基于LBP纹理稀疏表示的人脸面部表情识别

宋俊芳 西藏民族大学信息工程学院

面部表情识别可以为人机智能交互的可靠性和准确性提供可靠的保证。人脸表情信息丰富，常见的基本表情有生气(anger)，厌恶 (disgust)，恐惧 (fear)，开心 (happiness)，中性 (neutral)，悲伤(sadness)，惊讶(surprise)。在现实生活中，准确把握人脸面部表情，对于远程教学系统，驾驶员安全驾驶等情况，有着相当重要的意义。

1 基于小波变换的 LBP纹理计算

输入的静态面部图片通常是不统一的非规则图片，需要先进行图像预处理，这里采用小波变换处理方法。先将人脸表情图像分解成相互关连的四幅表情图像，即低频图像，水平高频图像，垂直高频图像和对角斜线高频图像；然后对这四幅图像进行重构，在重构每个分解图像时，将其他三种分解图像置为零，最后就可以得到与原图像大小一致的表情图像，该图像不仅对原始图像信息做了很好的保留，还将人脸的眼睛，鼻子，嘴巴等部位的特点更加精确细腻地表达了出来。之后对人脸表情重构图像采用LBP算法进行纹理特征提取，用于表情分类。

2 稀疏表示分类

稀疏表示方法是目前较为流行的二分类机器学习算法 ，具体原理如下：

上等式通常是超定的，我们可以通过L0范数来求解其稀疏解

考虑到噪声的影响，稀疏表示模型可以被改写为

给定一个某表情类别中的测试样本y，通过上面的(3)或者(5)两个公式，首先求得测试样本的稀疏解，其中非零的元素将对应于矩阵A中的某一列，也就是某一类，然后该测试样本就可以归结为此类。

但是，由于噪声和模型误差的影响，很可能使得一小部分非零的元素与多个类别有关，在这样的情形下，我们选择在所有的训练样本来表示测试样本y的系数里面相关性最好的。为此对于每个类别i，建立一种特征映射关系，让，选择与第i类相关的系数。假如对于是一个新的向量，这样就使得中的非零元素与第i个类别相一致。

3 实验结果与分析

先针对原始JAFFE表情库和AR表情库进行测试。JAFFE表情库库中包含了213幅（每幅图像的分辨率：256像素×256像素）日本女性的人脸表情图像。AR人脸数据库是由126名志愿者（70名男性和56名女性）的超过4000张的彩色人脸图像构成，每幅图像的分辨率为256像素×256像素。图1为表情库中的部分原始表情图片，从左到右表情依次为高兴，中性，悲伤，惊讶，恐惧，厌恶，生气。

图1 原始图像

下表1为JAFFE表情库和AR表情库上中进行表情识别准确率的统计结果。

表1 JAFFE表情库和AR表情库上识别准确率对比

从结果中看出，本文的修正LBP算法加稀疏表示识别人脸表情效果较好，尤其对于尖叫惊讶表情，其面部特征明显区别于其他三种表情，所以取得了最好的识别效果。

为进一步验证本文方法的鲁棒性，对不同程度高斯噪声污染之后的表情图像进行了测试，图2是高兴表情添加不同方差的高斯噪声后的图片，从左到右添加方差大小依次为0.001，0.005，0.01，0.05，0.1，0.5。

图2 添加高斯噪声后的高兴表情图像

从图中看出，噪声较大时，面部表情已变得极为模糊，这给识别带来一定的难度，但用本文方法仍达到了较高的准确率，表3是对两个表情库中所有高兴表情分别添加不同的方差噪声之后识别的统计结果。

表3 添加高斯噪声后表情识别结果对比

由上表数据分析可知，本文识别算法在0.1方差噪声干扰下，高于50%的识别准确率，表现出了较好的鲁棒性。

[1]Darwin C.The Expression of the Emotions in Man and Animals[M]. John Murray: reprinted by University Chicago Press , 1872.

[2]蒋斌,贾克斌,杨国胜.人脸表情识别的研究进展[J].计算机科学,2011,38(4), 25-31.

[3]左坤隆.人脸表情自动分析与识别系统的研究[D]. 天津大学2004.

[4]房德峰.浅谈改进的LBP算法[J].现代企业教育.2013(16).

[5]赵晓.基于稀疏表示的人脸识别方法研究[D].北京工业大学，2013.

[6]李志星.基于图像特征的稀疏表示人脸识别算法研究[D]. 燕山大学,2012.