融合LBP和局部稀疏表示的人脸表情识别

为更好获取人脸局部表情特征,提出了一种融合局部二值模式（Local Binary Pattern,LBP）和局部稀疏表示的人脸表情特征与识别方法。为深入分析表情对人脸子区域的影响,根据五官特征对人脸进行非均匀分区,并提取局部LBP特征;为精细刻画人脸局部纹理,整合人脸局部特征,设计了人脸局部稀疏重构表示方法,并根据表情对各局部子区域的影响因子,加权融合局部重构残差进行人脸表情识别。在JAFFE2表情人脸库上的对比实验,验证了该方法的可行性和鲁棒性。     

基于LGBP特征和稀疏表示的人脸表情识别

人脸表情识别是一项充满挑战的工作,提出一种基于局部Gabor二值模式(LGBP)特征和稀疏表示的表情识别方法.对表情图像进行归一化处理,标定眉毛、眼睛、嘴巴等部位的特征点,划分出5个表情子区域.对各个子区域进行多尺度多方向的Gabor滤波,对Gabor系数图谱进行局部二值模式(LBP)编码,通过直方图方法降维,形成显著的特征向量.根据特征向量构建符合视觉特征的过完备字典,运用稀疏表示分类方法进行表情识别.通过在JAFFE表情库上进行实验,表情识别率达到87.5％,表明了该方法的有效性.     

基于稀疏表达和改进的LBP算子的人脸表情识别

基于局部二值模式(LBP)算子在人脸表情识别中直方图维数高、判别能力差、具有冗余信息等缺点,提出一种中心二值模式(CBP)算子并对人脸表情关键部位(眉毛、眼睛及嘴巴部分)提取特征。最后利用稀疏表达分类器对提取的表情特征进行识别。实验结果表明,该算法的识别效果有了极大的提高。     

面向人脸表情识别的双模板稀疏分类方法

提出一种面向人脸表情识别的双模板稀疏分类方法(DT-SRC)。该算法在用训练样本组成观测矩阵的基础上,通过添加正、负双模板构造新的观测矩阵,最后使用稀疏表示分类(SRC)进行识别。分别在JAFFE和CK人脸库中进行验证,结果表明,该算法识别准确率高,比SRC有更好的性能。     

自适应加权LGCP与快速稀疏表示的面部表情识别

针对传统LBP特征提取方法对非单调光线变化比较敏感且无法对全局特征进行稀疏表示的缺陷,提出一种自适应加权局部格雷码模式（Local Gray Code Patterns,LGCP）与快速稀疏表示相结合的特征提取方法。先对原始图像应用边缘检测算子最大化边缘值,以克服光线变化对特征描述的影响。采用LGCP编码得到八位格雷码并转换为十进制,然后对图像进行分块加权级联,使描述子能够对局部特征进行最优表征;同时,为了得到更好的全局特征的稀疏表示,将级联后的直方图分布特征描述子作为原子构造字典;最后,使用一种快速稀疏表示方法作为分类器进行分类识别。基于扩展Cohn-Kanade（CK+）表情数据集进行多组实验,结果表明该方法的识别速度更快,识别率可达94%。     

基于Gabor小波和稀疏表示的人脸表情识别

通过分析Gabor小波和稀疏表示的生物学背景和数学特性,提出一种基于Gabor小波和稀疏表示的人脸表情识别方法。采用Gabor小波变换对表情图像进行特征提取,建立训练样本Gabor特征的超完备字典,通过稀疏表示模型优化人脸表情图像的特征向量,利用融合识别方法进行多分类器融合识别分类。实验结果表明,该方法能够有效提取表情图像的特征信息,提高表情识别率。     

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。     

基于改进协作表示的人脸表情分类

如今,人脸表情的相关研究是非常热门的话题,研究者愈发的关注其相关分类算法.而提高分类的精度对人工智能等相关前沿领域具有实际的应用价值.目前图像分类的方法层见叠出,其中较为经典的有线性判别分析和稀疏表示等.针对图像分类计算复杂度高,特征利用率以及分类精度等相关问题,本文提出了一种改进的协作表示分类算法.首先采用分块加权局...     

人脸表情的LBP特征分析

为了有效提取面部表情特征,提出了一种新的基于LBP（局部二值模式）特征的人脸表情识别特征提取方法。首先用均值方差法对表情图像进行灰度规一化,通过对图像进行积分投影,定位出眉毛、眼睛、鼻和嘴巴这些关键特征点,进而划分出各特征部件所在子区域,然后对子区域进行分块,提取各个子区域的分块LBP直方图特征。为了验证所提出的方法的合理性,最后在JAFFE表情库上进行了实验,结果表明提出的方法能够有效地描述表情的特征。     

基于面部表情的学生课堂专注度评价研究

本文将表情识别技术应用于课堂教学,建立了一个基于面部表情的学生课堂专注度评价系统,可以给教师提供更加准确和实时的教学评价。首先使用局部二值模式（Local binary patterns,LBP）和局部相位量化（Local Phase Quantization,LPQ）提取图像特征,其次将其融合成为一个新特征并送入支持向量机（Support Vector Machine,SVM）分类器进行表情识别,最后计算专注度得分,并进行学生课堂专注度评价。通过实验,实验结果证明使用该算法进行学生课堂专注度评价是相对可行的,可以为教师的教学评价提供一个客观公正的依据。     

基于分块CBP特征和稀疏表示的三维人脸表情识别

在三维人脸表情识别中,基于局部二值模式（LBP）算子算法与传统的特征提取算法相比具有特征提取准确、精细、光照不变性等优点,但也有直方图维数高、判别能力差、冗余信息大的缺点.本文提出一种通过对整幅图像进行多尺度分块提取CBP特征的CBP算法,能够更有效的提取分类特征.再结合使用稀疏表达分类器实现对特征进行分类和识别.经实验结果表明,与传统LBP算法和SVM分类识别算法对比,文中算法用于人脸表情的识别的识别率得到大幅度提高.     

