基于判别性CLBP的人脸表情识别算法

"本文介绍了一种基于判别性完全局部二值模式（DisCLBP）的人脸表情识别算法，旨在解决CLBP特征的高维和冗余问题，提高识别效率和准确率。该算法首先对人脸表情图像进行预处理，提取表情子区域，然后利用DisCLBP方法提取特征，并根据表情类型选择特征，子区域特征直方图融合后，通过最近邻分类器进行识别。实验结果显示，该算法在CK人脸表情库上的平均识别率为97.3%。" 本文探讨的是人脸表情识别技术，特别是在情感计算领域的应用。人脸表情识别是理解和解析人类情绪的关键手段，随着人机交互的日益发展，它在互动游戏、在线教育、娱乐和智能交通等领域有着广泛的应用。人脸表情通常被分为六类：生气、厌恶、恐惧、高兴、悲伤和惊讶。心理学研究指出，这些表情可以通过分析嘴巴、鼻子和眼睛附近的特征来识别。 传统的表情识别方法基于面部行为编码系统（FACS），通过检测特定的面部动作单元来识别表情，但由于动作单元检测的复杂性，这种方法面临挑战。因此，许多研究转向了将人脸划分为固定单元或使用不同尺寸的窗口来提取具有区分性的特征。例如，有些研究将人脸划分为64或80个网格单元，或者使用不同大小的窗口来获取更丰富的特征信息。 针对CLBP（完全局部二值模式）特征存在的高维和冗余问题，本文提出了一种新的DisCLBP方法。CLBP是一种纹理描述符，常用于图像分析和识别，但其高维特征可能导致识别速度下降和识别准确性降低。DisCLBP通过有选择地提取和融合特征，减少了冗余，提高了特征的有效性。在预处理后的表情图像中，算法会选取特定的表情子区域，并提取对应的DisCLBP特征。接着，根据不同表情类型筛选出最有区分力的特征，并将子区域特征直方图融合。最后，使用最近邻分类器对提取的特征进行分类识别，从而实现高效且准确的表情识别。 实验结果表明，DisCLBP算法在CK人脸表情库上的平均识别率达到了97.3%，这显示了该方法在实际应用中的潜力和有效性。这一研究成果为后续的人脸表情识别研究提供了新的思路和方法，有助于进一步提升识别效率和准确率，推动相关技术的发展。