塊LBP-TOP稀疏表示表情與車(chē)輛檢測(cè)技術(shù)研究
所屬分類(lèi)：技術(shù)論文
上傳者：aetmagazine
文檔大?。?span>528 K
標(biāo)簽： 微表情 車(chē)輛狀態(tài)檢測(cè) 塊LBP-TOP
所需積分：0分積分不夠怎么辦？
文檔介紹：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(lèi)解決微表情識(shí)別與專(zhuān)用線車(chē)輛狀態(tài)檢測(cè)問(wèn)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(lèi)；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(lèi)。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(lèi)方法進(jìn)行5分類(lèi)，得到的識(shí)別率分別達(dá)到了77.30%與58.82%，在車(chē)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。
現(xiàn)在下載
VIP會(huì)員，AET專(zhuān)家下載不扣分；重復(fù)下載不扣分，本人上傳資源不扣分。