基于自适应学习局部二值模式的苹果叶部病斑分割与检测

为了准确、快速地检测作物叶部病害,提出一种基于自适应学习局部二值模式(adaptive learning local binary pattern,简称ALLBP)的苹果叶部病斑分割与检测方法。首先利用ALLBP获取正常叶片图像和病害叶片图像的特征差异,并确定病斑判断阈值,然后将待识别的叶片图像分割为大小相同的子块,再提取同样的特征与阈值进行比较,以判定各子块中是否有病斑。结果表明,该方法能够有效检测苹果病斑的分布特性,与局部二值模式(local binary pattern,简称LBP)和中心对称局部二值模式(center-symmetric local binary pattern,简称CS-LBP)相比,该方法具有更少的特征维数和更高的正确识别率。

面向虹膜识别的多方向中心对称局部二值模式

为了提升虹膜纹理的表征效果,获得稳定的局部纹理信息表达,提出基于多方向中心对称局部二值模式的虹膜识别算法.首先通过眼睑边缘快速定位生成掩膜,抑制眼睑区域噪声;然后在多方向的基础上,提出多方向中心对称的局部二值模式完成虹膜纹理特征的表征;最后利用汉明距离判定虹膜是否匹配.针对由于类内与类间匹配次数失衡导致评价指标正确识别率存在的不足,提出修正的正确识别率.在CASIA.V1,CASIA.V3-Interval,JUL6.0和CASIA.V4-Lamp虹膜库上的实验结果表明,所提算法的修正的正确识别率分别为99.857%,99.940%,99.640%和97.973%,等错误率下降0.03%~5.96%;该算法能够有效地表征虹膜纹理信息,具有良好的识别性能和鲁棒性.

基于中心对称局部二值模式的合成伪装语音检测方法

针对基于局部二值模式的伪装语音检测方法的合成语音检测准确度较低的情况,提出了一种基于中心对称局部二值模式的伪装语音检测方法。该方法通过短时傅里叶变换得到语音信号的语谱图,再利用中心对称局部二值模式提取语谱图的纹理特征,并用该纹理特征训练随机森林分类器,从而实现真伪语音的判别。该方法综合考虑语谱图中像素点的数值大小和位置关系,包含了更加全面的纹理信息,并将特征维度降低至16维,有利于减少计算量。实验结果表明,在ASVspoof 2019数据集上,与传统的基于局部二值模式的伪装语音检测方法相比,所提方法将合成伪装语音的串联检测代价函数(t-DCF)降低了16.98%,检测速度提高了89.73%。

自适应阈值及加权局部二值模式的人脸识别

针对局部二值模式(LBP)和中心对称局部二值模式(CS-LBP)方法描述图像纹理特征时,阈值不能自动选取并且图像中不同子块的贡献也没有进行区分的问题,该文提出一种自适应阈值及加权的局部二值模式方法。首先,将图像进行分块,采用设定的自适应阈值提取每个子块的LBP或CS-LBP纹理直方图;然后,将各子图像的信息熵作为直方图的加权依据,对每个子块对应的直方图进行自适应加权,并将所有子块的直方图连接成最终的纹理特征;最后,通过快速计算图像均值加快了算法的计算速度。在人脸数据库上进行的实验证明,利用该文提出的方法提取纹理特征,并结合最近邻分类法可以得到较高的正确识别率。

基于局部二值模式和深度学习的人脸识别

针对人脸识别中深度学习直接提取人脸特征时忽略了其局部结构特征的问题,提出一种将分块局部二值模式(LBP)与深度学习相结合的人脸识别方法。首先,将人脸图像分块,利用均匀LBP算子分别提取图像各局部的LBP直方图特征,再按照顺序连接在一起形成整个人脸的LBP纹理特征;其次,将得到的LBP特征作为深度信念网络(DBN)的输入,逐层训练网络,并在顶层形成分类面;最后,用训练好的深度信念网络对人脸样本进行识别。在ORL、YALE和FERET人脸库上的实验结果表明,所提算法与采用支持向量机(SVM)的方法相比,在小样本的人脸识别中有很好的识别效果。

