基于方向局部二值模式的虹膜识别方法

虹膜识别技术作为最简单最精确的人体生物识别技术,越来越受人们的重视.目前,CS-LBP算子由于它的高效性和灰度不变性,在虹膜识别领域取得了较好的识别效果.但它忽略了中心像素对虹膜纹理的影响,因此提出了基于D-LBP的虹膜识别方法.它将周围邻近的像素和中心像素进行比较,重新定义了特征描述码的计算方法.该方法在降低特征维数的同时,很好的解决了CS-LBP算法中心像素丢失的问题.实验结果表明:与LBP和CS-LBP方法相比,提出的方法具有更好的识别效果.     

非局部二值模式人脸表示与识别方法

人脸表示/特征提取是人脸识别技术中最重要的步骤,局部二值模式(LBP)在人脸识别问题中受到了越来越多的关注和研究.为了克服原始LBP算子存在的固有缺陷,本文在其基础上提出了非局部二值模式NLBP算子.相对于原始LBP算子,新的NLBP算子能够实现多尺度分析能力,突出了人脸的关键特征,并能增强人脸表示与识别的鲁棒性.实验验证了新NLBP算子的有效性.     

基于信息熵的局部二值模式手指静脉识别

为进一步提升手指静脉识别算法的识别率与识别速度,在图像处理阶段,提取出手指图像的感兴趣区域(region of Interest, ROI),减少手指周围区域的干扰。为提升识别率,在局部二值模式 (local binary patterns, LBP)的基础上,引入像素邻域之间的关系,增强LBP的识别性能;然后将信息熵与改进型LBP结合得到新的ELBP特征,最后采用主成分分析(principal component analysis,PCA)降维,以减少识别时间,去除冗余特征。通过对比欧氏距离与曼哈顿距离构建的分类器,与其他主流特征比较,验证算法的识别性能。在SDUMLA数据库与天津市智能实验室采集指静脉图像数据库上,保证了算法的识别速度前提下,分别取得了99.53%、99.84%的识别率,与其他识别算法相比识别率有明显的提高。     

基于各向异性韦伯二值模式的局部特征提取算法

复杂光照场景下图像局部特征提取一直是图像处理的研究热点,针对韦伯局部描述符(WLD)简单的量化方法以及方向特征提取不足,提出了一种新的图像局部特征描述符,称为各向异性韦伯二值模式(AWLBP)。该算法中WLD算子中的差分激励分量由引入尺度参量和角度参量后改进的各向异性LOG算子来代替,方向梯度分量由局部二值模式(LBP)来代替,将二者融合生成二维AWLBP直方图,然后转化为一维直方图,最后使用KNN分类器进行分类。算法在CMUPIE人脸数据库和Pho Tex纹理图像库的大量的实验中验证了其有效性和准确性。实验结果表明,提出的图像特征提取算法在复杂光照的场景下具有很高的有效性和鲁棒性。     

基于局部边缘差异二值模式的人脸识别方法

传统的局部二值模式(local binary pattern,LBP)作为一种有效的特征提取与编码方法广泛应用于图像处理领域,但该方法只提取了图像模版中心像素值与边缘像素值的差值信息,这些信息不能全面地表征图像,并且对图像小幅度的灰度变化敏感.针对该方法的缺点,提出了一种基于局部边缘差异二值模式(local edge difference binary pattern,LEDBP)的特征提取算法,并应用于人脸识别领域.与传统的局部二值模式不同,本方法通过计算图像模版中心像素值与边缘像素值的差值来表示局部区域,其首先计算中心像素与相邻像素的边缘差值,然后使用局部三值模式的上模式(upper local ternary pattern)对边缘像素值进行编码,建立直方图后得到特征向量对图像进行表示.实验结果表明,本文算法用于人脸识别较传统的LBP等算法在识别率上有较大提高.     

基于改进局部二值模式和梯度特征的计算机生成图像鉴别算法

针对目前计算机生成图像鉴别算法存在的计算复杂度高及检测率低等问题, 提出一种改进局部二值模式和梯度特征的计算机生成图像鉴别算法. 该算法主要基于图像的局部纹理特征, 先提取计算机生成图像和自然图像的特征向量, 再将该特征利用SVM分类器进行分类. 实验结果表明, 该算法可有效地鉴别计算机生成图像和真实图像.     

