基于DE-Gabor特征的人脸表情识别

种族、性别等个体身份的差异在面部表情识别过程中恒定存在的,会降低系统的分类性能。为此,本文提出一种DE-Gabor特征增强方法的身份鲁棒性。首先针对Gabor特征的高维问题,提出双重下采样策略进行降维,获得紧凑的E-Gabor特征。然后针对身份信息的干扰,将E-Gabor表情特征分别在中性特征字典和表情特征字典上进行协同稀疏表示,构建样本的虚拟中性特征和虚拟表情特征,两者差分编码获得增强身份独立性的DE-Gabor特征。最后,基于DEGabor特征训练SVM模型进行表情分类。此外,将DE-Gabor用于不同种族、不同性别的数据集,探究不同文化背景下身份干扰下表情识别之间的规律。在BU3DFE数据集上的实验结果表明:DE-Gabor特征的分类性能优于其它方法。