自适应局部二值模式算法及其在织物疵点检测中的应用

为了能够准确地提取不同纹理的特征,提出一种新的纹理特征提取方法,自适应局部二值模式为不同纹理特征创建相应的主要概率模式子集,避免了均匀局部二值模式使用同一模式集描述不同纹理结构而导致的描述不准确问题.在该算法基础上构建一种新颖的织物疵点检测算法,使用本文提出的特征提取方法获取无疵点织物图像特征并确定疵点判断阈值,然后将待检测织物图像分割为大小相同的检测窗提取特征后,与阈值比较以判断是否为疵点区域.实验证明此算法不仅保持了传统LBP的旋转不变、多分辨率等特点,而且疵点检测结果在视觉上更加细腻、误检率更低、适用范围更广.

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。

基于自适应局部二值模式的纹理特征提取方法

局部二值模式(local binary pattern, LBP)是一种简单有效的纹理特征描述符,但是存在对噪声缺乏鲁棒性以及编码过程中信息缺失的问题。针对该问题提出基于自适应阈值的带方向的完整局部二值模式(adaptation threshold complete local binary pattern with direction,DAT-CLBP)。提出一种自适应阈值选取方法和判别条件,通过判别条件,从自适应邻域像素中值和中心像素值中选取一种作为LBP编码时的阈值;计算邻域像素和阈值的差分的幅值,并以幅值最小点为起点,从小到大地计算局部邻域的二值模式。在通用纹理库上运行算法,统计两种阈值的发生率,证明了采取自适应阈值的必要性。以纹理库上添加了不同程度的椒盐噪声的纹理图像为样本实验,结果表明算法能更好地描述纹理,同时也对椒盐噪声具有鲁棒性。

多尺度局部结构主导二值模式学习图像表示

通过零均值化的微观结构模式二值化(ZMPB)处理,该文提出一种立足于局部图像多尺度结构二值模式提取的图像表示方法。该方法能够表达图像中可能出现的各种具有视觉意义的重要模式结构,同时通过主导二值模式学习模型,可以获得适应于图像数据集的主导特征模式子集,在特征鲁棒性、鉴别力和表达能力上达到优异性能,同时可以有效降低特征编码的维度,提高算法的执行速度。实验结果表明该算法性能优异,具有很强的鉴别能力和鲁棒性,优于传统LBP和GIMMRP方法,和很多最新算法结果相比,也具有竞争优势。

基于自适应中心对称局部二值模式的作物病害识别方法

基于局部二值模式(LBP)算子在模式识别中直方图维数高、判别能力差、具有冗余信息等缺点,针对作物病害叶片图像的特点,提出一种自适应中心对称局部二值模式(Adaptive Center-Symmetric Local Binary Patterns,ACSLBP)算法,并应用于作物病害识别。该算法能够得到光照和旋转不变性的纹理特征,利用模糊C均值聚类算法对病害叶片图像进行分割,再将分割后的病斑图像进行分块,然后采用自适应阈值提取每个子块的ACSLBP纹理直方图,结合作物病害叶片图像的颜色特征,利用最近邻分类器识别作物病害。在黄瓜4种常见病害叶片图像数据库上进行试验,平均识别率高达95%以上,表明该方法是有效可行的。

