动轮廓模型的纹理图像分割

提出一种双树复小波域局部二值模式和活动轮廓模型的纹理图像分割方法.该方法首先使用双树复合小波(DTCWT)分解纹理图像,然后使用局部二值模式(LBP)提取纹理特征.利用最大熵准则对纹理特征图像进行选择.活动轮廓模型(ACM)用于最后得分割.实验结果表明提出的方法对于合成纹理和自然场景数据集达到了较高的分割精度.

融合复小波特征和局部二值模式的纹理聚类

为了解决图像检索中聚类问题,对图像作双树旋转复小波变换,再对变换后的系数通过广义高斯模型建模后,计算Kullback-Leibler距离;对图像采用局部二值模式,计算图像之间的对数似然距离.将这2种距离采用事先计算得到的加权因子进行融合得到新的距离.在此距离的基础上构建邻接矩阵,对邻接矩阵采用谱聚类的方法进行聚类运算.实验证明,由于双树旋转复小波变换和局部二值模式之间存在互补性,在聚类过程中将2种特征距离结合起来,能够有效地提高聚类的正确性.

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。

基于二进小波变换及局部二值模式特征的图像检索

纹理是一种反映像素的空间分布属性的图像特征,成为图像分析的重要手段.在图像检索领域,由于小波变换具有方向性、局部特性、多尺度特性,使得图像的纹理特征能得到更好的表征.局部二值模式是提取图像纹理特征的有效工具,具有旋转不变性和灰度不变性.利用性能良好的Bubble小波对图像进行二进小波变换得到四个子带图像,其中低频子带包含原图信息最多,对角线方向的子图包含信息最少,其余两个子图包含信息介于两者之间,因此选取低频和垂直,水平高频图像,然后对分量利用等价局部二值模式提取图像纹理特征,并进行图像检索.实验结果表明该算法不仅有效地结合了小波与局部二值模式的优势,而且具有较好的检索性能.

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.

面向语音情感识别的Gabor分块局部二值模式特征

谱特征在语音情感识别中起到了重要的作用,然而现有的谱特征仍未能充分表达谱图中的语音情感信息。为研究语音情感与谱图之间的联系,提出了一种面向语音情感识别的Gabor分块局部二值模式特征（GBLBP）。首先,获取情感语音的对数能量谱;然后,采用多尺度,多方向的Gabor小波对对数能量谱进行处理,得到Gabor谱图;再次,对每张Gabor谱图进行分块,采用局部二值模式提取每个块的局部能量分布信息;最后,将提取到的所有特征级联,得到GBLBP特征。EMO-DB库及中文语音库上的实验结果表明：GBLBP特征的平均加权召回率比MFCC高了9%~10%,识别性能显著优于众多谱特征,且与现有声学特征有较好的融合性。

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。

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。

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.

融合Gabor特征二阶局部导数模式的人脸识别

二阶局部导数模式是一种基于一阶局部导数变化的方向性编码方式。相对于局部二值模式,二阶局部导数模式能够提取出图像的更多细节信息。本文提出了一种融合Gabor特征二阶局部导数模式的人脸识别方法。该方法首先利用Gabor滤波良好的空间位置与方向选择特性,采用四个频率六个方向的Gabor滤波器对图像进行滤波。其次,利用数据的类信息和邻接点信息,自适应地计算各频率和方向的权重,作为后续融合依据。然后,提取Gabor滤波图像四个方向的二阶局部导数特征,采用主成分分析方法对各方向的二阶导数特征进行降维。最后,在识别过程中,结合权重信息融合各方向和频率的识别概率得出最终识别结果。实验结果表明本文算法能够有效地提取图像细节信息,较其他方法如主成分分析方法,线性判别式方法,局部二值模式算法和融合灰度二阶局部导数模式算法具有更好的识别性能。

多尺度中心误差补偿二值模式的表情识别

针对Gabor小波与局部二值模式(Local Binary Pattern,LBP)在表情识别上的局限性,提出了一种多尺度中心误差补偿二值模式(Center Error Compensation Binary Pattern,CECBP)的表情识别方法。对预处理后的人脸表情图像创建多尺度的金字塔,用中心误差补偿二值模式对金字塔中的各层图像进行编码,分块提取各层编码后的直方图序列作为特征,用支持向量机(Support Vector Machine,SVM)进行分类。在JAFFE、Cohn-Kanade以及Pain Expression表情库上的交叉验证表明,该方法可以抑制噪声,具有较高的识别率和较快的识别速度,比传统的Gabor小波以及LBP更具有优势。

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。