基于HOSVD分类的非特定人脸表情识别算法

由于人脸外观、光照、姿势变化等对人脸表情特征提取的影响,非特定人脸表情识别率普遍较低.针对上述问题,提出一种基于高阶奇异值分解(HOSVD)分类的非特定人脸表情识别算法.算法融合局部方向模式(LDP)全脸特征和中心化二值模式(CBP)局部特征,以增强人脸表情特征的鉴别力,引人HOSVD建立表情子空间进行分类识别,从而减少人脸外观对表情特征的影响,同时利用HOSVD求解区域能量用于精确匹配.在JAFFE数据库上的非特定人脸表情实验结果表明,HOSVD分类算法相比传统最近邻算法更能区分表情图像的特征,识别率提高了 18％,此外,LDP融合CBP特征相比LDP特征和CBP特征更能准确描述人脸表情,识别率分别提高了 17％和12.2％.由此可见,上述方法对解决非特定人表情识别问题具有更好的识别效果.     

基于主动形状模型差分纹理和局部方向模式特征融合的人脸表情识别

针对人脸表情识别背景复杂性以及表情识别的鲁棒性问题,基于Dempster-Shafer(DS)证据理论,提出了一种融合主动形状模型(ASM)差分纹理特征和局部方向模式(LDP)特征的人脸表情识别方法。ASM差分纹理既能有效地屏蔽个体人脸之间的差异,又能保留人脸表情信息。LDP特征通过计算8个方向的边缘响应来对图像进行编码,因此具有很强的抗噪能力,能够捕捉人脸因表情而产生的细微变化。在DS证据理论融合时,针对不同的特征对表情的识别率,分别用不同的权重系数来计算概率分配值。通过对JAFFE和Cohn-Kanade混合数据库进行实验,表情识别的平均识别率为97.08%,比单特征LDP高出一个百分点,有效地提高了表情识别率和鲁棒性。     

基于改进LDP的人脸识别

针对基于局部方向模式LDP(Local Directional Pattern)人脸识别方法识别率较低的问题,提出一种基于改进LDP的人脸识别方法。该方法对LDP编码进行方向归一化处理,选取结构对比信息对各LDP人脸分块进行加权处理,提取人脸的LDP直方图特征,最后计算加权卡方距离得到人脸识别的结果。实验结果表明,该方法应用于FERET和CMU PIE人脸图像库,相对于PCA、LBP和LDP算法,识别率均有了明显的提高。     

结合改进的LBP和LDP的人脸表情识别

提出了一种结合改进的LBP（局部二值模式）和LDP（局部定向模式）的人脸表情特征提取方法。改进的LBP维数明显降低,更多地考虑了空间结构信息且计算速度得到了提高。LDP方法具有很强的抗噪能力,更好地提取边缘信息。基于两种方法可以优势互补,先对图像分块子区域用改进的LBP进行特征提取,再用LDP对脸部子区域进行特征提取,最后把改进的LBP提取的特征和LDP提取的特征按顺序串接起来作为总特征,用最近邻进行分类。在JAFFE表情库进行了实验,证明提出的方法能够有效地提高人脸表情的识别率。     

基于稀疏编码直方图的TSM识别场景文本算法

基于部件的树结构模型(TSM)使用的底层特征梯度直方图(HOG)对文字特征表达性不强,且降维时易造成信息丢失。针对该问题,构建以稀疏编码直方图(HSC)为底层特征的基于部件的树结构模型(HSC-TSM)识别场景文本。将K-SVD学习字典用于计算稀疏编码,逐像素地将稀疏编码聚合成HSC,描述文字的局部外观信息;通过奇异值分解对HSC进行降维,避免信息丢失。HSC-TSM在数据集ICDAR 2003上对各类文字的识别率比TSM高3.08%-10.28%,在数据集ICDAR 2003和SVT上的单词识别率分别提升了5.30%和3.62%。     

偏振编码方式的LDP人脸识别算法

目的 局部二值模式(LBP)作为一种简单高效的纹理特征描述算子,被广泛地应用在纹理分类和人脸识别中。针对LBP及其改进算法局部导数模式(LDP)对噪声敏感的问题,以及仅利用局部像素差分的符号信息进行二值量化提取的纹理特征信息单一的问题,提出一种基于偏振编码方式的LDP改进算法。方法 首先,提取改进的LDP局部一阶差分信息;然后,构建人脸Stokes矢量图像;其次,按照偏振方位角的编码方式提取人脸图像的多方向纹理特征;最后,分块加权统计各子块的直方图向量得到最终的人脸特征向量。结果 在ORL和YALE两个人脸库中进行实验,得到97.4%,92.22%的正确识别率,所用时间与LBP和LDP算法相差无几。当样本数目较大时,复杂度低于LBP方法。在存在高斯噪声和椒盐噪声的情况下,分别得到了93.88%、86.27%和96.13%、84.71%的识别率,均高于LBP算法和LDP算法。结论 本文提出的偏振编码方式的人脸识别算法提取的人脸纹理特征更加丰富,即使在噪声干扰下仍具有较高的识别率,并且对于其他的纹理分类、目标识别也具有一定的参考价值。     

