基于异向高斯核与RILPQ的模糊人脸表情识别方法.docx

基于异向高斯核与RILPQ的模糊人脸表情识别方法
基于异向高斯核与RILPQ的模糊人脸表情识别方法
摘要：
随着计算机视觉和机器学习技术的快速发展，人脸表情识别成为了一个热门的研究领域。然而，现有的人脸表情识别方法在处理模糊图像时效果不佳。本文提出了一种基于异向高斯核与RILPQ的模糊人脸表情识别方法。首先，通过异向高斯核对图像进行滤波，以增强图像的边缘信息。然后，使用局部二值模式描述子提取人脸表情特征。接着，利用改进的RILPQ算法进行特征降维。最后，通过支持向量机分类器对表情进行识别。实验结果表明，所提出的方法在模糊人脸表情识别上具有很好的性能。
关键词：人脸表情识别，异向高斯核，RILPQ，模糊图像
1.介绍
近年来，人脸表情识别技术已经在诸多领域得到了广泛应用，包括人机交互、情感计算、安防监控等。然而，人脸表情识别在实际应用中面临着很多挑战，其中之一就是对模糊图像的处理。由于多种因素的影响，如摄像头的运动模糊、光照条件的变化等，人脸图像往往存在一定程度的模糊。传统的人脸表情识别方法在处理模糊图像时往往效果不佳。因此，针对模糊人脸表情识别问题，本文提出了一种基于异向高斯核与RILPQ的方法。
2.相关工作
在人脸表情识别中，特征提取是一个关键的步骤。传统的方法包括基于几何特征的方法和基于纹理特征的方法。基于几何特征的方法通常需要对人脸进行检测和对齐，然后提取几何特征如距离、角度等。然而，这些方法对于模糊图像的处理效果不佳。基于纹理特征的方法则利用滤波器去提取人脸的纹理特征，如局部二值模式（LBP）。然而，这些方法对于模糊图像的纹理信息并不敏感。
3.方法
3.1异向高斯核
为了增强模糊图像的边缘信息，本文引入了异向高斯核进行滤波。异向高斯核可以在不同方向上对图像进行滤波，得到具有丰富边缘信息的图像。通过多次滤波操作，可以得到高质量的图像边缘信息。
3.2RILPQ
为了提取人脸表情特征并降维，本文采用了RILPQ算法。RILPQ算法利用局部区域的纹理特征进行描述，并通过PCA算法降维。通过RILPQ算法，可以得到高质量的人脸表情特征，并且将特征维度降低，以提高分类性能和降低计算复杂度。
3.3支持向量机分类器
为了将人脸表情特征映射到具体的表情类别，本文采用了支持向量机（SVM）分类器。SVM是一种常用的分类器，具有较好的泛化能力和准确性。通过训练SVM分类器，可以实现对人脸表情的识别。
4.实验结果
本文在一个包含大量模糊人脸图像的数据集上进行了实验。实验结果表明，所提出的基于异向高斯核与RILPQ的方法在模糊人脸表情识别上具有很好的性能。与传统方法相比，所提出的方法在模糊图像上的表情识别精度提高了很多。
5.结论
本文提出了一种基于异向高斯核与RILPQ的模糊人脸表情识别方法。通过引入异向高斯核对图像进行滤波，增强图像的边缘信息。然后使用RILPQ算法提取人脸表情特征，并通过支持向量机分类器进行识别。实验结果表明，所提出的方法在模糊人脸表情识别上具有很好的性能。未来的工作可以进一步优化算法，提高模糊人脸表情识别的准确性和鲁棒性。
参考文献：
[1]GengX,ZhouXS,ZhangZJ,etal.FusingTexturalandGeometricFeaturesforFacialExpressionRecognition[C]//201118thIEEEInternationalConferenceonImageProcessing.IEEE,2011:1857-1860.
[2]TenaJR,EscaleraS,BaróX,etal.Fusingfaciallandmarkingwithdeeprepresentationsforfacialbehavioranalysis[J].ExpertSystemswithApplications,2016,61:33-42.
[3]LiJ,LuK,MengX,etal.FusionofFacialExpressionTrackingandLocalTexture-SpatialModelsforAffectiveVideoAnalysis[J].IEEETransactionsonCircuitsandSystemsforVideoTechnology,2017,PP(99):1-1.