基于小波分解和优选VLBP特征表情识别方法.docVIP

基于小波分解和优选VLBP特征表情识别方法 　　摘 要:提出一种基于小波分解和优选的VLBP特征的表情识别方法。该方法首先通过小波分解将原始图像分为几个不同频率的子图像来增强图像信息,然后用VLBP算子对不同频率的子图像运用不同的分块大小提取特征,采用神经网络贡献分析对特征进行选择,最后用SVM分类器进行识别。实验表明,该方法比单纯从原图像中提取VLBP特征更加有效,识别率更高,并且VLBP特征的提取速度快,可用于实时的人脸表情识别。 　　关键词:表情识别; 时空局部二值模式; 小波分解; 神经网络; 支持向量机 　　中图分类号:TP391.41文献标志码:A 　　文章编号:1001-3695(2009)09-3581-03 　　doi:10.3969/j.issn.1001-3695.2009.09.111 　　 　　Expression recognition based on wavelet decomposition and selected VLBP feature 　　ZHAN Yong-zhao, LIU Juan 　　(School of Computer Science Telecommunication Engineering, Jiangsu University, Zhenjiang Jiangsu 212013, China) 　　Abstract:This paper proposed a new method of expression recognition based on wavelet decomposition and selected VLBP feature. This method enhanced original data by wavelet decomposition first, obtained several different frequency sub-images. Then extracted the features from these sub-images with different block size using VLBP operator. After that, selected features by contribution analysis algorithm of neural network. At last, recognized six expressions by support vector machine classifier. The experiments show that this method have higher recognition rate than pure VLBP feature extracted from original image. And tihs method can be used for real-time facial expression recognition because of its high speed. 　　Key words:expression recognition; volume local binary pattern(VLBP); wavelet decomposition; neural network(NN); support vector machine(SVM) 　　 　　0 引言 　　 　　人脸表情识别的研究分为基于静态图像的表情识别与基于图像序列的表情识别。基于静态图像的人脸表情识别已经取得了很好的效果[1,2],但静态图像很难精确揭示细微的表情变化,因此基于图像序列的表情识别已成为目前研究的热点[3]。 　　影响人脸表情识别效果最关键的技术之一是有效的特征提取。目前常用的基于表情图像序列的特征提取法主要有光流模型[4]、特征点跟踪法[5]、动画参数提取法[6]。光流模型对光照变化敏感,提取的特征易产生噪声;特征点跟踪法需要特征点的标记,无法对未标记的表情图像序列进行训练和识别;动画参数提取法涉及到诸多人脸动作单元的分析,一部分对动画参数的分析不准确就直接影响识别效果。最近,Zhao Guo-ying等人[7]提出使用覆盖分块法对表情序列进行VLBP特征提取,并采用SVM进行训练和识别,得到了较高的平均识别率。VLBP特征能较好地反映表情图像序列中的人脸部位变化和纹理变化特征,同时对光照的依赖性并不十分明显,是一种较有效的特征提取方法。然而,文献[7]提取的特征较多,并未考虑VLBP特征的降维与对特征的有效选择,导致特征提取较耗时,同时也限制了识别率的进一步提高。因此,本文提出基于小波分解和优选的VLBP特征