融合Gabor滤波与LBP的双特征集表情识别提升5%-10%

本文主要探讨了特征集和分类器融合技术在人脸识别，特别是表情识别领域的应用，发表于2014年的《河南科技大学学报:自然科学版》。作者高攀、郭理和汪传建提出了一种创新的方法，通过结合Gabor滤波器和局部二进制模式（LBP）两种不同的特征提取技术，构建一个支持向量机（SVM）分类器池。这种方法的核心在于利用多目标遗传算法来搜索最优化的特征集组合，目标是实现低错误率的同时减小分类器集合的规模。 Gabor滤波器是一种在图像处理中常用的局部频域滤波器，能有效地捕捉到物体的纹理信息，而LBP则是一种简单且有效的局部特征描述符，能够捕捉图像的灰度结构变化。通过这种方式，论文旨在提高表情识别的准确性，克服单一特征集或分类器可能面临的性能瓶颈。 研究者在JAFFE和Cohn-Kanade这两个知名的人脸表情数据库上进行了实验验证。实验结果显示，相比于传统使用单一特征集和分类器的方法，本文提出的方法在识别率上取得了显著提升，分别提高了5%和10%。这一改进对于增强人脸识别系统的鲁棒性和多样性具有重要意义，特别是在复杂或变化多端的环境条件下，融合特征集和分类器能更好地应对表情的细微变化和多样性。 此外，研究背景指出面部表情自动识别技术在人机交互、情感分析等多个领域有着广泛的应用。文中提到的表情识别方法主要分为几何分析和基于外观分析两类，前者依赖于精确的面部特征定位，后者通过整体空间分析捕捉表情变化。Gabor滤波器和LBP作为基于外观分析的方法，因其对光照、表情变化的鲁棒性而受到青睐。 本文的研究成果不仅提升了人脸识别的准确性和效率，也为后续的人脸表情识别技术发展提供了新的思路和改进方向，尤其是在处理复杂表情识别任务时，特征集和分类器的融合策略展示了其优越性。