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。

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。

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。

基于局部排序差值细化模式的纹理图像分类

针对传统局部二值模式及其扩展算法存在特征维度高、不能充分体现局部邻域像素间差值大小信息等问题,提出一种局部排序差值细化模式(LSDRP).首先根据采样半径大小对图像进行相应规格的高斯滤波,并按灰度值将局部邻域采样点排序;然后计算局部排序邻域内像素间的差值并将其融入排序二值编码对应位置的权值中,从而生成LSDRP特征;最后选取LSDRP特征模式中的高频模式表征图像,并级联多个半径下LSDRP特征的高频模式构成图像纹理的多尺度表示.在Outex,CUReT和UMD纹理库上的实验结果表明,所提算法计算简单且能在低维度条件下有效解决纹理分类中存在的光照、旋转变化问题;特别是在TC10,TC12_000和TC12_001纹理库上仅需120维特征即可分别达到100%,99.38%和99.72%的分类精度.

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。

基于局部二元模式Gabor小波变换的人脸识别

将局部二元模式(LBP)与Gabor小波变换相结合,用LBP算子对Gabor特征幅值的邻域变化进行编码,并用直方图分析LBP编码后的局部变化属性,这样避免了因下采样造成的信息损失,同时又通过直方图统计达到了降维的目的。实验结果表明,该方法结合了LBP与Gabor变换的优点,增强了直方图的鉴别能力,又能有效降低维数,取得了较理想的识别效果。

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.

基于局部Gabor自适应三值模式的人脸识别

提出一种融合Gabor特征和局部三值模式(LTP)的人脸识别方法,并在算法中对局部三值模式(LTP)进行改进,提出能够自适应阈值的LATP算子。对归一化后的人脸图像进行多尺度、多方向的Gabor滤波提取其对应的幅值特征,在每个幅值图像上进行LATP运算,抽取局部邻域关系模式,这些模式的区域直方图再经过信息熵加权并串联得到最终的人脸描述,识别过程使用χ2距离对特征直方图进行相似度匹配。在ORL和Yale人脸数据库上实验,结果表明提出的算法对人脸表情和光照变化具有更好的适应性,对噪声干扰具有更强的鲁棒性。

基于局部Gabor三值模式的人脸识别

针对人脸识别中的鲁棒性问题,提出一种基于局部Gabor三值模式的人脸描述与识别方法。首先,对归一化的人脸图像进行多方向、多分辨率的Gabor滤波,提取对应的Gabor幅值域图谱(GMMs),然后在每个幅值域图谱上采用局部三值模式(LTP)抽取局部邻域关系模式,并由这些模式的区域直方图形成序列来描述人脸。最后通过加权的卡方距离对训练图像和测试图像的直方图进行匹配。Gabor变换、LTP、空间区域直方图的采用使得该方法对光照变化、表情变化等具有良好的鲁棒性。在ORL、Yale、GT人脸库上实验,结果表明该方法具有更高的识别率。

基于Gabor相位和局部二值模式的AAM纹理表示

提出一种基于Gabor相位与局部二值模式(local binary patterns,LBP)算子的活动表观模型(activeappearance model,AAM)。与基于亮度的AAM相比,改进模型在三个方面提高了算法性能:提供多尺度多方向的Gabor纹理,提高了模型的匹配精度;增强了对外部环境变化(如光照)的鲁棒性;基于LBP的纹理编码去除了大量冗余。实验结果表明该模型能够有效提高模型的匹配精度。

基于Gabor相位的局部导数模式的人脸识别

文章对人脸的特征提取进行了深入的研究,提出了基于Gabor小波的局部导数模式的特征提取方法。基于Gabor的局部二值模式(LGBP)和基于Gabor的局部导数模式(LGDP),主要针对LBP以及多阶的LDP算法分别在灰度图像和Gabor小波图像进行识别实验,并对比其实验结果。得出的结果可以看出高阶的LDP算法的识别效果比LBP算法好。随着LDP阶数的增高,其获得的人脸的细节越详细,在三阶时效果越好,高于三阶的LDP算法其获得的信息会包含较多的噪声不利于识别。而基于Gabor的识别方法的识别率高出了在灰度图像的识别率。所以得出三阶的基于Gabor的局部倒数模式(LGDP)具有最高的识别效果。

基于最优Gabor滤波与局部二值模式的物体表面缺陷检测

通过对物体表面缺陷的研究,提出一种新的缺陷检测方法。该方法首先利用Gabor滤波器组得到多尺度多方向的滤波图像,通过代价函数选取缺陷与非缺陷局部反差最大的图像通道作为最优滤波通道,在最优通道上用LBP算子进一步提取局部特征,最后用支持向量机对其进行分类检测。该方法应用于织布瑕疵和钕磁铁表面缺陷检测,与传统的Gabor滤波器等表面缺陷检测方法相比,具有更高的检测率。

