基于改进的LBP算子和稀疏表达在人脸表情识别上的医用

摘要

众所周知，人脸表情是人们在人际交流中情感的直接流露和内心信息直接表达，是人类感情信息传播与人际关系调和的重要渠道，多被应用到模式识别、机器视觉、智能控制等领域。因此，更高效的人脸表情识别算法的研究具有十分重要的意义。本文主要研究了人脸表情识别过程中的图像特征提取以及图像分类，具体研究内容如下：
　　（1）综述并分析了与人脸表情识别相关的前人研究工作，并详细论述了人脸表情图像的识别过程。同时，介绍了压缩感知基础理论知识，分析了稀疏表示、传感矩阵和稀疏信号重构优化算法，并详细分析了重构优化算法中的贪婪追踪算法和凸优化算法。
　　（2）针对传统 LBP算子特征值计算时并未考虑图像中心像素点，本文提出了分块的C-LBP算子，并将中心像素点加入到特征值计算中并赋予最高权值。同时，基于C-LBP算子特征提取时，考虑不同分块策略和不同特征维数对图像识别率的影响。实验表明：在CK库中，当训练样本达到280、分块策略为5×3时，并采用PCA特征降维方法，本文提出的基于分块 C-LBP算子结合 GPSR分类算法的平均识别率达到80.43％。
　　（3）传统的OMP算法获得字典的稀疏系数值过小或为负数，影响了图像分类准确度。本文提出了改进的OMP算法，通过对稀疏系数直接限制来对信号重构进行优化，以减少稀疏系数负值的产生。实验表明：在JAFFE数据库和CK库中，与OMP算法相比，改进的OMP算法具有较好的识别效果。在CK库中采用PCA结合C-LBP算子进行特征提取时，改进的OMP算法的平均识别率达到了80.30%。

目录

封面

中文摘要

英文摘要

目录

第1章 绪论

1.1 研究背景

1.2 研究意义及应用前景

1.3人脸表情识别基本流程

1.4 本文组织架构

第2章 改进的LBP人脸表情特征提取

2.1 局部二值模式（LBP）

2.2 改进的LBP算子

2.3 本章小结

第3章 稀疏表示理论基础

3.1 压缩感知理论

3.2 图像稀疏表示理论

3.3 传感矩阵

3.4 稀疏信号的重构方法

3.5 本章小结

第4章 基于稀疏表示分类方法的研究

4.1 基于稀疏表示的分类器方法介绍

4.2 梯度投影法

4.3 改进的OMP算法

4.4 本章小结

总结与展望

总结

展望

参考文献

攻读硕士学位期间发表的论文

致谢