自适应加权融合显著性结构张量和LBP的表情识别.pdf

本文探讨了一种新的表情识别算法，该算法结合了自适应加权融合的显著性结构张量和局部二值模式（LBP）特征。在表情识别领域，这种方法具有重要的实际应用价值，尤其在教育、心理分析、医学和商业场景中。表情识别通常包括图像预处理、特征提取和分类识别三个步骤，而本文的重点在于特征提取和分类识别。 文章指出传统的LBP特征提取方法存在忽视图像局部结构信息的问题。LBP是一种简单有效的纹理描述符，能有效捕捉图像的局部灰度变化，但在处理复杂或有结构信息的表情图像时可能不够充分。为解决这一问题，作者提出了一种新的特征提取策略，即通过显著性结构张量来补充LBP的不足。 显著性结构张量是一种用于表示图像局部结构的方法，它可以捕捉到图像中的边缘、纹理和区域信息。在表情识别中，显著性区域通常是那些与表情密切相关的人脸运动单元（AU单元）所在的部位，如眼睛、眉毛、嘴巴等。通过检测这些显著性区域，可以更精确地定位表情的关键特征。 论文中提到，采用了自适应加权融合的方式来结合显著性结构张量和LBP特征。通过全局显著性区域检测得到高分辨率的显著图，从而去除图像中的细小纹理和噪声。接着，基于显著图提取两种显著性纹理特征，这两种特征能够更好地突出表情的关键区域。然后，根据每种特征的信息熵贡献度来动态调整特征向量的权重，使得重要特征得到更多关注，从而提高识别效果。 为了实现表情的分类，论文采用支持向量机（SVM）作为分类器。SVM是一种强大的机器学习工具，它能在高维空间中找到最优分类超平面，对于非线性可分问题尤为有效。实验结果显示，这种自适应加权融合的特征组合能够显著提升表情识别的准确率，验证了该方法的有效性。 这篇论文提出了一种创新的融合方法，将显著性结构张量和LBP特征进行自适应加权融合，以增强表情识别的性能。这种方法不仅考虑了图像的局部结构信息，还利用显著性区域检测增强了特征的表达能力，最终通过SVM实现高效分类，为表情识别提供了一个新的研究方向。