文獻(xiàn)標(biāo)識(shí)碼: A
DOI:10.16157/j.issn.0258-7998.200545
中文引用格式: 譚兆海,,李育林,張璇,,等. 塊LBP-TOP稀疏表示表情與車輛檢測(cè)技術(shù)研究[J].電子技術(shù)應(yīng)用,,2020,46(12):53-56.
英文引用格式: Tan Zhaohai,,Li Yulin,,Zhang Xuan,et al. Sparse representation for micro-expression and vehicle status recognition based on blocked LBP-TOP[J]. Application of Electronic Technique,,2020,,46(12):53-56.
0 引言
視頻識(shí)別是計(jì)算機(jī)視覺的一個(gè)新的研究重點(diǎn),,例如微表情識(shí)別[1]與車輛狀態(tài)檢測(cè)應(yīng)用領(lǐng)域非常廣泛。車輛狀態(tài)檢測(cè)通過有效開展車輛運(yùn)用維修工作,,成為軌道交通安全運(yùn)輸?shù)闹匾U?。微表情與傳統(tǒng)表情的不同,微表情是當(dāng)一個(gè)人是試圖掩飾自己的真實(shí)情感時(shí)自然流露的,,無法偽裝也很難抑制,,所以微表情更加能夠體現(xiàn)出人的真實(shí)情感。近年來,,視頻目標(biāo)識(shí)別的關(guān)鍵是尋找最優(yōu)的表示特征提取方法,,國(guó)內(nèi)外研究者從多個(gè)方面對(duì)此展開研究。例如:(1)基于時(shí)空域紋理特征提取,,文獻(xiàn)[2]提出利用LBP-TOP特征,,采用時(shí)間插值模型(TIM)并結(jié)合多核學(xué)習(xí)機(jī)(MKL)進(jìn)行自發(fā)微表情識(shí)別的方法進(jìn)行二分類;文獻(xiàn)[3]提出利用6點(diǎn)交叉LBP方法(LBP-SIP)對(duì)微表情進(jìn)行5分類識(shí)別,,該LBP-SIP方法減少了LBP-TOP方法中大量冗余的信息,;文獻(xiàn)[4]提出時(shí)空局部二值模式積分圖(STLBP-IP)方法,利用積分投影首先將每幀圖像分解成水平和垂直分量,,接著采用時(shí)空局部二值模式對(duì)各分量提取全局和運(yùn)動(dòng)信息,,相對(duì)于LBP-TOP而言,增加了有效信息量,,也引入了一部分冗余信息,;文獻(xiàn)[5]利用歐拉影像放大(EVM)技術(shù)對(duì)視頻中微小運(yùn)動(dòng)進(jìn)行放大,隨后利用LBP-TOP提取放大后的特征,;文獻(xiàn)[6]在LBP-TOP基礎(chǔ)上提出時(shí)空域完全的局部量化模式(STCLQP),,該方法在時(shí)空域提取了符號(hào)、大小及方向3個(gè)分量,,隨后對(duì)每個(gè)分量進(jìn)行矢量量化編碼,,最后分別進(jìn)行特征并融合,該方法與STLBP-IP方法相似,,都是將圖像分成幾個(gè)分量,,引入其他有效信息以便于后續(xù)分類;文獻(xiàn)[7]提出了新的特征描述符,,利用DCP-TOP和HWP-TOP對(duì)眼部區(qū)域用進(jìn)行編碼,,該特征得到了很好的結(jié)果。(2)基于時(shí)空域運(yùn)動(dòng)信息描述方法,,文獻(xiàn)[8]提出主方向平均光流(MDMO)分析方法,,該方法主要引入了光流來提取運(yùn)動(dòng)信息;文獻(xiàn)[9]開創(chuàng)性地提出了利用視頻中特定的兩幀信息來識(shí)別微表情,分別為視頻中的起始幀和最大幀,,實(shí)驗(yàn)通過計(jì)算兩幀之間的光流幅值,、方向及光流應(yīng)變量并對(duì)方向分量求取雙加權(quán)特征向量。(3)基于高階張量特征,,文獻(xiàn)[10]提出稀疏張量典型相關(guān)性分析,,通過對(duì)原始微表情數(shù)據(jù)和其LBP特征進(jìn)行相關(guān)分析,得到低維子空間表示,,隨后對(duì)低維子空間計(jì)算泛化低階矩陣得到具有稀疏性的特征,;文獻(xiàn)[11]將微表情識(shí)別看作稀疏近似問題,提出利用二維Gabor濾波器和二維稀疏表示(SGR),;文獻(xiàn)[12]提出基于行動(dòng)單元(AU)對(duì)視頻表情進(jìn)行分類,,情緒類別在數(shù)據(jù)集構(gòu)建過程中可能會(huì)出現(xiàn)偏差;文獻(xiàn)[13]提出基于雙模板稀疏分類算法,,通過添加正,、負(fù)雙模板構(gòu)造新的觀測(cè)矩陣,不足在于特征維數(shù)高,;文獻(xiàn)[14]運(yùn)用機(jī)器視覺檢測(cè),實(shí)現(xiàn)地鐵車輛檢修提質(zhì)增效,,進(jìn)一步緩解地鐵車輛檢修需求與既有檢修能力不匹配之間的矛盾。
針對(duì)以上情況,,本文改進(jìn)基于時(shí)空域紋理提取特征的方法,,從兩個(gè)方面提出視頻目標(biāo)識(shí)別新思路,首先結(jié)合LBP-TOP和尺度特征對(duì)視頻歸一化后進(jìn)行特征提取,,其次利用提取后的特征構(gòu)建學(xué)習(xí)字典,,然后在此基礎(chǔ)上利用加權(quán)稀疏表示分類[15]和對(duì)偶增廣拉格朗日乘子法相結(jié)合的WSRC_DALM算法進(jìn)行分類,通過有效的特征提取和魯棒分類技術(shù)來保證識(shí)別性能改善,。
本文詳細(xì)內(nèi)容請(qǐng)下載:http://forexkbc.com/resource/share/2000003253
作者信息:
譚兆海1,,李育林1,張 璇2,,孫 寧3,,劉文文3,楊 蘇3
(1.中國(guó)鐵路蘭州局集團(tuán)有限公司,,甘肅 蘭州730000,;2.燕山大學(xué) 信息科學(xué)與工程學(xué)院,河北 秦皇島066004,;
3.蘇州華興致遠(yuǎn)電子科技有限公司,,江蘇 蘇州215000)