增强型局部二值模式及其图像纹理特征提取

局部二值模式(Local binary pattern, LBP)是一种非常有效的图像纹理描述算子。为了提取更丰富的人脸特征,提出了局部二值模式和环式二值模式(Ring Local binary pattern, RLBP)特征融合的增强局部二值模式算法。先用LBP算法对图像进行特征提取并转化为特征向量,再将其与使用RLBP算法生成的特征向量相融合。最后使用直方图交叉距离计算特征向量的相似度得到在数据集中的识别率。实验数据集选用ORL、ExtendYaleB人脸数据库以及掌纹数据库,实验结果表明,相对于LBP算法和其它融合算法提取到的图像特征而言,融合算法提取的特征更具有鉴别力,获得了更高的识别率。另外还在不同的噪声环境下进行了相关实验分析,证明了所提融合算法对噪声更具有鲁棒性。

基于改进局部二值模式及特征融合的人脸表情识别

局部特征描述算子在表情识别领域有着广泛的使用。通过对现有表情识别算法的的研究,针对传统局部二值模式(LBP)算法只考虑领域像素和中心像素点的关系,而忽略了领域像素之间的相互影响。而中心对称局部二值模式(CS-LBP)只考虑了中心对称像素之间的影响。结合LBP和CS-LBP特点出了一种改进的LBP算法,实验结果表明改进的LBP算子利用像素点更充分,能更好的表达特征。针对单一特征很难准确描述原始图片的信息,又提取了图像的Gabor特征,分别与提取LBP特征和改进的LBP特征进行特征融合,使提取的特征更加丰富详细。分类算法中考虑到SVM具有强大的非线性分类能力,将提取的特征与SVM分类器进行结合,在公开表情数据集CK+上采用留出法进行验证,准确率达到95.77%,实验结果表明该方法优于传统的表情识别算法。

基于自适应阈值的均匀局部二值模式

针对均匀局部二值模式的编码方式存在不同类像素干扰的问题,提出一种基于自适应阈值的均匀局部二值模式。采用基于直觉模糊集理论相似度量的方法计算图像前景与背景的分割阈值,通过引入该阈值参数改进均匀局部二值模式的编码方式,使得改进后的编码方案能有效降低不同类像素间的干扰。将改进的均匀局部二值模式应用于现勘图像检索,实验结果表明,该模式可以在一定程度上降低不同类像素间的干扰,增强算法对现勘图像纹理特征的描述性能,且使得检索算法取得较好的检索结果。

局部二值模式方法研究与展望

针对当前局部二值模式(Local binary pattern,LBP)方法表现出的理论和实际应用价值,系统综述了在纹理分析和分类、人脸分析和识别以及其他检测与应用中的各种LBP方法.首先,简要概述了LBP方法的原理,主要分析了LBP方法中的阈值操作并介绍了统一模式和旋转不变性模式.其次,分别对纹理分析和分类中的LBP方法、人脸分析和识别中的LBP方法以及其他检测与应用中的LBP方法等三个方面进行了详细的梳理和评述.最后,分析了LBP方法在应用中依旧存在的重要问题并指出了未来的研究方向.

基于局部二值模式与极限学习机分类算法的人脸面部表情特征识别

随着近年来学术界对于微表情识别该领域研究的逐步深入,微表情识别作为人机交互技术领域的新型研究课题。面部表情特征识别技术也经多年来发展,逐渐广泛运用于军事勘探、金融安全、教育教学等研究领域中,逐渐发展成为图像处理及识别技术领域的关键研究方向。人脸识别更集中了机器学习、人工智能、专家系统、机器识别、视频图像处理各类新技术,也需要与各类中间值算法理论结合来实现。在国内外现有研究中也获得了一定研究成果,譬如以往文献提出采用基于局部相位量化与模糊人脸识别算法,能够对模糊人脸的纹理信息提取效果有效提升,很大程度降低训练数据量。也有研究提出可以采用人脸识别技术设计面部考勤系统,可以根据视频摄像头获取图像并进行预处理,定位嘴巴、眼睛、鼻尖等面部特征。因此本次研究对于人脸面部表情特征识别,提出基于局部二值模式及极限学习机分类算法的新思路。

