一种基于LTP自适应阈值的人脸识别方法

局部三值模式(LTP)采用自定义阈值编码对局部二值模式(LBP)进行扩展,然而其阈值通常通过先验知识获取,因此,LTP阈值存在优化问题及普适性问题.针对这一问题提出一种基于LTP自适应阈值的人脸识别方法:首先在提取图像特征时计算各邻域内像素间对比值的离散度,通过该离散度定义自适应于各局部区域的LTP阈值;然后将提取到的特征分层进行编码,并引入一种信息熵权重的方法来融合各层的特征信息,最后使用卡方距离对样本的直方图进行匹配.在Extended Yale B和CMU PIE标准人脸库上实验,结果表明此方法对光照变化和噪声更加鲁棒,有效地提高了人脸识别的精度.

自适应加权多尺度LTP的人脸识别

为克服人脸表情、光照变化等对图像中人脸识别结果的影响,提出一种自适应加权多尺度LTP的人脸识别算法。采用多尺度小波分析对人脸图像进行二级分解,将分解的一、二级逼近图像划分成互不重叠的子块,利用LTP算子提取每个子块的LTP纹理直方图;将各个子块图像的信息熵作为直方图加权的依据,对每个子块对应的直方图进行自适应加权,将所有子块的直方图连接成最终的纹理特征;使用卡方距离度量特征之间的相似度,用最近邻分类器实现分类识别。在YALE和AR两个标准人脸库上的实验结果表明,自适应加权多尺度LTP算子能够较好地描述人脸纹理特征,对表情变化和光照变化的人脸不敏感,有效提高了人脸识别率。

自适应阈值局部特征融合的人脸识别

针对局部二值模式(local binary pattern,LBP)提取图像纹理特征时阈值不能自适应以及缺少方向信息的问题,文章提出了一种自适应阈值局部特征融合的人脸识别算法。首先对原始人脸图像进行分块处理,提取每个子块自适应阈值均匀模式的局部二值模式(uniform local binary pattern,ULBP)特征和局部梯度编码(local gradient coding,LGC)特征;然后,将2种局部特征串联在一起融合为1种特征,得到每个子块的直方图特征,把每个子块图像的信息熵作为直方图加权系数,将所有子块图像的直方图乘以各自的加权系数,连接得到整幅人脸图像的直方图特征;最后用支持向量机(support vector machine,SVM)分类器进行识别分类。在ORL、Yale、FERET(be、bj、bf子库)人脸数据库上进行试验,该人脸识别算法分别得到了99.0%、98.7%、87.5%、93.0%、88.5%的识别率,正确识别率较高,算法对其他纹理分类、目标识别也具有一定的参考价值。

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。

自适应中心对称局部三值模式的人脸识别

针对局部三值模式描述人脸图像纹理特征时直方图维数过高以及阈值不能自适应选取的缺陷,提出一种自适应中心对称局部三值模式方法。首先,用具有降低维数的中心对称局部三值模式算子对人脸图像编码,把邻域像素均值引入编码中以增强抗噪性能;其次,嵌入统计邻域均值与邻域像素的标准差作为阈值以自适应提取人脸特征,并统计特征直方图;最后用卡方距离度量训练样本特征直方图和测试样本特征直方图的相似度,采用最近邻分类器分类识别。所提算法在YALE、Extended Yale B人脸图像库上的最高正确识别率分别达到99.67%,99.33%;识别一张人脸的速度分别达到0.1984和0.3988 s。实验结果表明,所提算法对光照变化和噪声更加鲁棒,有效提高了人脸识别的精度和速度。

基于光照归一化分块自适应LTP特征的人脸识别

针对复杂光照人脸识别的问题,文中提出一种基于光照归一化分块自适应阈值局部三值模式(Adaptive Threshold Local Ternary Pattern,ATLTP)的人脸识别算法。该方法首先对人脸图像进行光照归一化预处理,消除大部分光照影响;然后对处理后的人脸图像进行ATLTP特征提取。为了更有效地表征人脸特征,进一步将ATLTP特征矩阵划分为大小相等的子块,并对各个子块进行ATLTP特征直方图统计,最后将所有子块的直方图连接起来,构成整幅人脸图像的鉴别特征。根据最近邻准则进行分类识别,在Extended Yale B人脸库和CMU PIE人脸库上的实验结果表明,所提算法可以有效提高复杂光照人脸识别的性能。

