增强型局部二值模式及其图像纹理特征提取.pdf

260第40 卷第6 期2023年6 月真机计仿算文章编号：10 0 6-9348(2 0 2 3)0 6-0 2 6 0-0 8增强型局部二值模式及其图像纹理特征提取申柯，陈熙*（贵州师范大学大数据与计算机科学学院，贵州贵阳550 0 2 5）摘要：局部二值模式(Local binary patterm,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（RingLocal 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、Ex t e n d Ya l e B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。关键词：局部二值模式；环式局部二值模式；图像纹理特征提取；特征融合中图分类号：TP391.4文献标识码：BEnhanced Local Binary Pattern and Its ImageTexture Feature ExtractionSHEN Ke,CHEN Xi(School of Big Data and Computer Science,Guizhou Normal University,Guiyang Guizhou550025,China)ABSTRACT:Local binary pattern(LBP)is a very effective texture descriptor.In order to extract more abundantface features,we proposed an enhanced local binary pattern algorithm combining local binary pattern and ring local bi-nary pattern(RLBP).Firstly,LBP was used to extract the image features and transform them into feature vectors.Then,the feature vector extracted in the first step was fused with the feature vector generated by RLBP.Finally,thehistogram cross distance was used to calculate the similarity of two feature vectors to obtain the recognition successrate in the data set.ORL,Extend Yale B face database and palmprint database were selected as the experimental dataset.The experimental results show that our proposed algorithm has more abundant discriminant information withhigher average recognition rate compared with LBP and other related fusion algorithms.Some experiments have alsobeen done with noisy images and experimental results have proved that the proposed fusion algorithm is more robustunder noise environment.KEYWORDS:LBP;RLBP;Image texture feature extraction;Feature fusion1引言纹理是图像的一种重要特征，自2 0 世纪6 0 年代以来一直是深人研究的主题，它在图像分割，基于内容的图像检索、视频监控、运动检测、远程遥感、生物特征识别、计算机图形和图像纹理合成等领域得到了广泛的研究与应用。