基于Gabor的伸长局部二值模式及其人脸识别应用

提出一种基于Gabor的伸长局部二值模式(elongated local binary pattern,ELBP)的人脸识别方法。该方法首先对人脸图片进行Gabor滤波,得到一组Gabor幅值图像(Gabor magnitude maps,MMPs);然后利用ELBP提取每一幅幅值图像的纹理特征,并用ELBP纹理特征的直方图特征和平均最大距离梯度幅值特征联合表示该图像纹理特征;最后,通过比较测试图片和训练集的直方图交叉距离进行识别。在YALE,YALE-B,UCD-VALID,CMU-PIE等人脸库进行测试,所提方法取得了理想的效果,证明所提方法能够有效地进行人脸识别。

基于四元数局部排序二值模式特征的行人识别

行人特征提取是行人识别中关键步骤之一。传统的做法是分别从彩色图像的每个颜色通道(即R、G、B通道)中提取特征描述子(如方向梯度直方图(HOG)、局部二值模式(LBP)等),最后合并成一个特征向量。传统方法不足之处在于难以兼顾不同颜色通道之间的关联信息。为此,采用四元局部排序二值模式(QLRBP)运算方法从彩色图像中提取局部特征描述子。与传统方法不同的是,该方法是一种整体的方法,是在彩色图像的四元数表示空间而非3个颜色通道中分别提取LBP特征。首先,将从车载摄像头中采集的彩色图像通过四元数转换获得其四元数表示;然后,对四元数空间中图像进行CTQ变换,并计算变换后的图像相位;最后,在每个四元数相位上进行LBP运算,并生成行人彩色图像的局部特征描述子。QLRBP能够同时处理所有的颜色通道,因此能够同时包含三通道之间的关系。在行人判定方法上,本文首先提取所有正负样本的QLRBP特征,并使用K-最近邻(K-NN)算法训练分类器。在INRIA数据库上测试表明,QLRBP描述子对于彩色行人的检测比其他常用的特征描述子(如HOG特征,LBP特征)具有更高的精确度,性能接近当前先进的行人识别方法。

基于Gabor特征和局部二值模式融合的纹理图像识别

传统的Gabor滤波方法和局部二值模式(Local Binary Pattern,LBP)算法提取的纹理特征鉴别能力不足,导致纹理识别精度不够理想.为了解决上述问题,提出一种将全局Gabor特征和局部LBP特征进行融合的纹理图像识别方法.该方法利用Gabor滤波方法提取纹理图像的全局特征,利用LBP算法提取纹理图像的局部特征,然后在最近子空间分类器的框架下实现全局和局部特征的融合以及纹理图像识别.在CUReT和KTH-TIPS基准纹理库上的实验结果表明,笔者提出的方法显著超越了传统Gabor滤波方法和LBP算法的纹理识别精度.

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.

基于子模式的Gabor特征融合的单样本人脸识别

针对传统人脸识别方法在单训练样本条件下效果不佳的缺点,提出基于子模式的Gabor特征融合方法并用于单样本人脸识别.首先采用Gabor变换抽取人脸局部信息,为有效利用面部器官的空间位置信息,将Gabor人脸图像分块构成子模式,采用最小距离分类器对各子模式分类.最后对各子模式分类结果做决策级融合得出分类结果.根据子模式构成原则和决策级融合策略不同,提出两种子模式Gabor特征融合方法.利用ORL人脸库和CAS-PEAL-R1人脸库进行实验和比较分析,实验结果表明文中方法有效提高单样本人脸识别的正确率,改善单样本人脸识别系统的性能.

基于模糊局部二值模式算子的图像伪造检测

为解决当前图像复制移动伪造检测算法的识别精度受阈值参数影响较大、无法消除图像特征误配、以及鲁棒性不佳等不足,提出随机样本一致策略耦合模糊局部二值模式算子的图像伪造检测算法。引入逐像素自适应Wiener滤波,过滤图像分块;基于局部二值模式LBP(local binary patterns),引入模糊集理论,设计模糊二值模式算子,提取图像特征;基于字典排序,对特征矢量进行排序;嵌入K-d树,定义识别多数规则,设计高效块匹配算法,精确检测真实的伪造分块;利用随机样本一致算法,消除图像分块误配。仿真结果表明,与当前伪造检测技术相比,该算法的检测精度更高,具有更强的鲁棒性。

一种方向性的局部二值模式在人脸表情识别中的应用

传统局部二值模式(LBP)算法应用在人脸表情识别中,不能准确描述眼睛、嘴巴、额头等表情特征区域在不同方向上的灰度变化趋势,识别效果不理想。本文改进传统局部二值模式的灰度比较关系,分别从水平、垂直以及对角3个方向对邻域像素的灰度变化进行二值编码,融合3个方向的特征,得到一种基于方向性的局部二值模式(DLBP)。在JAFFE数据库和Cohn-Kanade数据库上的实验结果均表明,DLBP算子相比LBP算子、Gabor算子能更准确描述人脸基本表情,识别率平均分别提高了5%和1%;相比LBP算子对椒盐噪声和高斯白噪声具有更强的鲁棒性;且与LDP算子相比,识别率基本不变,但特征提取时间缩减近50%。由此可见,DLBP算子是一种快速有效的人脸表情描述子。