DCT与LBP融合：提升面部表情识别性能的新方法

本篇论文研究于2013年发表，针对人脸识别中的关键环节——表情识别，提出了一个创新的方法，即融合离散余弦变换(DCT)和局部二值模式(LBP)特征的提取策略。论文关注的是表情特征的提取，这是整个系统中的核心任务，因为优秀的特征能显著提升识别准确率。 论文首先介绍了人脸表情识别的一般框架，包括人脸检测、表情特征提取与降维以及表情分类，其中表情特征提取是关键。现有的表情特征提取方法主要分为整体特征和局部特征两大类。整体特征提取技术如主成分分析(PCA)、独立成分分析(ICA)、线性判别分析(LDA)等，以及近年来发展起来的二维主成分分析(2DPCA)、快速独立成分分析(FastICA)、支持向量鉴别分析(SVDA)和离散余弦变换(DCT)等，这些方法侧重于捕捉人脸图像的全局特性。 LBP作为一种局部纹理描述符，因其对表达纹理特征的有效性而被广泛应用。然而，单纯依赖整体特征或局部特征往往无法全面描述表情，因为它们分别关注全局和局部信息，可能忽视了两者之间的关联。因此，作者试图通过融合这两种特征，既保留全局信息的稳定性，又捕捉到局部细节的变化，以增强表情特征的完整性。 具体操作上，论文将人脸图像通过DCT提取低频系数作为整体特征，这些系数反映了表情的基本结构；同时，通过对图像分块并计算每个子块的LBP直方图，形成LBP特征，并利用拉普拉斯特征映射(LE)进行降维，获取表情的局部特征。最后，将整体特征和局部特征进行加权融合，选择最近邻分类器进行表情分类。实验结果显示，这种方法在JAFFE和Cohn-Kanade表情库上表现出优于单用LBP或DCT特征的效果，证明了融合特征在表情识别中的有效性。 论文的作者，李睿和赵晓，来自兰州理工大学计算机与通信学院，他们的工作着重于解决实际问题，通过理论和实践相结合，为表情识别领域的研究提供了新的视角和技术手段。这项研究对于改善表情识别系统的性能，特别是在复杂环境下的表情理解和识别具有重要意义。