表情识别调研总结（二）—表情特征提取

表情特征提取是指对人脸的器官特征、纹理区域和预定义的特征点进行定位和提取。它是人脸表情识别中的核心步骤，是识别技术的关键，它决定着最终的识别结果，直接影响识别率的高低。

• 基于静态图像的特征提取方法
  1、整体法
  人脸表情依靠肌肉的运动来体现。人脸表情静态图像直观地显示了表情发生时人脸肌肉运动所产生的面部形体和纹理的变化。从整体上看，这种变化造成了面部器官的明显形变，会对人脸图像的全局信息带来影响，因此出现了从整体角度考虑表情特征的人脸表情识别算法。
  整体法中的经典算法包括主元分析法（Principal Component Analysis, PCA）、独立分量分析法（Indenpent Component Analysis，ICA）和线性判别分析法（Linear Discriminant Analysis，LDA）。其中PCA算法是一种无监督方法，其优点是不需要待处理样本的类别信息，同时可以有效地处理高维数据。缺点是该方法处理数据时产生的协方差矩阵维数过高，影响了算法的运行。作为PCA算法的延伸，二维主元分析算法（2DPCA）在一定程度上解决了这一问题。ICA 算法也属于无监督方法，可以提取像素间隐藏的信息，并且适合非高斯分布的数据处理，但是算法的实时性有待提高。LDA算法属于有监督方法，其特点是充分地保留了样本的类别结构。
  2、局部法
  静态图像上的人脸表情不仅有整体的变化，也存在局部的变化。面部肌肉的纹理、皱褶等局部形变所蕴含的信息，有助于精确地判断表情的属性。局部法的经典方法是Gabor小波法和LBP算子法。Gabor小波在特征提取方面具有良好的视觉特性和生物学背景。但是该算法需要计算不同尺度和方向的小波核函数，由此产生的高维特征向量既不利于算法的实时处理，又在一定程度上造成了信息冗余。和Gabor小波相比，LBP算子法可以更有效地提取人脸表情特征。但是LBP算子产生的高维直方图影响了算法的实时性，而且该算法产生的二值数据容易受到噪声的干扰。近年来这两种算法在人脸表情识别领域仍有不同程度的应用，出现了相关的改进算法以及考虑人脸纹理细节特征的算法。
• 基于动态图像的特征提取方法
  动态图像与静态图像的不同之处在于：动态图像反映了人脸表情发生的过程。因此动态图像的表情特