论文研究-融合LBP和局部稀疏表示的人脸表情识别.pdf

所需积分/C币:9 2019-09-13 12:13:01 505KB .PDF
53
收藏 收藏
举报

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。
36 014,50(15) Computer Engineering and Applications计算机工程与应用 整合方法,对分类识别的贡献作用有限。因此,在人脸其中,w:表示人脸表情对第k个子区域的影响因子,影 局部区域直方图表征基础上,为了更精确、细致地描述响因子越大表明该区域受表情影响越大。在识别特定 人脸局部信息,深入挖掘表情对人脸各个子区域的影表情时,应一定程度强化该区域对识别的贡献夲;而在 响,通过对稀疏表示方法的深入探讨,本文提出了一种识别特定人脸时,应一定程度削弱该区域对识别的贡献 基于人脸局部区城稀疏重构表示的表情识别方法。 率。该影响因子可通过实验获得经验值,可近似定义为 稀疏表示"是一和高维信号获取、表示与压缩方该区城对识别的贡献率 法。近年来,随着数学领域的研究发展,特别是对于l1 范数优化问题的研究突破推动了稀疏表示在计算机视4实验结果及分析 觉领域的应用,并且取得了一定的成果。相比传统的为验证所提出的融合LBP和人脸局部区域稀疏表 人脸识别方法,稀疏表示的目标函数更适合人脸识别的示的人脸表情识别方法的有效性,深入剖析表情对人脸 最终任务;稀疏表示具有信源与误差分离的固有属性,子区域的影响,在 JAFFE2表情库上做了详细的对比实 只要人脸表征方式信息量充分,其他人脸尢关特征的介验。该库包含生气、厌恶、害怕、高兴、中性、悲哀、吃惊7 入不会影响算法的识别性能;另外,在稀疏表示框架下,种表情,实验选用该库除中性表情外的每个人每科表情 増加训练样本数量一定程度上能够提高训练集的稀疏的1组数据做训练,剩余表情样本做测试,实验结果见 特性,使稀疏表示更准确,但不会因过多样本的介入而表1。针对表情对人脸子区域的影响,本文做了两组实 使算法识别性能下降。 验,一组将该影响因子均设为1(“本文1”),另一组通过 第2章获取的人脸子区城的局部完整性描述可将实验获得该影响因子的经验值(“本文2”)。同时,为了 毎个人脸样本抽象成一组局部特征向量,也可看作是一进亠步验证小文方法的有效性,实验对比了原始LBP算 组人脸局部描述符的集合,该局部描述符在一定程度上法和同仁的实验结果。 刻画了人脸的独特性。在同类样本相似度较高的先验 表1人脸表情识别实验结果 (%) 知识前提下,根据稀疏表示原理,每个待识别样本可由方法生气厌恶苦怕高兴悲伤吃惊平均 训练集中其同类样本的线性组合近似表示出。 LBP75.8667.86774283.3367.7482.7675.84 对于人脸表情样本s,其第k个区域的局部描述符 本文182.7678.5783.8790.0080.6589.668427 可表示为h2,,则训练集中所有样本该区域的表征方式 本文293.10892993.5596.6790.3296.5593.26 文献[1]86 可按列向量形式排列成训练矩阵H,即 文献[2]84.3082.2084.60834081.3083.7083.30 H=[hks,hk h],H∈R MxN 5 文献3198.3195.258745100.0087.5788.4592.83 其中,N为训练集中人脸样本数量,M为单个人脸样 从表1“本文2”的实验结果可看出,本文提出的融 本的特征维度,即上文所指的灰度级别数量。 合LBP和人脸局部区域稀疏重构表示的方法对人脸表 对于某个测试人脸样本P,其第k个区域的局部描情识别具有较强的鲁棒性,取得了93%左右的平均识别 述符可表示为h。在稀疏表示框架下,对于人脸样本率。对比各个表情的识别效率,高兴和吃惊表情的识别 p的局部稀疏重构可表示为: 率较高,而厌恶和悲伤表情的识别效果稍差。其原因是 I=arg min xll, s.t. Hx sh (6)高兴和吃惊表情比较夸张,对人脸面部局部纹理影响较 上式所描述的最小化优化问题则可通过线性规划大,更容易捕捉该表情的独特性:而厌恶和悲伤表情对 方法求解,进而可将测试样本p的局部区城分别进行稀人脸的纹理影响相对较弱,进而影响了识别效率。在相 疏重构表示。在分类识别阶段,利用公式(6)求出的最同的实验条件下,对比原始LBP算法、本文1”方案和 优解,可计算出测试样本p与训练样本、在笫k个子区 本文2”方案对不同表情的实验结果,本文方法的识别 域的残差(局部残差),即 性能明显优于原始LBP算法,表明人脸局部稀疏重构表 =bk.-∑h,川l (7)示方法对人验表情识别更加有效,也表明融合LBP和局 部稀硫重构表示的识别框架能够有效捕捉人脸表情的 由于表情使人脸发生了刚性的形变,而每个人脸 局部结构信息,较奷地整合人脸局部特征,并精细刻画 子区域受表情因素的影响不尽相同。为了更客观、深入脸局部纹理,进而取得了较好的效果。虽然稀疏表示 地分析每个人脸子区域受各种表情影响的程度,本文米的时间复杂度较高,但人脸局部特征维度较低,因此,基 用加权融合的方式整合上述局部残差,并将最小全局残于人臉局部子区城的稀疏重构表示时间性能尚可。 差对应的训练样本定义为测试样本的最佳匹配对象。 对于表情对人脸局部区域的影响情况,表1中“本 测试样本p与训练样本S的全局残差可表小为 文2”(根据表情对人脸各子区域的实际影响分别设置影 ∑。w2 8)响因子)的实验结果要明显优于“本文1”(假设表情对人 唐恒亮,孙艳丰,朱杰,等:融合LBP和局部稀疏表示的人脸表情识别 2014,50(15)37 脸各子区域的影响相同)的实验结果,表岄基于局部稀 2003,24(9/10):1295-1302 疏重构的加权融合方法能够较好地捕捉表情对人脸局[2]支瑞聪,阢秋琦基于线性判别局部俫留映射的人睑表情 部区域的特定影响,进而提升了人脸表情识别的准确 识别[信号处理,2009,25(2):233-237 率,因此,“本文2”方案对人脸表情识别问题更加鲁棒。