特别基金项目：国家自然科学基金资助（项目号（6 17 6 2 0 2 2）；贵州师范大学2 0 17 年博士科研启动项目（0 517 0 7 5）；贵州师范大学2 0 17 年度学术新苗培养及创新探索专项项目（黔科合平台人才2 0 17 57 2 6)收稿日期：2 0 2 1-0 9-166修回日期：2 0 2 1-11-17是近年来随着人工智能研究的不断发展，图像纹理识别已经是计算机视觉领域最热门的研究方向之一。图像纹理识别技术在不断追求自身优化创新的同时，也为其它领域带来了极大的便利，受到了其它领域广泛的关注。特征提取是纹理识别中很重要的一个环节，很多人把特征提取作为研究的重点。比较常用的有Gabor小波2 、主成分分析（PCA）3、梯度方向直方图（HOG）【4 和局部二值模式(LBP)5等算法。其中,Gabor小波性能非常高,但计算复杂度也高。PCA是对图像的全局特征进行提取，易受到人在不同姿态下和不同光照的影响，得到的结果往往不能令人满意6 。HOG算子在求取图像梯度的时候忽略了中心像素点261的作用,导致梯度特征提取准确性降低7 。目前，一类研究和应用都比较广泛的是纹理特征提取方法是Ojala等8 在1994年提出的LBP算法。LBP算法可以提取人脸局部特征，该算法具有旋转不变性和灰度不变性等优点9，对不同姿态和光照有很好的鲁棒性，但是容易缺失部分纹理细节而且对方向信息敏感。就人脸识别来说，由于LBP算法能够很好的描述人脸的局部特征，所以近年来针对LBP算法的研究比较多。并且从不同角度（比如：降低噪声、编码方式、旋转不变性、降维等）进行扩展与深人研究。Dongl10等利用LBP在YaleB人脸数据库中取得8 7.6 5%的识别率。Chakraborty1等提出局部矢量模式与广义距离局部二值模式,提高了识别精度。Dan12等提出了JLBP（Jo i n t Lo c a l Bi n a r y Pa t t e r n s）算子，考虑了不同尺度LBP特征之间的关系。为了降低噪声的影响，Hafi-anel13等提出MBP(Median Binary Patem)算子进行了降噪处理。Girish14等使用多尺度局部二值模式与PCA结合,在JAFFEE和INDIAN数据库上进行识别，取得了很好的效果。李闻15 等提出了局部二值模式与中心对称局部微分模式（C S-LD P）自适应特征融合算法，融合特征获得更丰富的图像纹理信息，本文受到其启示，把局部二值模式与环式局部二值模式进行融合，对人脸图像进行识别，改善了人脸识别算法的性能，获取了更全面的人脸图像纹理特征。同样，在生物特征识别中，掌纹识别也是一个重要的研究方向。掌纹识别的应用领域也很广泛，比如犯罪现场取证、门禁等等，而且与其它生物识别的技术相比，掌纹识别有着易采集、具有细节点和主线等、辨识度高的优势16 。局部纹理算法对掌纹可以进行很好的描述，非常适合用来进行掌纹识别的研究。上述提出的融合算法同样也可以在掌纹数据库上进行识别，并且经过实验验证取得了良好的识别性能。在以上提及的三个数据库上进行了一系列实验，包括图像分块实验、在不同样本数下的识别率实验、多分辨率实验、噪声环境下的识别率实验以及对各算法复杂度进行了评价。2算法简介以及融合算法2.1局部二值模式（LBP）LBP是一种用来提取局部纹理特征的纹理描述符。许多研究中，在准确性和计算复杂性方面展现了其出色的结果。对3x3的像素单元进行特征提取，它能够很好地描述图像的纹理特征，具有旋转不变性和灰度不变性等优点。尽管LBP在计算机视觉和模式识别领域取得了巨大的成功，但其潜在的工作机制仍有待进一步研究。为了能够处理不同尺度的纹理，LBP被扩展到使用不同大小的邻域。对于原始LBP算法，其算法的基本思想是：取图像中的任意像素点作为中心像素点，以3x3像素矩形区域作为邻域，对其进行编码。将中心像素值与其邻域像素值逐一进行比较，若中心像素值大于邻域的像素值，该点记为0,反之记为1。例如在图1(a)中所示，为33的像素单元,LBP计算过程为：开始X先与X。进行比较，X，的对应位置值6 6 小于X。对应位置的值8 8,所以X,，对应位置的值记为0；再比如X，与X。进行比较，X，对应位置的值91大于X。对应位置的值8 8,所以Xs对应位置的值记为1,比较过程如图1(6)所示。通过一轮计算就得到了其邻域的8 位二进制数，分别乘以它们对应的权值将其转换为相应的十进制数代替中心像素点的值。从X像素点开始依次与中心像素X。值8 8 进行比较，得到二进制编码为0 1110 0 0 0,此时X。