基于lbp特征人脸表情分析

《基于lbp特征人脸表情分析》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、摘要基于LBP的特征提取方法已经被应用到表情识别工作中，并且表现出了LBP特征用于表情识别的优越性。本文针对基于LBP特征的人脸表情分析这一课题展开了深入的研究，其内容涉及面部特征点检测、LBP特征提取、表情分类等范围，并在已有方法的基础上提出了新的LBP特征提取方法。从表情图像特征来分析，在整体面部提取特征构建的向量会包括许多冗余的信息。如果以合适的方式选择有效的LBP特征是LBP算子应用中的重要问题。更有效、合理地使用局部模式中的主要信息是LBP算子进行改进的主要突破。针对这一问题，本文主要对局部LBP特征的提取进行了研究，具体

2、如下：1．深入分析和研究了传统的LBP特征提取方法。全局人脸图像的LBP特征提取，是比较常用的LBP特征提取方法。对整体人脸图像像素进行LBP操作，然后对人脸图像进行规则分块，提取各分块的LBP直方图构建的特征向量包括了冗余信息。本文通过对传统LBP特征提取方法进行深入分析和研究，总结了其不足之处。2．提出了基于局部区域LBP特征(LLBP)的提取方法。对于表情来说，眼睛、眉毛、鼻子和嘴巴这些器官是非常重要的，它们所在的区域包含的信息更有用，因此，对这些器官所在的区域赋予比较大的权重，应该能够增强表情的特征。再者进行特征提取阶段，可

3、以结合面部特征点，提取特征点区域的LBP特征，构建特征向量，能合理的提取最有判别力的特征。把LLBP划分人脸的方法与Gabor小波特征提取方法相结合，进行了实验。3．提出了基于LBP差值和差值LBP特征的提取方法。同一个人的表情图像，其眼睛、鼻子、嘴巴等器官的分布、大小和形状与中性图像存在一系列的差异，这些差异特征是表情本质的信息。详细介绍了LBP差值和差值LBP特征的概念和提取方法，分别进行了实验验证，对二者进行了分析和比较。实验结果证明差值LBP特征更能有效地描述有表情图像和中性图像的差异。4．提出了基于局部区域差值LBP特征(

4、LDLBP)的表情特征提取方法。本文把差值LBP特征和LLBP的方法相结合，对差值图像进行LBP滤波得到差值LBP图像，然后采用LLBP的方法，提取差值LBP图像中各表情子区域的分块LBP直方图来构建特征。关键词：表情识别；局部二元模式(LBP)；表情特征提取量I。acialexl9resslonanalysisDasenon1一■-●l■lLocalBinaryPatterns(LBP)LiShujuan(Engineeringofinformationandcommunication)DirectedbyprofessorWan

5、gYan-jiang，professorLiuWei—fengAbstractFeatureextractionmethodsbasedonLBP(LocalBinaryPattems)featureshavebeenappliedtofacialexpressionrecognition，anddemonstratedLBPfeatures’superiorityforfacialexpressionrecognition．AimedatthesubjectoffacialexpressionanalysisbasedonLBPf

6、eatures，thisthesiscarriedoutin—depthstudy,involvingfacialfeaturepointsdetection，LBPfeatureextraction，andexpressionclassification，etc．AtlastanewfeatureextractionmethodwasproposedbasedonLocalBinaryPatterns．Fromtheviewoffacialimageanalysis，thereismuchredundantinformationi

7、ntheextractionfromthewholeface．HowtoselectvalidLBPfeatureinasuitablewayistheimportantissueoftheapplicationofLBPoperator．ItisamajorbreakthroughtoimprovingLBPmethodusingthemaininformationoflocalpaRernsmoreeffectivelyandrationMly．Toachievethesolutionofthisproblem，theextra

8、ctionmethodsoflocalLBPfeatureismainlyresearchedinthisthesis，whicharrangedasfollows：1．ClassicalLBPfeatureextractionmet