图像识别论文笔记

最新推荐文章于 2022-10-05 11:54:53 发布

最新推荐文章于 2022-10-05 11:54:53 发布 · 4.8k 阅读

《基于深度学习与传统机器学习的人脸表情识别综述》

现有人脸识别技术局限于传统的机器学习算法，在光照强弱、有遮挡物、姿态变换等情况下，传统机器学习算法鲁棒性差，难以应用到实际生活中；

20世纪70年代末期，Suwa等将连续序列的人脸图像标记成20个特征点，通过对这些特征点的比较实现对表情的识别，Paul Ekman提出六种基本的表情，分别是高兴、悲伤、惊奇、生气、厌恶、恐惧，随后他提出将面部的肌肉的运动与表情进行映射，其中面部的运动单元有44个，如此形成面部表情编码系统；

随着计算机技术的发展、大数据时代以及GPU等电脑硬件的发展，人脸识别的相关算法也得到了发展。2012年在国际计算机视觉比赛ILSVRC上，Hinton和他的学生Alex基于CNN（卷积神经网络）搭建的AlexNet模型获得了冠军，这种模型将图像识别率从74.3%提升到84.7%，使得图像识别取得了巨大突破；

现在主流的人脸表情数据库有：JAFFE数据库、BHU表情库、CK+数据库、MMI数据库、BU-3DFE数据库、GEMEP数据库、FER2013数据库；

图像处理之前需要考虑图像受环境影响的因素，常见的来源有：椒盐噪声（脉冲噪声）、高斯噪声、伽马噪声、指数分布噪声、均匀分布噪声等，同时还受背景、光线强弱、遮挡物等的影响，而且还要考虑数据库中照片的尺寸和类型（是否为彩色）是否和需要识别的图像相同；

传统机器学习算法：

去噪：均值滤波、中值滤波、自适应中值滤波、维纳滤波等

减少运算量：尺度和灰度归一化

图像增强：直方图均衡化

特征提取：

特征提取需要避免出现维数过高的情况，所以需要对特征进行降维和特征分解处理

Gabor特征提取：能够很好的描述纹理特征，对多尺度、多方向纹理特征变换有很好的鲁棒性，并且对光线不敏感。具体看论文《image representation using 2D Gabor wavelets》、《BHANU B.Evolutionary feature synthesis for facial expression recognition》、《Facial expression recognition method based on Gabor multi-orientation-features fusion and block histogram》、《Capuring subtle facial motions in 3D face tracking》

局部二值算法（LBP）：计算图像中包含的每个像素与其邻域的点在亮度上的序关系，然后对二值序关系进行编码形成局部二值模式，最后采用多区域直方图作为图像的特征描述。LBP算法会造成维数灾难；基于LBP的改进算法——完全局部二值算法（CLBP），这种算法虽然识别性能更好，但是还是会造成维数灾难；基于Fisher准则改进的LBP算法——FCL-LBP，这种算法解决了维数灾难的问题；Feng通过建立局部LBP直方图提升了人脸表情的识别率；江南大学周宇旋改进的LBP算法能对单一表情的特有特征做出选择，从而更好识别人脸表情；基于LBP算法改进的LDP（局部定向模式）算法能够对光照有很好的鲁棒性；局部相位量化（LPQ）主要是基于短时傅立叶，能够增强特征提取的稳定性。

ASM和AAM：ASM（主动形状模型）是基于统计模型，一般用来提取表情轮廓上的特征点；AAM（主动外观模型）将局部纹理特征融入其中客服了ASM采用全局特征的缺点；Cristinacce将PRFR（特征响应增强算子）与AAM融合用来检测脸部各器官的局部边缘特征点；Saatci将AAM与支持向量机（SVM）进行级联，提高了识别率。

Haar-like特征提取：通常先采用haar-like提取原始特征，然后使用Adaboost算法进行训练，提取不同特征，构造特征子空间。

光流法：这种算法主要是用于提取运动物体的特征

特征点跟踪法：利用粒子滤波器跟踪特征点，构建三维表情模型；刘玉等融合KLT和SIFT特征点的跟踪方法，并且对SIFT进行改进，解决了特征点的聚集现象，对KLT匹配算法进行分层迭代设计，能够快速跟踪匹配

特征分类算法：

特征提取完毕之后，有可能出现特征维数很高的情况，这时候就需要对特征进行降维，常用的降维方法有PCA降维法、LDA降维法

K-NN算法（最近邻算法）：没看懂作者写的意思

SVM算法：它是一个二分类器

Adaboost算法：它是一个二分类器

贝叶斯分类：它是一种基于统计学上的概率网络，通过概率推理讲网络图形化