[3]iM, Yuan B Z2DLDA: a statistical linear discriminant 为更直观地分析表情对人脸的影响,本文通过对所有人 analysis for image matrix[J. Pattern Recognition Letters 脸数据训练学丬,获取到了表情对人脸各子区域的影响 2005,26(5):527-532 因子(见图3石图,颜色越深表明影响因了越大)。从图3[4]BcuC, Kotropoulos, Ptas. Comparison of ICA appro 可看出鼻子和下巴两侧区域受表情影响较小,对表情识 aches for facial expression recognition J]. Signal, Image 别贡献较弱;而嘴巴、眼睛和眉毛区域纹理受表情影响 and Video Processing, 2009, 3(4): 345-361 较大,其中嘴巴区域尤为明显,这些区域为表情识别提「S]徐正光,闫恒川,张利欣.基于表情识别的独立成分分析方 法的研究门计算机工程,2006,32(24):183-185 供了较强的分类信息。 [6]应自炉,唐京海,李景文,等支持向量鉴别分析及在人脸 表情识别中的应用[电子学报,2008,36(4):725-730 [7 Ojala T, Pictikaincn M, Harwood DA comparative study of texture measures with classification based on feature distributions[J]. Pattern Recognition, 1996, 29(1): 51-59 图3表情对人腌局部的影响 [8 Feng X, Pietikainen M, Hadid A Facial expression recog nition with local binary patterns and lincar programming[J] 另外,许多研究者针对人脸表情识别问题也作了深 Pattern Recognition and Image Analysis, 2005, 15(2) 入的研究,在相同的实验数据下,本文方法的平均性能 546-548 定程度上优于文献[113中的方法,这也证明了本文9] Zhao G, Pietikainen m, Dynamic texture recognition using 方法的优越性:对于特定表情的识别性能不同方法各有 ocal binary patterns with an application to facial expres 千秋。出于实验数据的组织方式存在差异,因此,对比 sions[J]. IEEE Transactions on Pattern Analysis and hine 实验仅供参考。 Intelligence,2007,29(6):915-928 [10] Shan C, Gong S, McOwan P W Facial cxprcssion recog 5结束语 nition based on local binary patterns: a comprehensive 本文提出了一种融合LBP和局部稀疏重构表示的 study[J]. Image and Vision Computing, 2009, 27: 803-816 人脸表情识别方法。为更细致分析表情对人脸的影响,应自炉,方谢燕基于局部二元模式的面部表情识别研 根据五官位置信息对人脸进行非均匀分区,然后提取局 究[计算机工程与应用,2009,45(29):180-183 部区域的LBP特征;在此基础上,为精确刻画人脸表情12】姜锐,许建龙,张爱朋基于改进LBP的人脸表情识别 局部特征,采用局部稀疏表示的方法对人脸局部子区域 浙江理工大学学报.2013,30(4):546-549 进行稀疏重构,并根据表情对各局部区城的影响因子 [13]李睿,赵晓融合DCT和ⅠBP特征的表情识别[计算机 工程与应用,2013,49(15):171-174. 加权融合局部重构残差进行人脸表情认别。在 JAFFE2 表情人脸库上的对比实验验证了本文方法的可行性和141宋克,颜云辉,陈文辉,等局部二值模式方法研究与展 荜[]自动化学报,2013,39(6):730-744 有效性。本文对人脸采用了粗粒度的分区,以后可根据 [15] Donoho D Compressed sensing[].IFFE Transactions on 表情的影响对面部进行细粒度分区研究;另外,人脸面 Information Theory, 2006, 52(4): 1289-1306 部具有左石对称特征,以后可在局部稀疏重构表示时,161石光明,刘丹华,高大化,等压缩感知理论及其研究进 适当引入人脸结构约束,以提高表情识别率。 展门电子学报,209,37(5):1070-1078 [17 Wright J, Yang A, Ganesh A, et al. Robust face 参考文献 tion via sparse representation J.IEEE Transactions on [1 Chen x W, Thomas I Facial expression recognition: a Pattern Analysis and Machine Intelligence. 2009.31(2) based a ch[J]. Pattern Recog 210-227

...展开详情
试读 4P 论文研究-融合LBP和局部稀疏表示的人脸表情识别.pdf
立即下载
限时抽奖 低至0.43元/次
身份认证后 购VIP低至7折
一个资源只可评论一次,评论内容不能少于5个字
您会向同学/朋友/同事推荐我们的CSDN下载吗?
谢谢参与!您的真实评价是我们改进的动力~
  • 至尊王者

关注 私信
上传资源赚钱or赚积分
最新推荐
论文研究-融合LBP和局部稀疏表示的人脸表情识别.pdf 9积分/C币 立即下载
1/4
论文研究-融合LBP和局部稀疏表示的人脸表情识别.pdf第1页

试读结束, 可继续读1页

9积分/C币 立即下载