基于自適應加權LBP和協(xié)作表示的人臉表情識別.pdf

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

2、這三個方面進行了研究，主要的研究工作有：
　?。?）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算子無法區(qū)分圖像中不同區(qū)域所表示的紋理信息。針對上述問題，文中提出采用自適應加權的LBP方法對表情圖像進行特征提取。主要步驟是：首先將表情庫里的圖像進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算出每個子塊直方圖的信息熵；最后以每

3、個子塊直方圖的信息熵的值作為加權因子，對表情圖像的特征直方圖進行加權。
　?。?）為了滿足稀疏表示分類器和協(xié)作表示分類器中的分類條件，探索表情分類中的特征維數(shù)與識別率之間的關系，需要對提取后的特征進行降維。文中利用主成分分析法（Principal Component Analysis,PCA）降低了加權后的表情圖像的特征維數(shù)。因為文中采用的基于稀疏表示的分類器和基于協(xié)作表示的分類器都要求訓練樣本字典在滿足特征維數(shù)小于訓練樣本的個數(shù)

4、的前提下才能進行正確分類，所以必須要對特征提取后的訓練樣本進行特征降維。滿足上述條件的同時，在最終的實驗中也研究了表情分類中的特征維數(shù)與識別率之間的關系。
　?。?）在基于稀疏表示的分類方法中，因過分強調稀疏約束進行l(wèi)1范數(shù)求解，存在算法復雜的問題。為此，文中將協(xié)作表示的方法應用于人臉表情識別中。因為基于協(xié)作表示的分類器（CRC）主要是從基于稀疏表示的分類器（Sparse Representation based Classifi