《電子技術應用》
您所在的位置:首頁 > 測試測量 > 設計應用 > 塊LBP-TOP稀疏表示表情與車輛檢測技術研究
NI-LabVIEW 2025
塊LBP-TOP稀疏表示表情與車輛檢測技術研究
2020年電子技術應用第12期
譚兆海1,李育林1,張 璇2,孫 寧3,劉文文3,楊 蘇3
1.中國鐵路蘭州局集團有限公司,甘肅 蘭州730000;2.燕山大學 信息科學與工程學院,河北 秦皇島066004; 3.蘇州華興致遠電子科技有限公司,江蘇 蘇州215000
摘要: 提出基于分塊LBP-TOP(Local Binary Patterns from Three Orthogonal Planes)特征和改進的加權稀疏表示分類解決微表情識別與專用線車輛狀態檢測問題。首先利用LBP-TOP特征描述符對從分塊圖像中選擇出的有效塊進行提取特征,將提取的特征作為字典,采取加權稀疏表示(Weighted Sparse Representation,WSRC)和對偶增廣拉格朗日乘子法(Dual Augmented Lagrange Multiplier,DALM)相結合的算法(WSRC_DALM)進行稀疏表示分類;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表情數據庫上采用“留一人交叉驗證”(Leave One Subject Out, LOSO)的分類方法進行5分類,得到的識別率分別達到了77.30%與58.82%,在車輛狀態檢測檢測數據庫上的實驗達到了84.60%的檢測率。實驗結果表明了所提出算法的有效性。
中圖分類號: TP391.4
文獻標識碼: 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技術研究[J].電子技術應用,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

    視頻識別是計算機視覺的一個新的研究重點,例如微表情識別[1]車輛狀態檢測應用領域非常廣泛。車輛狀態檢測通過有效開展車輛運用維修工作,成為軌道交通安全運輸的重要保障。微表情與傳統表情的不同,微表情是當一個人是試圖掩飾自己的真實情感時自然流露的,無法偽裝也很難抑制,所以微表情更加能夠體現出人的真實情感。近年來,視頻目標識別的關鍵是尋找最優的表示特征提取方法,國內外研究者從多個方面對此展開研究。例如:(1)基于時空域紋理特征提取,文獻[2]提出利用LBP-TOP特征,采用時間插值模型(TIM)并結合多核學習機(MKL)進行自發微表情識別的方法進行二分類;文獻[3]提出利用6點交叉LBP方法(LBP-SIP)對微表情進行5分類識別,該LBP-SIP方法減少了LBP-TOP方法中大量冗余的信息;文獻[4]提出時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,接著采用時空局部二值模式對各分量提取全局和運動信息,相對于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[5]利用歐拉影像放大(EVM)技術對視頻中微小運動進行放大,隨后利用LBP-TOP提取放大后的特征;文獻[6]在LBP-TOP基礎上提出時空域完全的局部量化模式(STCLQP),該方法在時空域提取了符號、大小及方向3個分量,隨后對每個分量進行矢量量化編碼,最后分別進行特征并融合,該方法與STLBP-IP方法相似,都是將圖像分成幾個分量,引入其他有效信息以便于后續分類;文獻[7]提出了新的特征描述符,利用DCP-TOP和HWP-TOP對眼部區域用進行編碼,該特征得到了很好的結果。(2)基于時空域運動信息描述方法,文獻[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動信息;文獻[9]開創性地提出了利用視頻中特定的兩幀信息來識別微表情,分別為視頻中的起始幀和最大幀,實驗通過計算兩幀之間的光流幅值、方向及光流應變量并對方向分量求取雙加權特征向量。(3)基于高階張量特征,文獻[10]提出稀疏張量典型相關性分析,通過對原始微表情數據和其LBP特征進行相關分析,得到低維子空間表示,隨后對低維子空間計算泛化低階矩陣得到具有稀疏性的特征;文獻[11]將微表情識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[12]提出基于行動單元(AU)對視頻表情進行分類,情緒類別在數據集構建過程中可能會出現偏差;文獻[13]提出基于雙模板稀疏分類算法,通過添加正、負雙模板構造新的觀測矩陣,不足在于特征維數高;文獻[14]運用機器視覺檢測,實現地鐵車輛檢修提質增效,進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。

    針對以上情況,本文改進基于時空域紋理提取特征的方法,從兩個方面提出視頻目標識別新思路,首先結合LBP-TOP和尺度特征對視頻歸一化后進行特征提取,其次利用提取后的特征構建學習字典,然后在此基礎上利用加權稀疏表示分類[15]和對偶增廣拉格朗日乘子法相結合的WSRC_DALM算法進行分類,通過有效的特征提取和魯棒分類技術來保證識別性能改善。




本文詳細內容請下載:http://www.viuna.cn/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.中國鐵路蘭州局集團有限公司,甘肅 蘭州730000;2.燕山大學 信息科學與工程學院,河北 秦皇島066004;

3.蘇州華興致遠電子科技有限公司,江蘇 蘇州215000)

此內容為AET網站原創,未經授權禁止轉載。
主站蜘蛛池模板: 久久免费观看视频 | 亚洲天堂网在线播放 | 成人看片黄a免费 | 国产成人欧美视频在线 | h片免费看| 日本在线视频一区二区三区 | 在线观看 中文字幕 | 老子影院午夜伦不卡不四虎卡 | 国产乱人伦精品一区二区 | 久久久久国产一级毛片高清版 | 毛片网站在线观看 | 青青青国产精品手机在线观看 | 120秒免费体验 | 色就色欧美 | 国产成人高清精品免费软件 | 黄色片免费观看网站 | 国产精品欧美亚洲韩国日本99 | 狠狠操天天爱 | 91视频免费网站 | 最新男同志freevideos | 最新亚洲精品国自产在线 | 婷婷亚洲图片 | 欧美成人 一区二区三区 | 天堂在线网 | 亚洲成a人片在线观看导航 亚洲成a人片在线观看精品 | 亚洲欧美精品一区天堂久久 | 深夜国产 | 日韩在线看片中文字幕不卡 | 欧美日韩国产乱了伦 | 国内精品免费 | 丁香六月在线视频 | 亚洲欧美日韩国产精品26u | 韩国理伦片a级在线观看 | 在线播放国产精品 | 欧美成人亚洲欧美成人 | 国产精彩视频在线 | 男女一级做a爱过程免费视频 | 意大利极品xxxxhd | 亚洲国产成人在线观看 | 天天色天天射综合网 | 黄色a级毛片 |