基于自适应方向局部三值模式的人脸识别

为了解决局部三值模式特征向量维数过高和不能自适应选取阈值的问题,引入方向局部二值模式的思想,提出了一种具有自适应性的方向局部三值模式(SD-LTP)。SD-LTP通过具有降低特征向量维数的方向局部三值模式来描述图像,将图像全局灰度特征引入编码中以增强算法对全局特征的描述;引入具有自适应性的阈值增强算法的抗噪能力。在ORL和FERET标准人脸库上的实验结果表明,SD-LTP有效地降低特征维数;并显著提高了人脸的识别率。

加权信息熵与增强局部二值模式结合的人脸识别

针对人脸识别因光照、姿态、表情、遮挡及噪声等多种因素的影响而导致的识别率不高的问题,提出一种加权信息熵(IEw)与自适应阈值环形局部二值模式(ATRLBP)算子相结合的人脸识别方法(IE(w)ATR-LBP)。首先,从原始人脸图像分块提取信息熵,得到每个子块的IEw;然后,利用ATRLBP算子分别对每个人脸子块提取特征从而得到概率直方图;最后,将各个块的IEw与概率直方图相乘,再串联成为原始人脸图像最后的特征直方图,并利用支持向量机(SVM)对人脸进行识别。在AR人脸库的表情、光照、遮挡A和遮挡B四个数据集上,IE(w)ATR-LBP方法分别取得了98.37%、94.17%、98.20%和99.34%的识别率。在ORL人脸库上,IE(w)ATR-LBP方法的最大识别率为99.85%;而且在ORL人脸库5次不同训练样本的实验中,与无噪声时相比,加入高斯和椒盐噪声后的平均识别率分别下降了14.04和2.95个百分点。实验结果表明,IE(w)ATR-LBP方法能够有效提高人脸在受光照、姿态、遮挡等影响时的识别率,尤其是存在表情变化及脉冲类噪声干扰时的识别率。

一种改进的局部三值模式的人脸识别方法

为了更好的描述人脸特征,提出了一种基于不同尺度像素块及自适应阈值的局部三值(LTP)模式方法.该方法首先将图像分为若干个子区域,采用自适应阈值并基于不同尺度的像素块提取每个子区域的LTP纹理直方图,然后将得到的每个子区域的直方图连在一起并经过主成分分析(PCA)降维处理得到特征向量.在人脸数据库上进行的实验证明,应用该方法进行人脸特征提取并结合最近邻分类法得到了较高的识别率.

融合Gabor特征的局部自适应三值微分模式的人脸识别

提出了一种融合Gabor特征和局部三值微分模式(LTDP)的人脸识别算法,并在该算法中对LTDP方法进行改进,提出了自适应阈值算子。通过Gabor滤波器对人脸图像进行滤波,提取人脸多尺度、多方向的幅值特征;针对每个幅值特征图像,运用局部Gabor自适应三值微分模式(LGATDP2)方法提取局部方向关系模式;通过模式区域直方图统计,计算信息熵权重,加权串联后得到最终的人脸描述。识别过程中,采用χ2距离对特征直方图进行相似度匹配。分别在ORL和Yale数据库中进行仿真。结果表明,LGATDP2方法具有更好的普适性,在光照变化、表情变化和噪声干扰下具有更高的稳健性。

视频中适应光照可变情况下的人脸识别方法

提出一种结合使用自适应直方图均衡(AHE)、Gabor滤波器及局部三值模式(LTP)描述器进行视频中上下左右和正面光照条件下识别人脸的方法.首先,使用AHE对来自YaleB与CMU-PIE数据库的人脸图片进行降噪处理.然后用Gabor滤波器进行卷积,提取出相应的Gabor特征图,针对每一个Gabor特征图利用LTP描述器提取出局部邻域关系模式.最后由这些模式的区域直方图形成的序列来描述人脸.YaleB人脸库以及CMUPIE人脸库验证该方法的有效性.