33、基于Gabor特征的人脸识别与表情识别方法

基于Gabor特征的人脸识别与表情识别方法

在当今的科技领域，人脸识别和面部表情识别技术有着广泛的应用，如安防监控、人机交互等。本文将介绍两种相关的方法，一种是基于Gabor增强边缘Fisher模型的人脸识别方法，另一种是基于独立Log - Gabor分量分析的面部表情识别方法。

基于Gabor增强边缘Fisher模型的人脸识别

在数据库中有200类人脸图像，对于纠错支持向量机（SVM）分类器，选择了(127, 8)的BCH码，该码共有127位，其中信息位为8位，最小汉明距离为63。

下面是在AR数据库上不同方法的识别率表格：
| 特征提取器 | 最近邻 | 一对一 | 纠错SVM |
| — | — | — | — |
| LPP | 69.88 | 70.38 | 72.00 |
| EFM | 71.50 | 74.00 | 74.25 |
| MFA | 71.63 | 74.38 | 74.62 |
| EMFA | 73.13 | 74.50 | 75.00 |
| Gabor+LPP | 80.38 | 83.50 | 84.50 |
| Gabor+EFM | 81.50 | 85.00 | 85.50 |
| Gabor+MFA | 80.25 | 85.30 | 85.88 |
| Gabor+EMFA | 83.00 | 85.75 | 86.25 |

从这些表格数据可以得出以下结论：
- 对于每个分类器，与使用其他特征相比，使用基于Gabor的增强边缘Fisher模型（GEMFM）特征总能获得最高的识别率。
- 使用相