基于自適應(yīng)加權(quán)LBP和協(xié)作表示的人臉表情識(shí)別.pdf

1、面部表情是人與人面對(duì)面溝通中的一種非自然語(yǔ)言,表情中所代表的信息對(duì)于人機(jī)交互和情感研究等相關(guān)課題都起著至關(guān)重要的作用,而這些課題的研究對(duì)人工智能領(lǐng)域的發(fā)展也起著極大促進(jìn)的作用。文中采用了基于自適應(yīng)加權(quán)局部二值模式（Local Binary Pattern,LBP）和協(xié)作表示分類(lèi)（Collaborative Representation based Classification,CRC）的表情識(shí)別算法。本文主要從特征提取、特征降維和分類(lèi)器

2、這三個(gè)方面進(jìn)行了研究，主要的研究工作有：
　　（1）原始的LBP算子只能表示圖像的局部特征而不能表示圖像的全局特征，并且原始的LBP算子無(wú)法區(qū)分圖像中不同區(qū)域所表示的紋理信息。針對(duì)上述問(wèn)題，文中提出采用自適應(yīng)加權(quán)的LBP方法對(duì)表情圖像進(jìn)行特征提取。主要步驟是：首先將表情庫(kù)里的圖像進(jìn)行尺度大小的歸一化處理；其次根據(jù)不同的分塊方式將圖像進(jìn)行均勻分塊；然后利用LBP的均勻模式提取分塊好的圖像的特征并計(jì)算出每個(gè)子塊直方圖的信息熵；最后以每

3、個(gè)子塊直方圖的信息熵的值作為加權(quán)因子，對(duì)表情圖像的特征直方圖進(jìn)行加權(quán)。
　　（2）為了滿(mǎn)足稀疏表示分類(lèi)器和協(xié)作表示分類(lèi)器中的分類(lèi)條件，探索表情分類(lèi)中的特征維數(shù)與識(shí)別率之間的關(guān)系，需要對(duì)提取后的特征進(jìn)行降維。文中利用主成分分析法（Principal Component Analysis,PCA）降低了加權(quán)后的表情圖像的特征維數(shù)。因?yàn)槲闹胁捎玫幕谙∈璞硎镜姆诸?lèi)器和基于協(xié)作表示的分類(lèi)器都要求訓(xùn)練樣本字典在滿(mǎn)足特征維數(shù)小于訓(xùn)練樣本的個(gè)數(shù)

4、的前提下才能進(jìn)行正確分類(lèi)，所以必須要對(duì)特征提取后的訓(xùn)練樣本進(jìn)行特征降維。滿(mǎn)足上述條件的同時(shí)，在最終的實(shí)驗(yàn)中也研究了表情分類(lèi)中的特征維數(shù)與識(shí)別率之間的關(guān)系。
　?。?）在基于稀疏表示的分類(lèi)方法中，因過(guò)分強(qiáng)調(diào)稀疏約束進(jìn)行l(wèi)1范數(shù)求解，存在算法復(fù)雜的問(wèn)題。為此，文中將協(xié)作表示的方法應(yīng)用于人臉表情識(shí)別中。因?yàn)榛趨f(xié)作表示的分類(lèi)器（CRC）主要是從基于稀疏表示的分類(lèi)器（Sparse Representation based Classifi