基于LBP算子和稀疏表达分类器的人脸表情识别.pdf

自动化与仪器仪表 2 0 1 4 年 1 0 期 总第1 8 0 期 基于L B P 算子和稀疏表达分类器的人脸表情识别 周吴 火元莲 西北师范大学物理与电子工程 学院 甘肃 兰州 7 3 0 0 6 0 摘要 基于局部二值模式 L B P 算子算法与传统的特征提取算法相比具有特征提取准确 精细 光照不变性等优点 本 文提出的MB L B P 算法在原来L B P 算法的优点基础上能通过分块更有效的提取特征数据 并结合基于压缩感知理论实现人 脸表情的识别 本文主要利用L B P 算法提取人脸表情特征然后用稀疏表达分类器实现对特征进行分类和识别 经实验结果 表明能有效的提高识别率和识别效率 关键词 L B P 算子 MP L B P 特征提取 压缩感知理论 分类器 D OI 编码 1 0 1 4 0 1 6 c n k i 1 0 0 1 9 2 2 7 2 0 1 4 1 0 1 3 7 Ab s hc t C o mp a r e d wi t h the c o n v e n t i o n a l f e a t u r e e x t r a c t io n a l g o r i t h ms t h e a l g o rit hm b a s e d o n L o c a l B in a r y P a t t e m L B P o p e r a t o r i s mu c h mo r e a c c u r a t e p a r t i c u l a r a n d h a s t h e a d v a n t a g e s o f i l l u mi n a t io n i n v a r ia n c e Th e MB L BP o p e r a t o r a l g o r i t h m t h a t p r e s e n t e d in t h e p a p e r n o t o n l y h a s a l l the a d v a n t a g e s o f o r ig in a l L BP a l g o r ithm b u t a l s o is mo r e e ffic ie n t t h a n th e o ri g in a l s I t c o mb in e s t o the t h e o r y o f s p a r s e r e p r e s e n t atio n c a n a c h ie v e f a c ia l e x p r e s s io n r e c o g n it io n I n t h is p a p e r b y u s in g the LBP a l g o r it hm t h e s y s t e m c a n e x t r a c t f a c ia l e x p r e s s io n f e a t u r e an d t h e n id e n t if y o u r e x p r e s s io n v ia c l a s s ifi e r b a s e d o n s p ars e r e p r e s e n t a t io n t h e o ry T h e e x p e r i me nta l r e s u l t s s h o w t h a t it c a n imp r o v e the r e c o g n it io n r a t e a n d e ffi c ie n c y Ke y w 8 L BP o p e r a t o r MB LBP F e a t u r e e x t r a c t io n S p a r s e r e p r e s e n t a t io n Cl a s s ifi e r 中图分类号 T B 7 5 3 文献标识码 B 文章编号 1 0 0 1 9 2 2 7 2 0 1 4 1 0 0 1 3 7 0 4 0 引 言 人脸表情识别在人机交互 交流中作用非常的重要 多被 应用到智能系统中尤其是人工智能领域 根据人的表情不同做 出不同的判断 更好地满足人类生活需求 无论从生活和科研 学术角度都具有较高的研究意义 表情识别主要分为两个部 分 人脸表情识别的特征提取和分类器的选择 特征提取在表情识别系统中有至关重要的作用 决定了整 个系统的识别正确率 特征提取算法经过多年以来的发展 比 较熟知的有 P C A特征值算法 G a b o r 特征算法 L B P 特征算法 2 1 Ha a r l i k e t 1 特征算法以及A A M 特 征算法 研究的重点是提 高算法的识别率和处理速度 本文提出的MB L B P 算法和稀疏 表示分类器相结合的表情识别系统识别率比普通L B P 算法更 高 处理效率更好 提取之后的特征处理便是表情的识别也就是分类器算法主 要有 S V M分类器 A d a B o o s t 分类器以及人工神经网络分类器等 5 7 1 这些算法提出后经过不断改进和应用 已经在人脸表情识 别系统领域得到了广泛应用 随着信号处理系统的加强 其处理的数据量更加复杂和庞 大 对于传统的奈奎斯特采样方式已经不能满足现代信号系统 对处理效率的要求 2 0 0 4 年D o n o h o D L C a n d b s E等人提 出的压缩感知理论 卅 表明 只要信号是可压缩的或在某个变换 是稀疏的 就可以用一个与变换基不想关的观测矩阵将所得高 维信号投影到低维空间 通过优化求解从少量投影中重构原始 信号 其突出优点是对于可稀疏表示的信号 能将传统的数据 采集与压缩结合 大大减少数据的获取时间和存储空间 收稿 日期 2 0 1 4 0 8 2 2 1 基于L B P算法的特征提取 1 1 L B P 特征算子 局部二值模式 1 o c a l b in a r y p a t t e r n L B P 特征是一种典 型的结构与统计相结合的纹理分析方法 作为一种纹理描述算 子 L B P可对图像 中局部邻近区域的纹理信息进行提取和量 化 该算法首先要计算图像中每个像素与其局部邻域点的灰度 值 通过比较中心像素点和临域点的灰度值来对该区域的灰度 进行二值化 最后按照一定的规则进行编码 即所谓的L B P编 码 如图 1 所示 每个像素需要和其邻域点像素的灰度值比较 大小 大的置 1 小的置0 然后计算该像素的L B P 编码值 确定起始位置后按照顺时针或者逆时针读出1 或者0 称为该 中心点的L B P 编码 由定义可以看出L B P 编码记录的是邻域点 和中心点的相对灰度值而非绝对灰度值 因此可以克服表情识 别中由于光照不同引起的图像灰度值变化 这也是为什么说 L B P 特征算法具有光照不变性的优点 2 0 l O 5 0 6 0 2 0 l 5 1 0 l 