典型文献
OD-LBP与加权HOG特征融合表情识别方法研究
文献摘要：
面部表情识别是人机交互领域的重要核心,丰富的面部表情特征是提高面部表情识别率的关键之一.正交差分局部二值模式(Orthogonal difference-local binary pattern,OD-LBP)和方向梯度直方图(Histogram of Oriented Gradient,HOG)的融合特征可以很好地表达出面部表情的局部和全局特征信息,但是没有考虑到面部不同部分对表情识别贡献程度不同.因此提出了一种先对人脸图像中的面部表情敏感区域提取OD-LBP特征,再将人脸图像均匀分块并提取HOG特征,计算每子块的改进空间频率值对HOG特征加权,然后与OD-LBP特征融合形成新的特征,并利用主成分分析(Principal Component Anal?ysis,PCA)降维,最后利用分类器中的支持向量机(Support Vector Machine,SVM)完成特征分类的面部表情识别方法.基于Pycharm平台,在表情数据集JAFFE和CK上验证该算法的有效性.仿真实验结果表明,该算法的表情识别率分别为95.4％和96.9％,较未考虑区域重要性的融合特征的识别率提高了2.2％和2.1％,且在不同姿态、光照条件下具有良好的鲁棒性.
文献关键词：
面部表情识别;正交差分局部二值模式;加权方向梯度直方图;主成分分析;支持向量机
中图分类号：
作者姓名：
郑伟
作者机构：
南京邮电大学 通信与信息工程学院,南京210003
文献出处：
引用格式：
[1]郑伟-.OD-LBP与加权HOG特征融合表情识别方法研究)[J].智能计算机与应用,2022(06):7-12
A类：
正交差分局部二值模式,加权方向梯度直方图
B类：
OD,LBP,HOG,特征融合,面部表情识别,人机交互,识别率,Orthogonal,difference,local,binary,pattern,Histogram,Oriented,Gradient,融合特征,出面,全局特征,特征信息,贡献程度,人脸图像,敏感区域,区域提取,分块,改进空间,空间频率,特征加权,Principal,Component,Anal,ysis,分类器,Support,Vector,Machine,特征分类,Pycharm,表情数据集,JAFFE,光照条件
AB值：
0.308397
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