处的像素值变为12 0。X。XXX(a)11466460064128101111000958856阀值化0权值3221208991801684(b)图1（a）为像素单元(b）为原始LBP算子图像中心像素点X。的LBP值通过如下式（1)得到f(x。,y)=Zg(a,-a.)2(1)原始LBP算子利用阈值函数对中心像素与其33邻域之间的差值进行编码,并对阈值进行2 的幂求和。基本LBP的阈值函数可以定义为(1,x0(2)g0其中,X,i=1,2，,8 为中心像素X。周围的8 个邻域点，(x。,y。）为中心像素点X。处的LBP值;a;为邻域点像素值；。为中心点像素值；g（x）为阈值函数。直到识别出所有像素点的LBP值后，构建一个直方图来表示纹理图像,其中包含了图像中边缘、纹理等局部特征的分布信息。2.2环式局部二值模式（RLBP原始的33LBP算法只考虑了中心像素点与其邻域像素点之间的关系，并没有考虑其与间隔像素点之间的关系。若考虑中心像素与其间隔像素之间的关系，邻域范围就必须由33扩展到44的像素单元，这无疑大大提高了算法的计算复杂度。经过思考与实践，本文提出的RLBP算法在不用扩展邻域范围的情况下得到间隔像素的关系。该算法的基本思想是在33邻域范围内，以中心像素点左上方像素点X，为起始点，与顺时针方向取间隔为1的点进行比较，例如在图2 中，RLBP算子为33的像素单元，RLBP计算过程为：开始X,先与X，进行比较，X，的对应位置值6 6 大于X，对应位置的值56，所以X，对应位置的值记262为1;再比如X，与X4进行比较，X，对应位置的值46 小于X4对应位置的值8 0,所以X，对应位置的值记为0。以此类推，进行8 次比较得到一个八位二进制数，二进制编码为11100000,此时X。处的像素值变为2 2 4。114664611100000958856阅值化224899180图2RLBP算子图像中心像素点X。的RLBP值通过如下式（3）得到g(a.+2)27f(x。,y。)=(3)=0基本RLBP的阈值函数可以定义为(1,x0g(x)(4)(o,x0其中,其中,X,i=1,2,8为中心像素X。周围的8 个邻域点,f(x。，y。）为中心像素点X。处的RLBP值;a;为中心像素点的邻域点的像素值;i+2为与a；相间隔点的邻域像素值;g(x）为阈值函数。此算法虽然在33邻域范围内实现了间隔像素之间的关系，但是缺陷很明显，没有考虑到原始中心像素点的值。为了使得既能在3x3邻域内考虑到间隔像素点之间的关系，又能考虑到与中心像素点之间的关系。下面将本文提出的RLBP与原始的LBP算法进行融合，同时解决了这两个算法的缺陷，实现了在3x3邻域内同时兼顾相邻像素点和间隔像素点的联系。2.3融合算法融合算法使得LBP算法和RLBP算法之间互补，同时解决了两个算法的缺陷。在33邻域内获得了中心像素点与相邻像素点和间隔邻域之间的关系。在没有扩大邻域范围的情况下提取到更加丰富的图像特征识别信息，经过实验验证，在很多方面都取得了更好的识别效果，与其它几种算法相比识别率有所提高。融合算法流程如图3所示，图3中使用融合算法进行提取纹理特征的步骤如下：1)选定某个数据集，在此数据集中随机选取n张图像作为训练集数据，剩余图像作为测试集来测试性能。并且对每幅图像进行分块处理，假设下图中原始图像I被均匀分割成若干不重叠的44的正方形子块(）（h=0,1,2，15），在每个子块上进行操作，使得算法提取的特征更加精细。2)首先在训练集图像中每个小块上分别使用LBP和RLBP算法对原始图像进行特征提取，各子块提取的特征为Tbp-rp(h=,15)。然后计算 BP-rp(h=,.,15)的直方图特征,记作HBPp+RLBp(h=0,1,2,15)。将一张图像中所有分块的直方图特征进行融合（图3）。最后将LBP提取的特征直方图和RLBP提取的特征直方图融合成一个大的直方图模板（图3），融合方式如图3所示。图像LBP特征提取（原始图像）融合不同算法的直方图特征向量RLBP特征提取融合不同分块的直方图特征向量图3特征向量融合2633）使用直方图交叉距离计算出训练集和测试集之间的最小距离进行匹配，以确定是否为同一个人的人脸图像，假设训练集图像1和测试集图像P两幅图像特征分别为PLBP+RLBP=HLIP+RLBp，然后计算识别成功率。