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.
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]與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.cowatch.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)