基于局部二元模式的面部表情识别研究

提出了一种基于局部二元模式（Local Binary Pattern,LBP）与支持向量机（SVM）相结合的面部表情识别方法。使用LBP算子对图像进行处理,对图像的模式进行统计形成面部表情特征;使用线性判别分析对表情特征进行降维处理;采用支持向量机对面部表情进行分类。用Matlab实现了上述方法,并在日本女性人脸表情（JAFFE）数据库上测试,取得了70.95%的识别率。     

融合DCT和LBP特征的表情识别

为了获得更好的面部表情特征,提出了一种融合离散余弦变换（Discrete Cosine Transform,DCT）特征和局部二值模式（Local Binary Pattern,LBP）特征的表情特征提取方法。该方法将人脸图像经过DCT后所获得的低频系数作为表情的整体特征;通过对人脸图像进行分块,计算每个子块的LBP直方图,将这些LBP直方图连接起来形成LBP特征,对该LBP特征使用拉普拉斯特征映射（Laplacian Eigenmaps,LE）降维后得到表情的局部特征。将得到的整体特征和局部特征进行加权融合,使用最近邻分类器进行分类。在JAFFE和Cohn-Kanade表情库上的实验结果表明,该方法比单独使用LBP或者DCT特征,具有更好的效果。     

面向非特定表情的加权和稀疏分类方法

针对在非特定人脸表情识别中,表情纹理特征的利用率不高问题,提出了一种改进的加权局部二值模式（LBP）和稀疏表示相结合的人脸表情识别方法。为了有效利用面部器官的局部纹理信息,采用改进的加权LBP算子提取人脸局部纹理特征,然后用获取的特征值组成训练样本,最后根据稀疏表示理论进行表情分类。在 JAFFE和CK人脸库上的实验结果表明,该方法对非特定人脸表情的识别效果有了明显提高。     

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。     

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。     

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。     

判别性完全局部二值模式人脸表情识别

针对完全局部二值模式（CLBP）存在直方图维数过高和特征冗余,会导致识别速度降低和识别率低的问题,提出基于有判别力的完全局部二值模式（Discriminative completed LBP,disCLBP）的人脸表情识别算法。首先,对人脸表情图像进行预处理获得表情子区域;然后提取表情子区域和整幅图像的disCLBP特征,针对不同的表情筛选出不同的表情特征,再将筛选出的表情子区域特征直方图融合;最后用最近邻分类器进行分类识别。该算法在CK人脸表情库上进行实验的平均识别率为97.3%。     

基于Uniform LBP和DMMA的单样本人脸识别

在单样本人脸识别系统中,为了获得更好的人脸面部特征,提出了一种融合Uniform LBP特征和多流形判别分析（Discriminative Multi-Manifold Analysis,DMMA）的特征提取方法。对每幅人脸图像进行分块构成一个子集。使用统一局部二值模式（Uniform LBP）算子提取每个子集中图像的直方图,每个子集中的直方图形成一个统计流形,应用DMMA算法获得人脸图像的低维特征。采用基于重建的流形-流形间的距离识别未知的人脸图像。在AR数据库和ORL数据库上实验结果表明,该算法的识别性能优于一般的DMMA算法。     

结合LBP圆形算子的CNN面部表情识别研究

利用机器学习中卷积神经网络(CNN)擅长处理图像的优势，结合改进的局部二值模式(LBP)圆形算子，实现了人脸面部表情的识别。提取的人脸表情特征纹理信息得到增强，抑制了图像中光照、背景等干扰因素，并达到了灰度和旋转不变性的要求。在FER2013数据库上的实验结果表明，相比于原始图像的输入，结合LBP圆形算子的CNN结构能够有效提高面部表情识别的准确率。     

非采样Contourlet变换与局部二值模式相结合的人脸识别

针对人脸识别中姿态、光照和表情变化带来的识别率有限的问题,提出了一种基于非采样Contourlet变换(NSCT)与局部二值模式（LBP）的人脸特征提取方法。首先对人脸图像进行非采样Contourlet变换,得到多尺度、多方向的子带系数矩阵,然后利用LBP算子从每个子带系数矩阵上抽取局部邻域关系,得到各子带的LBP特征图谱,最后将这些图谱分块统计并级联后作为人脸的识别特征。利用多通道最近邻分类器的分类结果表明,所提方法能有效提高识别率,所提取的特征对光照、表情和姿态等变化具有更好的鲁棒性。     

基于流形的表情分解算法

提出了基于流形的表情分解算法。首先,运用保局投影将图像投影到低维的表情流形子空间,再在流形子空间里对它们进行高阶奇异值分解,最后在个人子空间和表情子空间里完成人脸和表情识别。该算法用流形学习解决了高阶奇异值分解中的图像特征值提取问题,用高阶奇异值分解解决了流形表情识别中个人模式影响表情识别的问题。是一种流形学习与高阶奇异值分解优势互补的算法。在CMU-AMP和JAFFE人脸库上的实验表明,该算法对人脸和表情识别都十分有效。     

基于Haar小波和保局投影的人脸识别

运用保局投影(LPP)算法进行人脸识别时,噪声会破坏真实流形。为此,提出一种解决噪声的新方法——HaarLPP方法。该方法利用Haar小波变换降低噪声的影响,运用LPP算法进行降维,依据最近邻准则完成人脸识别。基于AT&;T与Sheffiled人脸数据库的实验结果表明,该方法在噪声的敏感性方面优于传统LPP算法。     