其中直方图交叉距离式如式(5)所示X(ILBP+RLBP,PLBP+RLBP)YLBP+RLBp(m)-PLBP+RLBp(m)(5)ILuBp+RLBp(m)+PLBp+RLBp(m)j?n=1m=其中，Y表示的是融合子图像数量，Z表示的是所生成融合特征向量的长度。3实验结果与分析为了验证本文改进算法的有效性与准确率，在两个人脸数据集：ORL人脸数据集和ExtendYaleB人脸数据集以及一个掌纹数据库：香港理工大学PolyU掌纹图像数据集上进行了一系列实验。并且做了大量的对比实验，与LBP、R LBP、CS_LBP、C S_LD P、LBP与CS_LDP的融合算法多种同类算法进行了比较，证明了本文提出的融合算法在一些方面的优势。为了验证融合算法在噪声干扰下的鲁棒性，本文还进行了抗噪声实验以及对比实验，为数据集图像添加了椒盐噪声以及泊松噪声进行实验。最后对各算法复杂度进行了分析。3.1图像数据集ORL人脸数据集是由英国剑桥的Olivetti研究实验室在1992年4月至1994年4月期间创建的。其中包含40 0 张图像，其中包括40 个人，每人10 张在不同的时间、不同的光照、不同的面部表情（睁眼/闭眼，微笑/不微笑）和面部细节（戴眼镜/不戴眼镜）环境下采集的，是人脸识别常用的数据集之一。图4（a)是该在数据集中截取的图片。本文实验中，采用双线性插值将每幅图像大小调整为6 46 4像素进行预处理。图4(b）截取的是Yale大学创建的ExtendYaleB人脸数据集，该数据集包括38 个人，每人6 4张，共2 432 张在不同光照、不同表情和不同姿态下的人脸图像。根据摄像机与实验者人脸的方向角（12,2 5,50 7 7,90）将每个人的6 4张照片分为5个子集，每人每个子集的人脸数目分别为（7，12,12,14,19)。在本实验中同样将其进行预处理为6 46 4像素大小的图像。图4(c)是从香港理工大学PolyU掌纹图像数据集中截取的部分图像，PolyU掌纹数据库包含7 7 52幅BMP图像格式的灰度图像，对应38 6 个不同的掌纹。该数据集中所有原始掌纹图像的分辨率为38 42 8 4像素，在本文实验中所有的图像均被调整为6 46 4像素大小。(a)ORL人脸数据集中的样本(b)ExtendYaleB人脸数据集中的样本(c)香港理工大学polyU掌纹数据集中的样本图4子预处理样本图像3.2不同分块下的性能分析实验中首先对图像进行预处理，采用双线性插值将每幅图像大小调整为6 46 4像素，然后为其选取适当的分块进行后续实验。分块对于识别效果有着极大的关系，分块数过多会导致引人噪声，扩大噪声对实验结果的影响。分块数过少会导致特征过少，不够丰富，从而影响识别效果，本文使用在每个数据集上随机选取样本数n=5来进行分块实验，通过重复实验10 次求取平均识别率来确定后续实验分块数。图5（a）是在ORL数据集上进行实验的实验结果，结果表明在ORL数据集上取2 2 分块时识别率最高，分264块数过多或者过少都影响了实验的准确率，后续一系列在ORL数据集上的实验会以2 2 分块进行。图5（b）是在ExtendYaleB数据集上的实验结果，由此可知，在8 8 时实验准确率达到最高。在此数据集上进行了更细致划分的1616分块的附加实验，实验准确率比8 8 略微提高，但是时间损耗过大，因此后续系列实验在8 8 分块的基础上进行。图5(c）是在polyU掌纹数据库中的分块实验结果，在44分块时识别率达到很好的效果,因此在polyU掌纹数据库中的后续系列实验在44分块的基础上进行。98TLBP96O-RLBP一本文算法9492%/率活9088868482801*1122*2244*44888分块数/块图5(a)在ORL人脸数据库中的分块结果90*LBP80O-RLBP一本文算法7060%/率5040302010111*2222*44*4488*8分块数/块图5(b)在ExtendYaleB人脸数据库中的分块结果100959085%/率店807570-LBP65O-RLBP本文算法601*1122*22*44*44888分块数/块图5(c)在香港理工大学polyU掌纹数据库中的分块结果3.3不同样本数据下的性能分析实验识别率除了与上述的分块有很大关系外，与训练样本数也有很大的关系，一般情况下，随着训练集样本数的增加，识别率也会提高。因此，在接下来的实验是在每个数据集中对每个受试者在不同的样本数的情况下进行实验验证。