基于LBP-Gabor特征融合的LDA人脸表情识别.docx

基于LBP-Gabor特征融合的LDA人脸表情识别
摘要
人脸表情识别在计算机视觉领域中受到了广泛的关注。本文采用基于LBP-Gabor特征融合的LDA算法来进行人脸表情识别。首先使用局部二值模式（LBP）算法提取人脸图像的局部纹理特征。然后使用Gabor滤波器提取人脸图像的局部频率特征。最后将LBP特征与Gabor特征进行融合，并采用线性判别分析（LDA）算法进行分类。实验结果表明，所提出的方法对于人脸表情识别具有较高的准确率和鲁棒性。
关键词：人脸表情识别、局部二值模式、Gabor滤波器、LDA算法
引言
随着计算机技术和数字图像处理技术的不断发展，人脸表情识别已经成为了计算机视觉领域内的一个热点研究方向。人脸表情识别可以应用于多种领域，例如情感识别、安防监控、娱乐产业等等。人脸表情识别的主要任务是对人脸图像的表情进行分类，比如高兴、愤怒、悲伤等。由于表情是一种非常主观的感知，表情识别的准确率和鲁棒性一直是人们研究的重点。
在过去的几十年里，人们提出了许多不同的方法来进行人脸表情识别。其中最早的方法是基于人工设计的特征提取和分类器建模。这种方法的缺点是特征表示不够准确，分类器性能不稳定。近年来，随着深度学习技术的发展，基于深度学习的方法已经取得了显著的成果。然而，深度学习模型的训练需要大量的数据和计算资源，在某些实际应用场景中可能不适用。
本文提出了一种基于LBP-Gabor特征融合的LDA算法来进行人脸表情识别。LBP算法是一种很常用的特征提取算法，通过计算图像像素点周围像素点的差异来描述图像的局部纹理特征；Gabor滤波器是一种能够提取图像的局部频率特征的方法。将LBP特征和Gabor特征进行融合可以更全面、更准确地描述人脸图像的特征信息。使用LDA算法进行分类可以提高分类的精度和可靠性。
本文的组织结构如下：第二部分介绍了本文所采用的LBP-Gabor特征融合算法的详细步骤；第三部分介绍了本文所采用的实验数据和实验评估指标；第四部分对实验结果进行了展示和分析；最后，第五部分对本文进行了总结和展望。
方法
本文提出的基于LBP-Gabor特征融合的LDA算法的详细步骤如下：
1.图像预处理
图像预处理是图像处理中的一个重要环节，处理好的图像可以提高后续算法的鲁棒性和准确率。本文中采用的是直方图均衡化对人脸图像进行预处理。
2.LBP特征提取
局部二值模式（LBP）是一种基于纹理的局部特征提取方法，LBP算法可以用于描述图像的局部纹理特征，是很常用的图像特征描述方法之一。LBP算法将图像的每个像素点周围的像素点与该像素点之间的灰度值差异进行比较，根据差异判断周围像素点与该像素点的关系，然后将这些关系编码为一个二进制数，并使用直方图对编码结果进行统计。
3.Gabor滤波器特征提取
Gabor滤波器是一种能够提取图像局部频率特征的方法。Gabor滤波器在空间域和频率域中都有很好的局部化性质，可以提取图像中的纹理、形状和边缘等特征。Gabor滤波器的核函数是一个二维的高斯函数和一个二维余弦函数的乘积，因此可以提取不同方向和不同频率的特征。
4.LBP-Gabor特征融合
将LBP特征和Gabor特征进行融合可以更全面、更准确地描述人脸图像的特征信息。本文采用加权平均的方法进行融合，即将LBP特征和Gabor特征的加权平均作为最终的特征向量。
5.LDA分类器建模
线性判别分析（LDA）是一种经典的线性分类方法，可以用于降维和分类。LDA算法将高维度的特征向量投影到低维度的空间中，使得类别之间的距离最大化，类内方差最小化。然后通过使用线性分类器进行分类。
实验
本文在FERG数据库上进行实验评估，该数据库包含了人脸表情图像和对应的表情标签。本文采用5折交叉验证的方法进行实验，即将数据集分成5个部分，每次训练时使用其中的4个部分作为训练集，剩余的1个部分作为测试集，重复5次。实验评估指标包括准确率和F1值。
表1为使用不同方法进行人脸表情识别的准确率比较。
方法|准确率(%)
---|---
LBP|56.70
Gabor|60.06
LBP-Gabor|68.08
LBP-Gabor-LDA|75.24
表1不同方法的准确率比较
表2为使用不同方法进行人脸表情识别的F1值比较。
方法|F1值
---|---
LBP|0.5516
Gabor|0.5797
LBP-Gabor|0.6661
LBP-Gabor-LDA|0.7346
表2不同方法的F1值比较
实验结果表明，本文提出的基于LBP-Gabor特征融合的LDA算法相比于其他方法在人脸表情识别上具有更高的准确率和F1值。其中，LBP-Gabor算法的准确率和F1值分别为68.08%和0.6661，而LBP-Gabor-LDA算法的准确率和F1值分别为75.24%和0.73