基于直接局部保持投影和尺度不变特征变换的人脸识别方法

尺度不变特征变换(SIFT)算法提取的人脸特征具有一定的鲁棒性,但存在数据维数过高和计算过于复杂的问题。为此,提出一种基于直接局部保持投影-尺度不变特征变换(DLPP-SIFT)的人脸识别算法。首先采用SIFT算法进行特征提取,然后结合子空间方法局部保持投影(LPP)进行降维,利用直接对角化方法求取特征矩阵,解决了LPP的奇异值问题。在ORL和FERET人脸库的实验结果表明,DLPP-SIFT算法可显著减少计算复杂度和特征匹配时间,与SIFT、主成分分析(PCA)-SIFT、LPP-SIFT相比,具有更好的鲁棒性。     

Optimal locality preserving projection for face recognition

In face recognition, when the number of images in the training set is much smaller than the number of pixels in each image, Locality Preserving Projections (LPP) often suffers from the singularity problem. To overcome singularity problem, principal component analysis is applied as a preprocessing step. But this procession may discard some important discriminative information. In this paper, a novel algorithm called Optimal Locality Preserving Projections (O-LPP) is proposed. The algorithm transforms the singular eigensystem computation to eigenvalue decomposition problems without losing any discriminative information, which can reduce the computation complexity. And the theoretical analysis related to the algorithm is also obtained. Extensive experiments on face databases demonstrate the proposed algorithm is superior to the traditional LPP algorithm.     

基于自适应最近邻的局部保持投影算法

局部保持投影（LPP）是一种新的数据降维技术,但其本身是一种非监督学习算法,对于分类问题效果不是太好。基于自适应最近邻,结合LPP算法,提出了一种有监督的局部保持投影算法（ANNLPP）。该方法通过修改LPP算法中的权值矩阵,在降维的同时,增加了类别信息,是一种有监督学习算法。通过二维数据可视化和UMIST、ORL 人脸识别实验,表明该方法对于分类问题具有较好的降维效果。     

局部结构保持的鉴别分析方法

局部投影保持LPP(Locality Preserving Projections)是一种局部特征提取算法,它能够有效地保留数据集的局部结构。不相关保局投影鉴别UDLPP(Uncorrelated Discriminant Locality Preserving Projections)在LPP的基础上考虑了类别信息,通过保留类内几何结构并最大化类间距离获得了良好的鉴别性能。结合UDLPP的思想,在UDLPP的基础上提出了一种局部结构保持的鉴别分析方法PCLSP(Pattern Classification based on Local Structure Preserving)。该方法结合了数据集的类别信息以及数据集的局部结构信息,通过最小化类内近邻分离度以及最大化类间近邻分离度来提高鉴别性能,从而进一步反映了数据的局部结构,提高了识别率。通过在ORL(Olivetti-Oracle Research Lab)和YALE两个标准人脸库上实验验证了该算法的有效性。     

基于图像优化局部保留投影的人脸表情识别

提出了一种基于图像优化局部保留投影的人脸表情识别方法。该算法在降维过程中将图像结构信息融入到LPP目标函数中,称之为GOLPP。与LPP不同,GOLPP通过降维处理,获得图像结构信息的同时将投影最优化,这样可从原始表情数据中提取更具判决性的表情信息。基于JAFFE和CED-WYU（1.0）两个表情数据库的识别结果表明,基于GOLPP的特征提取方法能有效地提高识别率。     

基于双向压缩二维保局投影的人脸识别方法

二维保局投影(2DLPP)只在图像的横向进行数据压缩,提取的特征维数较高,针对该问题,结合二维保局投影和可选的二维保局投影,提出双向压缩二维保局投影((2D)2LPP)算法。该算法从横向和纵向2个方向实施2DLPP,使图像的横向和纵向的维数都得到有效的约简。实验结果表明,(2D)2LPP在识别率和识别时间上都优于2DLPP和A2DLPP。     

基于改进的局部保持投影算法的人脸识别

局部保持投影算法是基于流形的学习方法,在人脸识别过程中容易遇到奇异值问题,为此提出一种利用奇异值分解的方法。在模型中,样本数据被投影到一个非奇异正交矩阵中,解决了奇异值问题;然后再根据局部保持投影算法求出新样本空间的低维投影子空间。将训练样本和测试样本分别投影到低维子空间中,再利用最近邻分类器进行分类识别。在ORL人脸数据库中,采用了一系列的实验来对比该算法与传统局部保持投影算法和主成分分析算法的识别效果。实验结果验证了改进的局部保持投影算法在人脸识别的有效性。     

优化局部保留投影及其在表情识别中的应用

提出一种基于优化局部保留投影(OLPP)的人脸表情识别方法。OLPP方法在降维过程中将图像结构信息融入LPP目标函数,通过降维处理,在获得图像结构信息的同时将投影最优化,从而能从原始表情数据中提取更多更具判决性的有效表情信息。JAFFE和CED- WYU(1.0)2个表情数据库的识别结果表明,基于OLPP的特征提取方法能有效提高识别率。