3.3.1在ORL数据集上的实验根据实验数据集的大小，在每个数据集上选择相应的分块与样本数进行实验。表1为在ORL数据集上由分块实验验证取得最好效果的分块数为2 x2情况下，在每个受试者的样本中随机选择训练集样本数为n（n=3,4,5,6,7），剩余样本作为测试集进行实验，重复10 次实验，将实验得到的结果绘制在下图6 中，并求取10 次实验的平均识别率与标准偏差，在下表1中列出。经过实验验证，本文提出的融合算法与其它几种算法相比有较好的识别精度。表1ORL人脸数据集中的平均识别率(%)与标准偏差（%)3Training samples4Training samples5Training samples6Training samples7Training samplesLBP88.141.3492.582.2394.951.4296.440.5996.920.97RLBP87.681.6192.042.3294.971.6596.63 1.3997.171.12LBP+RLBP891.3493.33 2.2695.91.697.63 0.5798.330.79CS-LBP80.153.3382.42.8787.622.0191.971.3293.250.97CS-LDP73.822.4279.212.3883.151.5685.31 2.0586.172.05CS-LDP+LBP87.64 1.2492.172.1294.851.4396.5 0.8997.080.983.3.2在ExtendYaleB数据集上的实验光照变化一直是人脸识别中具有挑战性的问题，关于应对光照方面的问题，在不同的光照下各种算法的识别精度有较大的差异。为了验证融合算法在关照影响下的鲁棒性,在著名的ExtendYaleB人脸数据库上进行了实验验证，该数据集包括38 名受试者，每个受试者有6 4张图片，是较大的数据集。表2 为本随机选择每一位受试者图片样本数为n(n=5,6,7,8,9)作为训练样本，每个受试者剩下的6 4-n张图片作为测试集数据，在上述实验验证取得最好效果的分块数88块的情况下进行的下列实验。该实验重复进行10 次，通过将这10 次实验计算平均识别率作为实验最终结果绘制在下图7 中，实验结果包括平均识别率以及标准差在下表2 中呈现。经过实验验证，本文提出的融合算法在ExtendYaleB人脸数据库上呈现出了较好的识别效果，相比于其它几种算法的识别精度有所提高。实验结果证明了该融合算法在解决光照问题方面有了很大的改善。265100959085%/率话8075*LBPO一RLBP70一本文算法B一CS-LBP65O-CS-LDP*-CS-LDPplusLBP6034567样本数/个图6 在ORL数据集上的平均识别率100米LBP一RLBP95一本文算法CS-LBP-CS-LDP90-CS-LDPplusLBP%/率咕8580757065605689样本数/个图7在ExtendYaleB数据集上的平均识别率表2ExtendYaleB人脸数据集中的平均识别率（%）与标准偏差（%）5 Training samples6 Training samples7 Training samples8Training samples9 Training samplesLBP83.51.2586.491.8788.322.1188.533.1290.791.25RLBP82.422.1685.461.3288.23.1289.45 3.4991.23 3.19LBP+RLBP84.380.7587.321.2189.122.2391.322.9193.47 2.11CS-LBP71.882.1275.83.6581.223.1283.663.1984.843.92CS-LDP63.76 7.6968.518.2171.487.4772.368.3974.376.05CS-LDP+LBP77.527.2481.547.5483.656.8484.167.0885.696.873.3.3在PolyU掌纹图像数据集上的实验为了进一步更好的评估融合算法的适用场景以及算法性能，在香港理工大学PolyU掌纹图像数据集中进行了实验。PolyU掌纹图像数据集是经常被用来用于掌纹识别的数据集之一。表3为在PolyU掌纹图像数据集中得到的实验结果,随机选择每个受试者样本数为n(n=1,2,3,4)作为训练数据，剩余样本数作为测试集进行实验，并且在上述实验验证取得最好效果的分块数44的情况下进行的实验得到的平均识别率以及标准偏差，实验结果在图8 中呈现。