自适应中心对称局部三值模式的人脸识别

针对局部三值模式描述人脸图像纹理特征时直方图维数过高以及阈值不能自适应选取的缺陷,提出一种自适应中心对称局部三值模式方法。首先,用具有降低维数的中心对称局部三值模式算子对人脸图像编码,把邻域像素均值引入编码中以增强抗噪性能;其次,嵌入统计邻域均值与邻域像素的标准差作为阈值以自适应提取人脸特征,并统计特征直方图;最后用卡方距离度量训练样本特征直方图和测试样本特征直方图的相似度,采用最近邻分类器分类识别。所提算法在YALE、Extended Yale B人脸图像库上的最高正确识别率分别达到99.67%,99.33%;识别一张人脸的速度分别达到0.1984和0.3988 s。实验结果表明,所提算法对光照变化和噪声更加鲁棒,有效提高了人脸识别的精度和速度。

改进单演中心对称LTP的表情识别算法

为了解决人脸表情识别过程中传统方法存在的特征模式表征能力不足的问题,提出了改进的基于表情子区域单演中心对称局部三值编码的表情特征算法。通过对表情子区域提取单演特征获得人脸表情的振幅、相位、方向信息;针对获取的单演特征进行量化编码,其中单演振幅特征采用了改进的中心对称动态阈值三值编码,进而得到人脸表情的单演中心对称局部三值特征;将单演中心对称局部三值模式特征的直方图引入最近邻分类器进行分类,最终实现人脸表情识别。在JAFFE数据库和CK+数据库上的仿真结果表明:改进算法相比传统特征方法具有更强的特征解析能力,更高的人脸表情识别率。在光照变化、噪声干扰等复杂环境中,算法仍然具有较强的鲁棒性。

微表情识别综述

微表情的微妙和微表情数据集的通病,对人脸微表情识别任务提出了巨大挑战,同时也使得该课题具有旺盛的生命力和极高的研究价值。文章阐述了人脸微表情识别的定义,介绍了主流的微表情数据集,并总结了微表情识别领域中基于三个正交平面局部二值模型的经典方法和基于深度学习的最新技术。

基于边缘云框架的高效安全人脸表情识别

针对物联网环境下数据量大且人脸表情识别率低的问题,提出基于边缘云框架的高效安全人脸表情识别方法。物联网设备通过多秘密共享技术获取用户信息,并分发到不同的边缘云。边缘云利用语谱图和局部二值模式的方法提取语音特征,采用差值中心对称局部二值模式获得图像特征,将特征送至核心云。基于栈式稀疏去噪自编码器融合语音和图像特征,实现人脸表情的识别,并在RML和eNTERFACE’05数据库上进行实验。实验结果表明,该方法的识别准确率明显高于对比方法,抵御网络攻击的能力较强。