基于多块局部二值模式特征和人眼定位的人脸检测

人脸检测是人脸识别和重构问题中最基本的任务,同样也是人脸识别问题中的一个关键环节,其结果直接关乎到人脸识别最终的效果。所以,构建一种稳健而优秀的检测算法是人脸检测的目的。本文提出了一种基于多块局部二值模式特征的adaboost算法和模板匹配的人眼定位方法,从而提高人脸检测的正确率和稳定率,减少了误差。通过MIT CBCL人脸数据库、生活、网络等渠道照片的实验验证,该方法提高了检测效率,降低误检率,兼具了实时性和鲁棒性。

基于多尺度局部二值模式的人脸识别

提出了一种基于多尺度局部二值模式的人脸识别方法。局部二值模式已经被证明是人脸表示的一种有效算子,不过由于其太小以至于鲁棒性不高。在多尺度局部二值模式中,计算是基于块子区域的平均值,而不是基于单个像素值进行的。人脸图像首先被分成小的子区域,具有不同权值的BLBP算子抽取每一子区域的直方图,然后把它们连接起来,组成一个空域增强的特征直方图。在χ2统计量作为不相似度量计算的特征空间里,采用最近邻分类器完成分类识别。实验表明,该方法优于其它的基于LBP的人脸识别算法。

语谱图改进完全局部二值模式的语音情感识别

提出一种改进完全局部二值模式和幂指数加权融合方法的语音情感识别方法。首先,将原始语音样本转化为语谱图,再使用5尺度、8方向的Log-Gabor滤波器对语谱图做处理,放大语谱图的细节信息;然后提取语谱图均匀完全局部二值模式符号特征和改进完全局部二值模式幅值特征的分块直方图特征,之后串联两种特征作为新的融合特征改进完全局部二值模式符号幅值特征。最后,基于支持向量机对3种特征进行决策级幂指数加权融合完成语音情感识别。实验表明,改进完全局部二值模式幅值特征和融合特征可以在降低直方图特征维度的同时提高系统的识别性能;幂指数加权融合方法,扩大分类器间的差距,并使分类性能较好的分类器获得较大的权重,最终有效的提升了语音情感识别系统的性能。与其他算法相对比,验证了算法的有效性。

基于统计特征中心对称局部二值模式的虹膜识别

由于中心对称局部二值模式(CS-LBP)的虹膜识别具有特征维数高、对噪声敏感等缺点,提出了基于统计特征中心对称局部二值模式(SCCS-LBP)的虹膜识别方法。首先,根据虹膜纹理的分布特性,用CS-LBP对归一化的虹膜图像进行编码;为了进一步降低特征维数,对编码后的图像进行特征统计。然后,根据统计结果的分布,提取出有效的二值特征图像。最后,用Hamming距离进行虹膜识别。对CASIA1.0、CASIA2.0、CASIA3.0-Interval、MMU1图像库进行了识别,最高正确识别率分别为99.955%、99.848%、99.989%、99.916%。实验结果表明:该方法有效地利用了虹膜纹理分布特性,与LBP和CS-LBP方法相比,具有更少的特征维数、更高的正确识别率和更好的鲁棒性。

时频图像局部二值模式特征在雷达信号分类识别中的应用

针对低信噪比下雷达辐射源信号的分类识别,提出了一种将时频分析与图像处理相结合的特征提取和识别方法。该方法首先对雷达信号进行时频变换,将得到的时频分布转化为灰度图像;然后运用图像处理方法对时频图像进行增强和去噪;最后提取局部二值模式纹理特征描述子作为信号的识别特征,并采用支持向量机分类器实现信号的分类识别。文中针对12种常见雷达信号进行了仿真,结果表明该方法在较低的信噪比下仍能获得较为满意的识别率,当SNR=0dB时,信号的平均识别率能达到95.35%。所提出方法能有效降低噪声对分类识别的影响,同时对于时频图像相近的信号也有较好的识别效果,表明了该方法的有效性。