基于局部二元模式的面部表情识别研究

doi:10.3778/j.issn.1002-8331.2009.29.053

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (29): 180-183.DOI: 10.3778/j.issn.1002-8331.2009.29.053

• 图形、图像、模式识别 • 上一篇下一篇

基于局部二元模式的面部表情识别研究

应自炉^1，2，方谢燕¹

1.五邑大学信息学院，广东江门 529020
2.北京航空航天大学电子信息工程学院，北京 100083

收稿日期:2008-05-29 修回日期:2008-08-25 出版日期:2009-10-11 发布日期:2009-10-11
通讯作者: 应自炉

Facial expression recognition research based on local binary pattern

YING Zi-lu^1，2，FANG Xie-yan¹

1.School of Information，Wuyi University，Jiangmen，Guangdong 529020，China
2.School of Electronics and Information Engineering，Beihang University，Beijing 100083，China

Received:2008-05-29 Revised:2008-08-25 Online:2009-10-11 Published:2009-10-11
Contact: YING Zi-lu

摘要/Abstract

摘要： 提出了一种基于局部二元模式（Local Binary Pattern，LBP）与支持向量机（SVM）相结合的面部表情识别方法。使用LBP算子对图像进行处理，对图像的模式进行统计形成面部表情特征；使用线性判别分析对表情特征进行降维处理；采用支持向量机对面部表情进行分类。用Matlab实现了上述方法，并在日本女性人脸表情（JAFFE）数据库上测试，取得了70.95%的识别率。

关键词: 面部表情识别, 局部二元模式, 线性判别分析, 支持向量机

Abstract: A novel approach to facial expression recognition based on the combination of Local Binary Pattern（LBP） and Support Vector Machine（SVM） is proposed.First，the algorithm processes facial expression images with LBP operator and then facial expression features are formed by statistics of image’s LBPs.Then Linear Discrimination Analysis（LDA） method is used for feature dimension reduction and SVM for classification.Finally，the algorithm is implemented with Matlab and experimented in Japanese Female Facial Expression database（JAFFE database）.A recognition rate of 70.95% is obtained and shows the effectiveness of the proposed algorithm.

Key words: facial expression recognition, Local Binary Pattern（LBP）, Linear Discrimination Analysis（LDA）, Support Vector Machine（SVM）

中图分类号:

TP391

应自炉^1，2，方谢燕¹. 基于局部二元模式的面部表情识别研究[J]. 计算机工程与应用, 2009, 45(29): 180-183.

YING Zi-lu^1，2，FANG Xie-yan¹. Facial expression recognition research based on local binary pattern[J]. Computer Engineering and Applications, 2009, 45(29): 180-183.

[1]	高一锴，彭力，徐龙壮. 改进AFSA算法优化TWSVM的火焰识别方法[J]. 计算机工程与应用, 2021, 57(8): 204-213.
[2]	韩卫宇，程龙生. 结合马田系统-SVM的滚动轴承故障模式分类研究[J]. 计算机工程与应用, 2021, 57(6): 239-246.
[3]	雷恒林，古兰拜尔·吐尔洪，买日旦·吾守尔，张东梅. 新奇检测综述[J]. 计算机工程与应用, 2021, 57(5): 47-55.
[4]	温杰彬，杨文忠，马国祥，张志豪，李海磊. 基于Apex帧光流和卷积自编码器的微表情识别[J]. 计算机工程与应用, 2021, 57(4): 127-133.
[5]	李俊侠，张秦，郑桂妹. 超宽带雷达人体姿态识别综述[J]. 计算机工程与应用, 2021, 57(3): 14-23.
[6]	徐先峰，蔡路路，张丽. 融合MLP和DBN的光伏发电预测算法[J]. 计算机工程与应用, 2021, 57(3): 266-272.
[7]	陈富健，谢维信，夏婷. 基于LCT+的自适应抗遮挡目标跟踪算法[J]. 计算机工程与应用, 2021, 57(22): 190-198.
[8]	杨泉. N1+N2结构语法关系判定的SVM算法[J]. 计算机工程与应用, 2021, 57(20): 104-108.
[9]	高晋，赵云芃，Godfred Kim Mensah，李欣芸，刘志芬，陈俊杰，郭浩. 静息态功能脑连接的空间动态分析及分类研究[J]. 计算机工程与应用, 2021, 57(2): 150-155.
[10]	秦博宇，郝晓燕，刘永芳. 基于SVM和CRF双层模型的FrameNet框架消歧[J]. 计算机工程与应用, 2021, 57(18): 255-262.
[11]	郑淋文，周金治，黄静. 深度稀疏自编码器在ECG特征提取中的应用[J]. 计算机工程与应用, 2021, 57(11): 156-161.
[12]	温廷新，孔祥博. 不平衡样本下的金融市场极端风险预警研究[J]. 计算机工程与应用, 2020, 56(8): 256-260.
[13]	陈菲雨，岳文斌，饶颖露，邢金昊，马晓静. 基于改进TLD算法的无人机自主精准降落[J]. 计算机工程与应用, 2020, 56(7): 247-254.
[14]	马玲，罗晓曙，蒋品群. 基于模板匹配和支持向量机的点阵字符识别研究[J]. 计算机工程与应用, 2020, 56(4): 134-139.
[15]	张爱梅，徐杨. 注意力分层双线性池化残差网络的表情识别[J]. 计算机工程与应用, 2020, 56(23): 161-166.

基于局部二元模式的面部表情识别研究

Facial expression recognition research based on local binary pattern

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics