44、用于人脸识别的径向均值局部二值模式（RM - LBP）

用于人脸识别的径向均值局部二值模式（RM - LBP）

1. 相关研究工作回顾

在人脸识别和情感识别领域，已经有许多基于局部二值模式（LBP）的方法被提出，但这些方法在无约束条件下的性能存在一定局限性。
- ND - LBP和NM - LBP ：Karanwal等人提出了ND - LBP和NM - LBP两种LBP变体。在ND - LBP中，通过顺时针方向像素的对比来确定特征大小；在NM - LBP中，将邻域像素与它们的均值进行比较来形成特征。最终将二者特征融合得到ND - LBP + NM - LBP。使用PCA和SVMs进行特征压缩和分类，在ORL和GT人脸数据集上进行评估。结果显示，ND - LBP + NM - LBP的性能优于单个描述符和多种文献方法，但在无约束条件下效果不够理想，其特征构建方法的区分性和鲁棒性不足。
- 结合LBP和STFT的情感识别方法 ：Khanna等人利用LBP和STFT两种局部方法进行情感识别。LBP作为局部特征提取器，STFT作为频率特征提取器，通过FDR、方差阈值和卡方检验对特征进行融合和缩减，使用SVMs进行分类。不过该方法使用的是已有方法，未评估新的方法论，在无约束条件下结果不够令人满意。
- MLBP、MnLBP和CLP ：Karanwal等人还提出了MLBP、MnLBP和CLP三种LBP版本。MLBP基于均值，通过邻域像素与整个补丁均值的比较生成代码；MnLBP基于中位数，通过邻域像素与整个补丁中位数的比较生成代码。将LBP、MLBP和MnLBP特征融合得到CLP，使用PCA和SVMs进行压缩和匹配。在ORL和GT数据集上，CLP