表3polyU掌纹数据集中的平均识别率(%)与标准偏差(%)1 Training samples2 Training samples3Training samples4Training samplesLBP91.781.4297.3 3.8599.830.1899.90.21RLBP94.70.9998.13 1.9999.73 0.1499.850.24LBP+RLBP94.081.2898.332.6799.870.1799.90.21CS-LBP90.91.8492.362.1795.021.6296.80.88CS-LDP89.053.1492.662.4794.64 1.1495.510.84CS-LDP+LBP93.881.0996.330.8898.160.2499.20.21999795%/率9391L-LBP89-RLBP一本文算法BCS-LBP87e-CS-LDP-CS-LDPplusLBP米85123样本数/个图：衣在polyU数据集上的平均识别率3.4自适应融合LBP和RLBP的性能分析为了进一步提高融合算法的识别效果，本节添加了对融合算法加权的实验。前面章节做的分块和分类实验都是在LBP和RLBP在1:1的融合情况下进行的，本章节采用的加权实验引人一个变量alpha，a l p h a 的取值在0 到1之间。如式(6)所示,实验通过改变alpha的值（初始值设为0.1,每隔0.1大小取值进行一次测试，直到alpha的值为0.9停止）来实现在多分辨率下的性能分析，通过比较得到的实验结果，得到最佳的识别率来提高算法的有效性。Dist=alpha Dist_lbp+(1-alpha)Dist_rlbp(6)其中,Dist是融合算法生成的训练集与测试集特征模板向量266之间融合后的距离,Dist_lbp表示LBP特征在两个模板向量之间的距离,Dist_rlbp表示RLBP特征在两个模板向量之间的距离。本实验在ORL数据集上采用分块数2 2,样本数为4，alpha从0.1到0.9进行了10 次实验并求取平均值；在YaleB数据集上采用8 8 分块，样本数为10，进行10 次实验求平均值；在ployU数据集上采用4x4分块，训练样本数为2 进行10次实验求取平均值。实验结果如下表4所示，通过结果得知，融合算法在ORL数据库上alpha的值为0.6 时识别率达到最高，为93.92%；在YaleB数据库上alpha值为0.3时识别率达到最高，为8 9.96%；在掌纹数据库polyU数据库上alpha值为0.5时识别率达到最高，为96.1%。表4融合算法在多分辨率下的平均识别率（%）0.10.20.30.40.50.60.70.80.9ORL90.6791.4692.2993.2593.3393.9293.9293.3392.46YaleB88.7189.8489.9689.688.9287.5685.983.6180.98poly U95.1595.4895.8596.0796.196.195.8795.6395.4510095908580米-LBPO-RLBP一本文算法750.10.20.30.40.50.60.70.80.9不同分辨率图9融合算法在不同分辨率下的识别率3.5在不同噪声环境下的性能分析为了评估本文提出的融合算法在不同噪声情况下的性能，进行了几种算法在经过噪声处理过后数据集上的对比实验。在一般情况下，给图像增加噪声会使得算法的识别率降低，算法的性能下降。因此在噪声环境下能取得较好的识别率也从另一个角度验证的算法的鲁棒性。实验结果证明本文融合算法提取到的图像特征识别信息更加丰富，相比与其它算法抗干扰能力也更强。本文在ORL人脸数据集上进行噪声实验，实验中将选取的图像使用函数imnoise（T r a i n _i m，s a l t&p e p p e r，0.1)添加椒盐噪声，这里的Train_im是训练样本中的图像。采用图10(a)ORL数据集中的一张原始图像图10(b)加了椒盐噪声后的图像图10(c）添加泊松噪声后的图像imnoise（T r a i n _i m，p o i s s o n ）添加泊松噪声，如图10 所示。然后在ORL数据集中选择n（n=2,3,4,5）个添加噪声的样本进行训练，其余样本作为测试集。