基于LBP多特征融合的人臉表情識(shí)別.pdf

1、隨著人臉識(shí)別的盛行，越來(lái)越多人開(kāi)始關(guān)注計(jì)算機(jī)對(duì)人臉表情的識(shí)別。而這其中人臉檢測(cè)與特征提取在模式識(shí)別領(lǐng)域中占著重要的地位。目前針對(duì)表情識(shí)別中的人臉檢測(cè)和特征提取涌現(xiàn)大量經(jīng)典算法，有基于線(xiàn)性與非線(xiàn)性特征提取算法。其中局部二值模式得到較多的關(guān)注與研究。
　　該論文主要的工作核心與方向概括為以下三個(gè)方面：
　　針對(duì)傳統(tǒng)的Adaboost算法只關(guān)注分類(lèi)錯(cuò)誤率最小的問(wèn)題，提出了基于LBP和代價(jià)敏感Adaboost相結(jié)合的人臉檢測(cè)方法。在

2、現(xiàn)有AdaBoost基礎(chǔ)上，對(duì)Adaboost算法加入敏感代價(jià)學(xué)習(xí)模型。首先對(duì)人臉圖像進(jìn)行LBP特征提取，然后在訓(xùn)練分類(lèi)器階段引入代價(jià)敏感學(xué)習(xí)，對(duì)于數(shù)據(jù)集上的不同類(lèi)別樣本根據(jù)錯(cuò)分后造成的代價(jià)大小不同來(lái)更新樣本權(quán)值，改進(jìn)后的算法由關(guān)注分類(lèi)錯(cuò)誤率最小轉(zhuǎn)而關(guān)注分類(lèi)代價(jià)最小。
　　針對(duì)中心對(duì)稱(chēng)局部二值模式(CS-LBP)算法在特征提取時(shí)水平對(duì)稱(chēng)分量會(huì)對(duì)圖像識(shí)別帶來(lái)負(fù)面影響的問(wèn)題，提出了增強(qiáng)中心對(duì)稱(chēng)局部二值模式(Enhanced Cente

3、r-Symmetric Local Binary Pattern，ECS-LBP)和嵌入式隱馬爾可夫模型(Embedded Hidden Markov Model，EHMM)相結(jié)合的表情識(shí)別算法。首先提高圖像沿對(duì)角方向分量的優(yōu)先級(jí)，然后降低水平分量對(duì)圖像的負(fù)面影響，最后與嵌入式隱馬爾可夫模型相結(jié)合進(jìn)行人臉表情識(shí)別。通過(guò)在CK人臉庫(kù)和JAFFE人臉庫(kù)上進(jìn)行實(shí)驗(yàn)，結(jié)果表明該算法的表情識(shí)別率明顯高出其他的局部二值模式算法的識(shí)別率。