PRL论文:Saliency+PLBP

Framework for reliable, real-time facial expression recognition for low resolution images

老师前些天给了一篇PRL模式识别快报论文 Framework for reliable, real-time facial expression recognition for low resolution images,就是提出了一种新的表情识别方法。

概念很新颖,内容不难。

主要创新:
<1>提出一种PBLP特征描述向量,就是把BLP和Pyramid结合起来,一副图像提取59维向量;
一共两层,295维。Month:295维;Month+Eye: 590维。
PRL论文:Saliency+PLBP_第1张图片

<2>根据HVS(Human Vision System)检测显著性区域,
Happiness, Surprise, Sadness : Mouth region.
Anger, Digust, Fear : Mouth region, Eye region, Nose region.
PRL论文:Saliency+PLBP_第2张图片



论文结构如下:

<1>. 确定显著性区域 Viola–Jones object detection algorithm. Viola, P., Jones, M., 2001. Rapid object detection using a boosted cascade of simple features. In: IEEE Conference on Computer Vision and Pattern Recognition
<2>. 提取mouth的PLBP 295维特征,使用Classifier-a分类,分为两组:
one perceptual salient region i.e. happiness , sadness and surprise 
second group is composed of those expressions that have two or more perceptual salient regions i.e. anger, fear and disgust
主要为了降低计算量。
<3>. 如果分到第一组,使用Classifier-b分类:happiness, sadness or surprise,通过已提取到的PBLP特征。
<4>. 如果分到第二组,使用Classifier-c分类:anger, fear and disgust,提取eye region的PBLP加上原有的PBLP特征。(digust:nose region被加入到了salient region,但是本方法没有明确提出提取nose region的特征,事实上是由于digust表情的wrinkles,提取的eye region包含了nose上部分)
PRL论文:Saliency+PLBP_第3张图片


之后就在比较几种机器学习算法,最后确定SVM。

最后又将PLBP+SVM与之前的几种”算子+机器学习“方法对比,得出的结论就是介种方法很好。


总结:

将显著性检测与一种新型的特征描述方法结合起来,显得比较新颖。但是我对这种方法的可靠性并不乐观。

首先,Salient Detection不可能那么准确,Salient Detection是一种比较泛型的方法,适合于普通图像或者说各种图像,而对于专门的图像或应用效果就不敢恭维了。显著性检测应用在人脸检测上,对于文中的实验那种嘴和眼比较明显的图像效果应该还好,但是对于普通人脸,效果就达不到论文标准了。

其次,对于PLBP算子,是对于每个像素都计算。

你可能感兴趣的:(PRL论文:Saliency+PLBP)