遮挡表情识别：AR-WLD与分块相似度加权算法

"本文提出了一种基于非对称邻域韦伯局部描述子(AR-WLD)和分块相似度加权的遮挡表情识别算法，旨在解决非约束环境下，局部遮挡对表情识别造成的影响。AR-WLD通过扩展方形邻域至非对称邻域并进行多尺度分析，增强特征描述能力。同时，通过信息熵衡量不同面部区域的不确定信息，定义相似性距离的权重，以减少遮挡区域的干扰。实验在JAFFE库和CK库上验证了该算法的有效性，提高了WLD的分类准确性和鲁棒性。" 基于AR-WLD和分块相似度加权的遮挡表情识别是深度学习和计算机视觉领域的一个研究焦点，主要应用于人脸识别和情感计算。在非约束环境中，如日常社交场景，面部表情识别可能会受到各种因素的干扰，尤其是局部遮挡。这种遮挡可能来自头发、眼镜、饰品或者拍摄角度等，使得传统的表情识别方法效果下降。 文章中提出的解决方案首先采用了非对称邻域韦伯局部描述子(AR-WLD)。这是对传统韦伯局部描述子(WLD)的一种改进，WLD是一种用于图像描述的算子，它能捕捉图像局部结构变化。AR-WLD通过改变邻域形状，增加了描述符的适应性和鲁棒性，尤其是在处理遮挡时，能更好地保持特征的完整性。此外，通过多尺度分析，AR-WLD能够更全面地捕获图像的细节和全局特性。 接下来，文章引入了分块相似度加权策略。这一策略将面部区域划分为不重叠的子块，每个子块对应于不同的面部特征。通过信息熵来量化每个子块的不确定性，信息熵越大，表示子块包含的不确定信息越多，对表情识别的贡献相对较小。因此，定义了一个基于信息熵的相似性距离权重，以区分不同面部区域的重要性。在分类过程中，对这些子块的相似度加权求和，从而降低了遮挡部分对整体表情识别的影响。 实验结果在两个标准数据库——JAFFE和CK上进行了验证。这两个数据库包含了多种类型的表情，为算法提供了丰富的测试数据。结果显示，AR-WLD在有遮挡的情况下显著提升了WLD的分类性能，并且分块相似度加权的策略进一步减少了遮挡区域对识别准确性的影响。这证明了所提算法在应对遮挡表情识别问题上的有效性。 这篇研究提供了一种新颖的、适应遮挡环境的表情识别方法，结合了鲁棒的特征描述和权重分配策略，对于提升非约束环境下的人脸表情识别系统的性能具有重要意义。这对于未来的情感识别、人机交互以及监控等应用场景具有潜在的应用价值。