基于改进局部二值模式算子与蚁群优化的图像边缘提取算法

设计了一种改进LBP耦合蚁群优化的图像边缘提取方案.首先,为了降低对噪声的敏感度,通过一个大小为3*3窗口的均值滤波对输入图像进行处理;其次,在LBP中嵌入一个平滑函数S,构建了一种改进的LBP模型;然后,计算图像的改进LBP值与其权重,通过改进LBP值与权重来体现像素间的差异程度,有效表征边缘的细微变化;最后,引入蚁群优化,通过路径优化与正负反馈求取边缘最优值,提高边缘的清晰度和细节表示.实验结果表明:相对于当前常用的边缘提取方法,本文算法提取边缘具有更高的清晰度和连续性,能减少噪音和模糊干扰,有效识别微小细节.     

基于改进局部二值模式和梯度特征的计算机生成图像鉴别算法

针对目前计算机生成图像鉴别算法存在的计算复杂度高及检测率低等问题, 提出一种改进局部二值模式和梯度特征的计算机生成图像鉴别算法. 该算法主要基于图像的局部纹理特征, 先提取计算机生成图像和自然图像的特征向量, 再将该特征利用SVM分类器进行分类. 实验结果表明, 该算法可有效地鉴别计算机生成图像和真实图像.     

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。     

基于中心对称局部二值模式的背景建模方法研究

针对利用局部二元模式(LBP)进行背景建模存在模型维数过高、对噪声敏感等缺点,提出一种基于中心对称局部二值模式(CSLBP)的背景建模方法,并应用于运动目标检测.与传统LBP特征相比,使用CSLBP特征进行背景建模,可大幅度降低背景描述的维数,因而大幅度降低处理时间;并且由于其对称性,CSLBP相比LBP具有更强的抗噪能力.实验结果表明,利用CSLBP进行背景建模能有效解决LBP建模带来的维数灾难和噪声敏感问题,无论在检测效果和计算速度上都有较大的提高,能够满足实际应用的要求.     

改进局部二值模式算法与Camshift结合的目标跟踪方法

为解决视频实景监视系统中因场景光照、阴影及远距离小目标跟踪易丢失问题,提出一种改进局部二值模式(local binary patterns, LBP)算法与Camshift结合的目标跟踪方法。利用LBP算子纹理和颜色对阴影不敏感的特性,采用改进的LBP算子与高斯混合模型结合进行背景建模和目标检测,以抑制阴影的干扰;同时将LBP算子的纹理和颜色融入Camshift算法中,结合Kalman滤波进行目标运动状态的预测,最终实现对监视场景中运动目标的可靠、稳定跟踪。采集行人、车辆及航空器等不同类目标进行实验,验证了本文方法不仅能够稳定、精确地跟踪运动目标,同时可适用于场景雾天低能见度条件下的目标跟踪。     

基于颜色和局部二值模式特征的车辆跟踪算法

针对目前车辆跟踪算法在应对光照变化时不稳定的特点,提出一种基于颜色特征和局部二值模式特征的车辆跟踪算法。即:提取样本的颜色特征和局部二值模式(LBP)特征,用结构化输出支持向量机(SVM)对正负样本进行分类,预测评分值最高的预测样本对应的坐标就是目标车辆所在位置。通过在有光照变化、运动模糊、快速运动等挑战的视频序列中进行仿真试验,表明在光照变化等情况下本文跟踪算法具有较强的鲁棒性。     

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CURe T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。     

基于改进自适应阈值局部三值模式的遥感图像分类

遥感图像背景复杂,存在光照变化和噪声干扰,导致图像分类准确率不高。针对该问题,在计算邻域像素离散度的基础上,通过对其施加不同权重以细化阈值范围,提出一种改进的自适应阈值局部三值模式(ATLTP)纹理特征提取算法,以提高遥感图像分类精度。首先,对原始遥感图像进行灰度拉伸预处理以增强图像对比度;然后,采用改进自适应阈值局部三值模式提取遥感图像的纹理特征;最后,利用支持向量机对遥感图像进行分类。在标准遥感图像数据集中稀疏建筑物和密集建筑物分类的实验结果表明:采用改进后的局部三值模式纹理特征对遥感图像进行分类的性能要优于传统的局部三值模式,验证了改进算法的有效性。     

