《表1 不同特征提取方法在JAFFE数据集上的识别准确率》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《人脸表情识别综述》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

传统的LBP方法将中心像素与单个邻域像素的灰度值进行比较，忽略了中心像素的作用以及一定范围内相邻像素之间的关系，从而导致部分局部特征丢失。面部表情图像特征复杂、细节丰富、类内差异大，使得传统的LBP方法难以详细描述像素在邻域方向上的灰度值变化。所以在LBP的基础上，Sheng等[23]针对LBP算子的覆盖区域难以满足不同尺寸图像纹理的问题，提出了一种多尺度局部二值模式，Kabir等[24]提出了一种基于局部方向模式（Local directional pattern，LDP）方差的人脸描述符用于人脸表情识别，Jabid等[25]提出了基于LDP的方法，提升了表情识别的鲁棒性，Li等[26]通过研究中心像素与相邻像素的定量关系，提出了一种多方向LBP编码方式（Multi-directional LBP，MDLBP），识别准确率较传统LBP方法提升了1.5%。Nagaraja等[27]提出了完全局部二值模式（Complete local binary pattern，CLBP)，引入了一种新的包含边缘特征的完整性概念，用于提取面部表情更重要的特征。此外，Wu等[28]提出了一种自适应鲁棒二值模式（Adaptive robust binary pattern，ARBP)，通过融合平均强度、最小强度和最大强度对阈值方案进行改进。Rubel等[29]提出了一种基于外观特征描述的自适应鲁棒局部完备模式（Adaptive robust local complete pattern，ARLCP），克服了现有局部算子的局限性。表1给出了JAFFE数据集下几种特征提取方法的识别准确率。