《電子技術(shù)應(yīng)用》
您所在的位置：首頁 > 測(cè)試測(cè)量 > 設(shè)計(jì)應(yīng)用 > 塊LBP-TOP稀疏表示表情與車輛檢測(cè)技術(shù)研究
塊LBP-TOP稀疏表示表情與車輛檢測(cè)技術(shù)研究
2020年電子技術(shù)應(yīng)用第12期
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
摘要： 提出基于分塊LBP-TOP(Local Binary Patterns from Three Orthogonal Planes)特征和改進(jìn)的加權(quán)稀疏表示分類解決微表情識(shí)別與專用線車輛狀態(tài)檢測(cè)問題,。首先利用LBP-TOP特征描述符對(duì)從分塊圖像中選擇出的有效塊進(jìn)行提取特征，將提取的特征作為字典,，采取加權(quán)稀疏表示(Weighted Sparse Representation,，WSRC)和對(duì)偶增廣拉格朗日乘子法(Dual Augmented Lagrange Multiplier,，DALM)相結(jié)合的算法(WSRC_DALM)進(jìn)行稀疏表示分類；然后利用不同尺寸的塊劃分圖像,，選擇有效塊提取特征,，特征融合后參與分類。在CASME Ⅱ與SAMM表情數(shù)據(jù)庫(kù)上采用“留一人交叉驗(yàn)證”(Leave One Subject Out, LOSO)的分類方法進(jìn)行5分類,，得到的識(shí)別率分別達(dá)到了77.30%與58.82%,，在車輛狀態(tài)檢測(cè)檢測(cè)數(shù)據(jù)庫(kù)上的實(shí)驗(yàn)達(dá)到了84.60%的檢測(cè)率。實(shí)驗(yàn)結(jié)果表明了所提出算法的有效性,。
中圖分類號(hào)： TP391.4
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.
Sparse representation for micro-expression and vehicle status recognition based on blocked LBP-TOP
Tan Zhaohai1，Li Yulin1,，Zhang Xuan2,，Sun Ning3，Liu Wenwen3,，Yang Su3
1.China Railway Lanzhou Bureau Groups Co.,，Ltd.，Lanzhou 730000,，China,； 2.School of Information and Engineering，Yanshan University,，Qinhuangdao 066004,，China,； 3.Suzhou NewVision Science and Technology Co.,，Ltd.，Suzhou 215000,，China
Abstract： In this paper, a micro-expression and vehicle status recognition method based on blocked local binary pattern from three orthogonal planes(LBP-TOP) features and weighted sparse representation as the classifier is proposed. First of all, the effective block is selected from the blocked image. Then, the features, which are extracted from LBP-TOP feature descriptor, are used as a dictionary. Then the combined weighted sparse representation(WSRC) and the dual augmented lagrangian multiplier(DALM) algorithm performs sparse representation classification. Finally, the images are divided to different sizes blocks, then the effective block is chosen from these blocks, and the features are merged as the input to the classifier. The experiments are carried out on the CASME Ⅱ,，SAMM and vehicle databases using leave-one-subject-out cross validation(LOSOCV). When classifying the micro-expressions into five categories, the classification accuracy can reach separately 77.30% and 58.82%, and the experiment on the database of vehicle state detection reaches 84.60% detection rate. Experimental results show the effectiveness of the proposed algorithm.
Key words : micro-expression；vehicle status detection,；block-based LBP-TOP,；sparse representation

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)

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載,。