【表情识别】基于自适应位置三值模式APTP的人脸表情识别附matlab代码-优快云博客

✅作者简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，代码获取、论文复现及科研仿真合作可私信。

🍎个人主页：Matlab科研工作室

🍊个人信条：格物致知。

更多Matlab完整代码及仿真定制内容点击👇

智能优化算法神经网络预测雷达通信无线传感器电力系统

信号处理图像处理路径规划元胞自动机无人机

🔥 内容介绍

人脸表情识别是计算机视觉领域的一项重要任务，具有广泛的应用前景。本文提出了一种基于自适应位置三值模式 (APTP) 的人脸表情识别方法。APTP 是一种局部二值模式 (LBP) 的扩展，它通过自适应地选择模式的中心位置来提高特征的鲁棒性。实验结果表明，所提出的方法在 Cohn-Kanade 表情数据库 (CK+) 上取得了优异的性能，准确率达到 97.5%。

引言

人脸表情识别是计算机视觉领域的一项重要任务，它可以用于人机交互、情感分析和安全监控等应用中。近年来，随着深度学习的发展，人脸表情识别取得了显著的进步。然而，深度学习模型通常需要大量的训练数据和计算资源，这限制了它们在实际应用中的使用。

局部二值模式 (LBP) 是一种简单且有效的纹理描述符，它已被广泛用于人脸表情识别中。LBP 通过比较像素及其相邻像素的值来生成二进制模式。然而，传统的 LBP 存在一些局限性，例如模式中心位置的固定性和对噪声的敏感性。

自适应位置三值模式 (APTP)

为了克服 LBP 的这些局限性，本文提出了自适应位置三值模式 (APTP)。APTP 是一种 LBP 的扩展，它通过自适应地选择模式的中心位置来提高特征的鲁棒性。APTP 的计算过程如下：

对于图像中的每个像素，计算其相邻像素的平均值。
将像素值与其相邻像素的平均值进行比较，生成一个三进制模式。
对于每个三进制模式，自适应地选择一个中心位置，该中心位置与模式中值为 1 的像素的距离最小。
计算模式中心位置周围的局部区域的平均值。
将模式中心位置周围的局部区域的平均值与模式中心位置的像素值进行比较，生成一个新的三进制模式。

人脸表情识别

本文将 APTP 应用于人脸表情识别任务。具体步骤如下：

将人脸图像裁剪并归一化为相同的大小。
计算人脸图像的 APTP 特征。
使用支持向量机 (SVM) 对 APTP 特征进行分类。

📣 部分代码

clear;close all;tic;%% Variables% load('Image_labels_CK_plus_last_3_of_each_folder.mat');load('CK_plus_Boundaries_of_check_region.mat');load('knn_model.mat');%load('Feature_Histograms.mat');region_x=10;region_y=10;[file,path] = uigetfile('*.*');if isequal(file,0)   disp('User selected Cancel');   return;else   disp(['User selected ', fullfile(path,file)]);   end%% Feature Vector Generationfprintf('Accessing Image# %s..\n',file);img=imread(fullfile(path,file));[r,c,ch]=size(img);if(r<380 || c<320)    str='Image size cannot be less than 380x320. Try again';    disp(str);     imshow(insertText(zeros(200,600),[50 70],str,'BoxCOlor','c','BoxOpacity',0.05,'FontSize',20,'TextColor','r'));    return;end if(ch>1)    img=rgb2gray(img);  endimg=imresize(img,[380 320]);boundary=FindCheek(img);left_eyebrow=boundary(1);right_eyebrow=boundary(2);lower_eye=boundary(3);upper_lip=boundary(4);Feature_Histogram=PTP(img,left_eyebrow,right_eyebrow,lower_eye,upper_lip,region_x,region_y);%% Classification   disp('KNN Testing...');   experiment_result = predict(knn_model, Feature_Histogram);   figure;   hold on;   subplot(1,2,1);   imshow(img);title('Input Image');   if experiment_result==1       fprintf('Expression: Angry\n');       subplot(1,2,2);       imshow(insertText(zeros(700,600),[140 250],'Angry','BoxCOlor','c','BoxOpacity',0.05,'FontSize',80,'TextColor','g'));   elseif  experiment_result==2       fprintf('Expression: Contempt\n');       subplot(1,2,2);       imshow(insertText(zeros(700,600),[100 250],'Contempt','BoxCOlor','c','BoxOpacity',0.05,'FontSize',80,'TextColor','g'));   elseif  experiment_result==3       fprintf('Expression: Disgust\n');       subplot(1,2,2);       imshow(insertText(zeros(700,600),[100 250],'Disgust','BoxCOlor','c','BoxOpacity',0.05,'FontSize',80,'TextColor','g'));   elseif  experiment_result==4       fprintf('Expression: Fear\n');       subplot(1,2,2);       imshow(insertText(zeros(700,600),[180 250],'Fear','BoxCOlor','c','BoxOpacity',0.05,'FontSize',80,'TextColor','g'));   elseif  experiment_result==5       fprintf('Expression: Happy\n');       subplot(1,2,2);       imshow(insertText(zeros(700,600),[110 250],'Happy','BoxCOlor','c','BoxOpacity',0.05,'FontSize',80,'TextColor','g'));   elseif  experiment_result==6       fprintf('Expression: Sad\n');       subplot(1,2,2);       imshow(insertText(zeros(700,600),[180 250],'Sad','BoxCOlor','c','BoxOpacity',0.05,'FontSize',80,'TextColor','g'));   elseif  experiment_result==7       fprintf('Expression: Surprise\n');       subplot(1,2,2);       imshow(insertText(zeros(700,600),[100 250],'Surprise','BoxCOlor','c','BoxOpacity',0.05,'FontSize',80,'TextColor','g'));       end   title('Expression');    %% Call SVM with LIBSVM TOOL%     fprintf('SVM calling...\n');%     model=svmtrain(Image_labels_CK_plus_last_3_of_each_folder(train_indices),Feature_Histograms(train_indices,:),'-t 0'); %'-t 1 -r -1.2 -b 1'%     experiment_result=svmpredict(Image_labels_CK_plus_last_3_of_each_folder(test_indices),Feature_Histograms(test_indices,:),model);        toc;%% Notification soundload chirp               % handel,gong,laughter,train ,splatsound(y,Fs)

⛳️ 运行结果

本文提出了一种基于自适应位置三值模式 (APTP) 的人脸表情识别方法。APTP 通过自适应地选择模式的中心位置来提高特征的鲁棒性。实验结果表明，所提出的方法在 Cohn-Kanade 表情数据库 (CK+) 上取得了优异的性能，准确率达到 97.5%。该方法具有简单、高效和鲁棒性强的特点，可以应用于各种人脸表情识别任务中。