基于局部二元模式的人脸表情识别

提出了一种基于局部二元模式（LBP）和局部保全投影（LPP）相结合的面部表情识别方法。使用LBP算子对图像分块处理,综合人脸局部和整体的特征;再使用LPP对表情特征降维,最后采用支持向量机对面部表情分类。在日本女性人脸表情库上实验表明,本文提出的方法有更好的识别率和更快的识别速度。     

基于多任务联合判别稀疏表示的人脸识别

针对人脸识别中由于姿态、光照及噪声等影响造成的识别率不高的问题,提出一种基于多任务联合判别稀疏表示的人脸识别方法。首先提取人脸的局部二值特征,并基于多个特征建立一个联合分类误差与表示误差的过完备字典学习目标函数。然后,使用一种多任务联合判别字典学习方法,将多任务联合判别字典与最优线性分类器参数联合学习,得到具有良好表征和鉴别能力的字典及相应的分类器,进而提高人脸识别效果。实验结果表明,所提方法相比其他稀疏人脸识别方法具有更好的识别性能。     

基于多频域LBP-TOP的人脸表情识别

针对人脸表情时空域特征信息的有效提取问题,提出一种多频域LBP-TOP与最大间隔球形支持向量机相结合的人脸表情识别算法。采用小波分解增强序列各帧的图像信息,对同频率的子图像序列提取分块改进的LBP-TOP特征,采用最大间隔球形支持向量机进行样本的训练及识别。实验结果证明,该方法能有效提取运动的表情特征,识别率高,同时符合实时性要求。     

基于2维偏最小二乘法的图像局部特征提取及其在面部表情识别中的应用

为了更有效地提取图像的局部特征,提出了一种基于2维偏最小二乘法(two-dimensional partial leastsquare,2DPLS)的图像局部特征提取方法,并将其应用于面部表情识别中。该方法首先利用局部二元模式(localbinary pattern,LBP)算子提取一幅图像中所有子块的纹理特征,并将其组合成局部纹理特征矩阵。由于样本图像被转化为局部纹理特征矩阵,因此可将传统PLS方法推广为2DPLS方法,用来提取其中的判别信息。2DPLS方法通过对类成员关系矩阵的构造进行相应的修改,使其适应样本的矩阵形式,并能体现出人脸局部信息重要性的差异。同时,对于类成员关系协方差矩阵的奇异性问题,也推导出了其广义逆的解析解。基于JAFFE人脸表情库的实验结果表明,该方法不但可以有效地提取图像局部特征,并能取得良好的表情识别效果。     

基于特征分组加权聚类的表情识别

给出一种基于特征加权聚类的表情识别算法．首先通过特征分组加权充分考虑特征之间度量值的不均衡性,更好地描述了同类表情中不同特征作用的差异;其次利用模糊聚类思想在算法中引入表情不确定性描述,给出了基于形状特征识别表情时表情的模糊表示方法．该算法实现简单,计算复杂度低,能够实时、动态地更新训练结果,并且有良好的分类效果．     

基于分类稀疏表示的人脸表情识别

为挖掘不同人脸表情图像的统计特性差异,提出一种基于分类稀疏表示的表情识别算法。首先通过对不同类别表情图像的字典学习,构建满足各类表情图像统计特性的基函数子集,进而采用Lasso算法获得表情图像在由基函数集所张成特征子空间中的稀疏表示,最后通过比较表情图像在各基函数子集上的重构误差实现不同表情的分类识别。基于JAFFE人脸表情数据库的实验结果表明,该算法可以有效克服人脸身份对表情识别的影响,具有较高的表情识别率和鲁棒性。     

基于纹理特征融合的人脸表情识别

局部二值模式(LBP)和韦伯局部描述算子(WLD)是两种图像的纹理描述算子,在图像的特征提取方面有较强的能力。为了更加准确地对人脸表情进行识别与分类,针对LBP在特征提取的过程中只考虑了中心像素点与周围的其他像素点的灰度值之差,WLD仅考虑中心像素点与周围像素点灰度值之间的激励强度与梯度方向关系的问题,提出一种新的特征提取算法—局部二值韦伯模式(LBWP)。首先对图像进行预处理,检验人脸和裁剪有效的表情区域,接着对图像进行LBWP特征提取,在特征提取之后采用SVM的分类器对表情进行识别和分类。该算法在CK+数据集和JAFFE数据集上进行实验仿真,识别率分别达到了97.14%和95.77%。实验结果验证了LBWP算法在表情识别方面的有效性,且丰富了人脸图像特征提取方法。