| کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
|---|---|---|---|---|
| 847691 | 909231 | 2016 | 4 صفحه PDF | دانلود رایگان |
کلمات کلیدی
1.مقدمه
2. ادغام PCA و LBP
2.1. PCA
2.2. PCA و LBP
3. ادغام PCA و LDP برای استخراج ویژگی
3.1. LDP
شکل 1. الگوهای Kirsch
شکل2. مقادیر برگشتی از هشت جهت گیری
شکل3. فرآیند رمزگذاری LDP (K-3)
شکل4. استخراج ویژگی های LDP
شکل 5. فرآیند استخراج ویژگی و تشخیص حالت صورت
شکل 6. تباین (کنتراست) هیستوگرام LDP و LBP با و یا بدون نویز گاوس
جدول1. نرخ تشخیص حالت صورت در الگوریتم¬ها و شرایط مختلف
3.2. ادغام ویژگی های PCA و LDP
4. آزمایشات و نتایج
5. نتیجه
Facial expression recognition is a research hotspot in the field of human–computer interaction in recent years. The existing method of fusing PCA and LBP for feature extraction is susceptible to random noise and the change of non-monotone illumination. This paper proposes a new fusion method of PCA and LDP (Local Directional Pattern) for feature extraction. First, PCA is adopted to extract global features of facial images. Then LDP operator is used to extract local texture features of eyes and mouth area. After combining the global features with local texture features, the fusion features are obtained. Finally, support vector machine (SVM) is applied to classify and recognize facial expression. The experimental result shows that the method proposed in this paper is more effective than solely adopting PCA or fusion of PCA and LBP. It's more robust to noise and change of non-monotone illumination, and improves the rate of facial expression recognition.
Journal: Optik - International Journal for Light and Electron Optics - Volume 127, Issue 2, January 2016, Pages 718–721