基于四元数局部编码和卷积网络的表情识别

为充分利用彩色图像的颜色信息和通道之间的关联性,提出一种联合四元数矩阵相位信息和幅值信息的特征提取方法,结合卷积神经网络(CNN)进行表情识别。将彩色表情图像表示为纯四元数矩阵并进行Clifford平移,对相位和幅值分别进行局部二值模式(LBP)编码,提取多尺度融合的图像特征,将特征输入CNN进行训练并分类。实验结果表明,该算法在RafD和MMI表情库上的识别率分别为79.42%和93.28%,相比其它表情识别算法,识别率更高且识别效果稳定。     

融合整体与局部特征的低秩松弛协作表示

目前的人脸识别算法经常忽视训练过程中噪声的影响,训练数据受到污染时识别性能会明显下降.针对该问题,提出了融合整体与局部特征的低秩松弛协作表示的人脸识别算法.通过低秩分解抑制训练样本的稀疏噪声,得到更加有效的人脸信息.利用松弛协作表示得到判别性更强的编码系数,增强人脸识别系统的判别性.为进一步提高识别率,提取局部特征的同时引入整体特征,运用整体特征和局部特征共同表示人脸图像.实验结果表明,尽管训练过程、测试过程都受到噪声污染,提出的算法对有光照、遮挡及表情变化的正面人脸图像的识别具有很好的鲁棒性,比现有的识别算法拥有更高的识别率.     

基于特征融合的人脸表情识别研究

针对现有的人脸表情识别方法易受到光照、噪声等因素的影响导致识别率较低的问题,本文提出了一种基于特征融合的人脸表情识别方法。从两方面对表情信息进行描述,通过局部二值模式(LocalBinaryPattern,LBP)和词袋模型(BagOfWords,BOW)分别对表情图像进行纹理特征和语义特征提取,然后将两种特征进行线性融合,最后使用支持向量机(Support Vector Machine,SVM)进行表情分类识别。本文方法在JAFFE和CK+表情数据集上分别取得了98.76%和97.58%的识别率,验证了所提出方法的有效性。     

双空间局部方向模式的人脸识别

目的 针对传统局部方向模式（LDP）在特征提取的充分性、对光照和噪声等的鲁棒性以及识别时间长短这3方面不能同时取得一个很好的平衡效果,提出了一种双空间局部方向模式（DSLDP）的人脸识别方法。方法 首先,将图像3×3邻域像素灰度值与8个Kirsch模板算子卷积,得到8个方向的边缘响应值,然后,将近邻边缘响应值之间相应作差,对应8个方向的边缘响应差值,将两组值取绝对值,取各自最大值的方向编码成一个二位八进制数,产生DSLDP码。最后,在人脸描述阶段将人脸图像进行分块并把每块转换成DSLDP图,再对DSLDP图进行直方图统计,并利用信息熵对每块进行加权,将所有子块的直方图连接生成人脸特征,再通过PCA进行降维,用最近邻分类器分类识别。结果 在剑桥大学Olivetti实验室（ORL）、Aleix Martinez and Robert Benavente （AR）和中国科学院（CAS-PEAL）的人脸图像数据库进行实验,相比局部方向模式（LDP）、显著型局部方向模式（SLDP）、增强型局部方向模式（ELDP）、局部方向数字模式（LDN）、差值型局部方向模式（DLDP）、中心对称局部方向模式（CSLDP）和梯度中心对称局部方向模式（GCSLDP）,DSLDP具有更好的识别性能。5幅测试样本时,在ORL库上取得了97.82%的平均识别率,在AR光照、表情、遮挡A和遮挡B库分别取得了98.00%、98.33%、99.33%、87.67%的平均识别率,在CAS-PEAL光照、表情和饰物库分别取得了99.33%、95.33%、90.00%的平均识别率。结论 1）该方法既考虑了近邻边缘响应值的外在变化,也考虑了近邻边缘响应值之间的内在变化,通过将强度空间和梯度空间人脸特征信息结合使人脸特征得到更加充分的提取。2） DSLDP只考虑邻边缘响应值和边缘响应差值的最大值情况,突出了主要边缘梯度信息,同时又避免了不重要信息的干扰,相比同类基于局部方向模式的单一人脸识别算法,对光照、表情、噪声、遮挡等情况表现出更强的鲁棒性。3） DSLDP码是由二位八进制数构成,特征模式数降低到64,识别时间明显降低。因此,DSLDP算法能同时在识别效果,稳定性和识别时间上取得一个较好的平衡效果。