5 2 5 l O I l O 0 O l l 图 1 L B P特征提取方式 L B P 算法的数学表达式可以表示为 一 1 L B P N R s g 一 g o 2 1 0 其中 N R分别表示该像素点的临域点个数 半径 所 谓半径就是以中心像素点作为圆心 连接临域点所做的圆的半 径 g 是中心像素点 g 其临域点 s x 定义 1 3 7 学兔兔 w w w x u e t u t u c o m 学兔兔 w w w x u e t u t u c o m 学兔兔 w w w x u e t u t u c o m 采用 F DB S S 型在线风量测量装置提高锅炉一 二次风流量测量的可靠性陈海生 4 二次风流量测量装置安装 二次风流量测量装置改造办法是拆除原来测量装置 在原 位置处水平安装 3 组风量测量装置 测量装置按等截面的方法 平均分布在管道内 每根所得到的压差通过稳压管接入导压 管 再接入差压变送器中 安装位置如图5 所示 A侧 二 次 风 流 量 汁 图 5 二次风量测量装置的安装示意图 二次风管道风量测量装置的安装 管道尺寸 3 0 0 0 m m 4 2 0 0 mmx 4 m m 1 0 机组锅炉二次风两侧总风量测量装置 其安装位置 直管段较短 且在前面存在4 5 角弯头 综合各方面因素 考 虑加装稳压管 制定了二次风量测量的改造方案 拆除原来测量装置 在原位置处水平安装 3 组风量测量 装置 测量装置按等截面的方法平均分布在管道内 每根所得 到的压差通过稳压管接入导压管 再接入差压变送器中 测量装置安装示意 图 6 风量测量装置安装注意事项 F D B S S 型风量测量装置的全压感压探头应对准来流方 向 且各探头应保持在同一截面上 F D B S S 型风量测量装置与管道 传压管的连接应采用 焊接 保证绝对密封 F D B S S型风量测量装置与差压变送器连接过程中应注 意全压管与静压管不可接错 F D B S S 型风量测量装置具体安装开孔尺寸为 插入处 8 5 x 3 0 m m 伸出保温层部分 排灰 口 为8 5 x 3 0 m m 4 结语 改造实施完毕后 取得 明显的改造效果 测试 1 0炉一 二次风量测量数据结果准确 稳定 误差在允许范围内 日常 维护工作量小 其连续正常工作时间在 1 年以上 大大提高锅 炉自动投入率 确保锅炉安全稳定经济运行 上接第 1 3 9页 8 D o n o h o D L T s a i g Y E x t e n s i o n s o f c o mp r e s s e d s e n s i n g J S i g n a l P r o c e s s i n g 2 0 0 6 8 6 3 5 3 3 5 4 8 9 C a n d 6 s E Co mp r e s s i v e s a mp l i n g C P r o c e e d i n g s o f t h e I n t e r n a t i o n a l Co n g r e s s o f M a t h e ma t ic ia n s 2 0 0 6 1 4 3 3 1 4 5 2 1 O 靳 薇 面 向身份认证 的人脸识别及应 用 D 西 安 西安 电子科技大 学 2 0 1 1 1 1 S h e n g Ca i L ia o Xi a n g Xi n Z h o u Z h e n L e i e t a 1 L e a r n i n g Mu l t i s c a l e Bl o c k L o c a l B i n a r y P a t t e rns f o r F a c e Re c o g n i t i o n C P r o c e e d i n g s o f I n t e rn a t io n a l Co nf e r e n c e o n Bio me t r ic s S e o ul S p ri n g e r 2 0 0 7 8 2 8 8 3 7 1 2 L u n Z h a n g Ru F angC h u S h iMi n gXI ANG e t a 1 F a c e d e t e c t io n b a s e d o n mu l t i b l o c k L BP r e p r e s e n t a t i o n C P r o c e e d i n g s o f I n t e rna t i o n a l Co n f e r e n c e o n Bi o me t ri c s S e o u l S p r i n g e r 2 0 0 7 1 1 1 8 MB L BP 1 3 Wrig h t J Ma Y i Ma i r a l J e t a 1 S p a r s e R e p r e s e n t a t i o n f o r C o mp u t e r Vi s io n a n d P a t t e rn R e c o g n i t i o n J P r o c e e d i n g o f t h e I E E E 2 0 1 0 03 1 一 0 4 4 1 4 2 1 4 E mma n u e l C a n d e s J u s t i n Ro mb e r g L1 一 ma g ic Re c o v e r y o f S p a r s e S ig n a l s v i a Co n v e x P r o g r a mmi n g R Ca l t e c h 2 0 0 5 1 5 T o n y Ca i L L i e Wa n g O r t h o g o n a l Ma t c h i n g P u r s u i t f o r S p a r s e S i g n a l R e c o v e r y Wi t h No i s e J I E E E T r a n s a c t i o n s o n I n f o r ma t i o n T h e o ry 2 0 1 1 5 7 7 4 6 8 0 4 6 8 8 1 6 Os b o rne M R T u r l a c h B A A h o mo t o p y a l g o rithm for t h e q u a n t i l e r e g r e s s i o n l a s s o a n d r e l a t e d p ie c e wi s e l i n e a r p r o b l e ms J J o u n a l o f Co m p u t io n a l a nd Gr a ph ic a l S t a t is t ic s 2 01 0 1 7 X u Y Da v i d Z h a n g J i a n Y a n g J i n g