《表1 不同特征提取方法在JAFFE数据集上的识别准确率》
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。
图表编号 | XD00138092300 严禁用于非法目的 |
---|---|
绘制时间 | 2020.01.01 |
作者 | 叶继华、祝锦泰、江爱文、李汉曦、左家莉 |
绘制单位 | 江西师范大学计算机信息工程学院、江西师范大学计算机信息工程学院、江西师范大学计算机信息工程学院、江西师范大学计算机信息工程学院、江西师范大学计算机信息工程学院 |
更多格式 | 高清、无水印(增值服务) |