实验重复10 次计算出平均识别率。与CS_LDP15以及LBP和 CS_LDP融合算法15 进行了比较。表5在ORL数据集中图像加入噪声情况下各算法的平均识别率（%)1 Training samples2 Training samples3Training samples4Training samples原始图像LBP81.7888.1492.5894.95RLBP81.2887.6892.0494.97CS_LDP73.3182.6390.8294.01LBP+CS_LDP79.0387.3492.5195.12本文算法83.378993.3395.9加人椒盐噪声LBP71.6376.0783.2585.52671 Training samples2Training samples3Training samples4TrainingsamplesRLBP67.4773.9677.9681.7CS_LDP36.5342.3151.9555.67LBP+CS_LDP55.4269.4475.6880.92本文算法74.2279.828588.95加人泊松噪声LBP28.530.2932.4233.55RLBP33.1937.2539.3341.9CS_LDP16.3323.1827.3529.65LBP+CS_LDP19.9225.7229.7132.68本文算法35.0339.7942.0844.5经过噪声实验，得出以下几个结论：1)泊松噪声对识别性能产生了较大的影响，添加椒盐噪声对识别性能的影响较小。2)本文融合算法在加人噪声后的识别准确率优于其它算法，证明了融合算法的应对噪声具有更好的鲁棒性。3.6算法复杂度分析融合算法虽然在很多方面表现出了它的优势，但是算法复杂度却是它的一个劣势。在此对各算法的分析，通过比较各算法使用乘法、加法与比较次数来分析各算法的复杂度。假设选取一张图像I，分别选用LBP、R LBP、C S_LBP、C S_LDP、LBP与CS_LDP的融合算法以及本文提出的LBP与RLBP的融合算法进行特征提取。提取过程中操作如下：将该图像分成S个大小相同的块，每个子块长为M像素，宽为N像素；然后统计实验计算量，每进行一次加法运算，Cadd的值增加1,每进行一次乘法运算，Cmu的值增加1，进行一次比较运算，Ccom的值增加1统计总计算量R。经过统计得出，各算法在提取特征生成特征向量的过程中产生的计算量不同，如使用LBP算法以及RLBP算法提取图像I产生的计算量为RBp=SxMN(15Cad+7Cmul+8Ccom）,使用CS_LDP算法提取图像1产生的计算量为Rcs_LDp=SxMxN(7Ca+3Cmul+4Ccom），使用本文算法提取图像1产生的计算量为RLBP+CLBp=SxMN(23Cada+7Cmu+16Ccom)。在各算法进行特征提取产生特征向量所需要的计算量统计如下表6所示。表6特征提取计算量分析算法计算量LBPRLBp=SMxN(15Cad+7Cmul+8Ccom)RLBPRRLBp=SMxN(15Cad+7Cmul+8Ccom)CS_LBPRcs_LB=$MxNx(7Cad+3Cmul+4Ccom)CS_LDPRcs_LDp=SxMxNx(7Cad+3Cmul+4Ccom)LBP 与 CS_LDPRLBP+CS_LDp=SMNx(15Cad+7Cmul+16Ccom)融合本文算法RLBP+CLB=SMxN(23Cad+7Cmu+16Ccom)4结论针对由于特征提取单一导致人脸特征不能被完整表达，识别率不高的问题，使用将LBP与RLBP算法融合之后，人脸局部纹理特征被充分提取,增强了算法的鲁棒性。本文将LBP、R LBP、融合算法、CS_LBP以及CS_LDP进行了分块和分类实验，实验结果显示出了融合算法提取到的图像特征识别信息更加丰富且在ORL、Ex t e n d Ya l e B和polyU掌纹数据集上平均识别率更高。融合算法在不同分辨率情况下进行了实验，通过调节参数alpha的值使得算法得到更高的识别率。噪声影响实验中结果也优于其它算法。但是，融合算法在算法复杂度上是一个短板，本文也对各算法的复杂程度做了详细分析，希望后续研究在保证识别率的前提下能够在该方面进行优化。