基于三维局部二值模式和核判别分析的三维人脸识别

二维照片的人脸识别对光照、姿态和化妆等因素很敏感,故提出了一种将三维局部二值模式（3DLBP）和核判别分析（KDA）相结合的三维人脸识别方法．采用3DLBP描述人脸深度图像的特征,高斯核函数KDA作为分类器,使用Chi平方统计改进高斯核函数、采用FRGCv2．0中2003春季采集的三维人脸库进行实验．实验结果表明,该方法在每人2个训练样本时,识别率为91．8％,而PCA和3DLBP的识别率分别为60．4％和78．3％;当每人的训练样本数增至6个时,识别率为98．4％,而PCA和3DLBP的识别率分别为87．8％和96．3％。     

基于盒注意力机制和Transformer的人脸微表情识别方法

微表情是一种细微的能够体现人真实心理活动的面部运动,通常与真实情感直接相关,应用前景广阔。但由于微表情持续时间短暂、表情幅度低和特征难以提取等特点,因此其识别准确率较低。针对该问题,提出了基于盒注意力机制和Transformer的人脸微表情识别模型(vision transformer based on box-attention, ViT-Box)。该模型首先对人脸面部进行特征提取,利用盒注意力机制获得自适应的面部微表情关键区域：左眉眼、右眉眼和嘴巴;然后对非关键区域进行掩码遮盖,避免微表情无关信息干扰;最后基于Vision Transformer网络实现人脸微表情识别。ViT-Box模型在微-宏表情仓库(MMEW)数据集上取得了98.68%的平均准确率,实验结果表明该模型在微表情识别上能够获得优秀的识别效果。同时通过消融实验验证了ViT-Box模型的有效性。     

基于半圆形局部二值模式结构相关性描述子的图像检索

针对传统的结构基元方法缺少对不同量化颜色层中的中心像素点与其潜在邻居的相似性信息描述问题,提出了一种半圆形局部二值模式结构相关性描述子,并将其应用在图像检索中.首先,定义了一种新的半圆形局部二值模式结构基元;其次,检测不同量化颜色层中的结构基元;最后,提取新结构基元的空间分布和对比度特征.相比传统的结构基元方法,提出的描述子检测的结构基元更加丰富,包含更多可能的结构区分性.在不同图像库上的实验结果表明了所提方法的有效性.     

一种基于矢量变换的局部二值化模式分类方法

局部二值化模式(LBP)在计算机图像识别中应用非常广泛,它是一种局部区域灰度函数二值化矢量的分类统计特征,其性能高度依赖于对基本矢量的分类。现有的分类方法有两种:一是最原始的分类方法,二是基于跳变次数的分类方法。前者分类类别严重不平衡,后者忽略了高次跳变的信息。基此提出了一种基于任意矢量变换的局部二值化模式分类方法(LVP),该方法既保留了高次跳变模式信息,又实现了分类类别的平衡。为验证该方法适用性,将LVP与原有的LBP分类模式在INRIA行人、遥感图像车辆和遥感图像飞机三种数据库上进行检测准确度比对,发现使用混合块长度和不同重叠比的LVP具有较高的准确率。在行人数据库中,LVP相对256类LBP使用混合块逻辑或运算的方法,识别正确率提升了2.03%,达到98.93%;在车辆数据库中,用该方法使正确率提高了3.70%,达到94.15%;在飞机数据库中,用该方法使正确率提高了4.65%,达到94.10%。     

基于改进的局部三值模式和深度置信网络的人脸识别算法

针对人脸识别过程中深度置信网络在直接提取特征时易忽略局部特征以及传统的局部三值模式提取局部特征时不精细的问题,提出一种基于改进的局部三值模式和深度置信网络相结合的人脸识别算法,该算法将传统的局部三值模式中周围像素点与中间像素点的差值与某一固定阈值进行比较改为了相邻像素点进行两两比较,然后将其差值与计算得到的动态阈值进行比较,该动态阈值可以避免固定阈值对不同样本的影响。为了防止图像因为旋转问题而降低识别率,将LBP的旋转不变性引入到了改进的LTP,然后获取直方图,作为DBN的输入数据,对DBN网络进行参数调优,然后利用DBN网络进行训练识别,该算法在ORL,YALE等公开人脸库中的识别率与其他方法相比有了很大的提高,受光照和姿态的影响也有所降低,实验数据说明该算法具有很好的识别效果。