参考文献：1Liu L,Chen J,et al.From BoW to CNN:Two decades of texturerepresentation for texture classification J.International Journal ofComputer Vision,2019,127(1):74-109.2Hegde G P.Subspace based Expression Recognition Using Combi-national Gabor based Feature Fusion J.International Journal ofImage Graphics&Signal Processing,2017,9(1):50-60.3Chen X W,Huang T.Facial expression recognition:A clustering-based approach J.Pattern Recognition Letters,2003,24(9-10):1295-1302.4X Xu,C Quan and F Ren.Facial expression recognition based onGabor Wavelet transform and Histogram of Oriented Gradients C.2015 IEEE International Conference on Mechatronics and Automa-tion(ICMA),2015:2117-2122.5Ojala T,Pietikainen M,Maenpaa T.Multiresolution Gray-Scaleand Rotation Invariant Texture Classification with Local Binary Pat-ternsJ.IEEE Transactions on Patterm Analysis and Machine In-telligence,2002,24(7):971-987.6胡敏，滕文娣，王晓华，许良凤，杨娟.融合局部纹理和形状特征的人脸表情识别J.电子与信息学报，2 0 18，40（6）：1338-1344.（下转第32 6 页）326上接第2 6 7 页）压系统的功率消耗最大的点其功率为17 0 W，整个过程中液压系统消耗的功为139 7 J。通过数据，可以很明显的得到在液压回路中运用液压软开关具有很大的节能性，对液压系统工作过程中瞬时的压力和流量脉冲也有很好的减缓作用。6总结总结整个设计过程，为了解决在不同的负载条件下，多举缸的液压系统举升的同步性设计了一种智能电磁换向阀，通过控制不同举升速度的举缸供油回路的通断来调节多个举缸的举升位移,实现在同一时间条件下多举缸举升位移的一致性。同时，为了解决在智能电磁换向阀控制回路通断的过程中，由于回路的频繁通断而产生的压力脉冲和流量脉冲，导致出现能量损耗、响应不及时等问题。设计了一种用于液压系统的软开关，通过仿真结果显示，液压软开关参与液压系统后对以上问题的改善具有明显的积极作用。参考文献：1诊许仰曾“工业4.0”下的“液压4.0”与智能液压元件技术J.流体传动与控制,2 0 16,7 4:7-16.2闻德生，李德雄，隋广东，赵国强.齿轮同步多马达在液压同步回路中的应用J.华中科技大学学报（自然科学版），2 0 2 0，48(5).3 崔以刚，崔中星.基于AMESim的液压支架试验台液压同步控制系统的设计J.自动化技术与应用,2 0 2 0,39（2 9 9）：2 9-33.7吴昊，胡敏，高永，王晓华，黄忠.融合DCLBP和HOAC特征的人脸表情识别方法J.电子测量与仪器学报,2 0 2 0,34（2）：7 3-79.8Ojala T,Pietik?Inen M,Harwood D.A Comparative Study of Tex-ture Measures with Classification Based on Feature DistributionsJ.Pattern Recognition,1996,29(1):51-59.9王嘉欣，雷志春。一种基于特征融合的卷积神经网络人脸识别算法J.激光与光电子学进展，2 0 2 0,5 7（10）：339-345.10D Chen,X Cao,F Wen and J Sun.Blessing of Dimensionality:High-Dimensional Feature and Its Efficient Com