.424 智能系统学报 第10卷 分布与图1一致，虚线表示进行灰度比较的2个邻 来的00011100变为00010100，第5位编码发生了错 域像素，根据式(1)得到DLBP编码为 误。这是由于噪声的影响导致图中圆圈标识的邻域 (10011001)2。可以看出，针对相同的灰度分布，由 像素灰度值与中心像素灰度值的关系发生逆转，尽 于LBP算子与DLBP算子进行灰度比较的像素不 管剩余邻域像素与中心像素灰度值的关系并没有发 同，所以编码结果也不同。 生改变，但这仍然导致LBP编码值由原来的28变 为20，改变直方图分布，从而影响识别率。而DLBP g 算子则是考虑邻域像素间的灰度关系，它们之间的 g 灰度值相关性小于中心像素与邻域像素之间的相关 g 性，并且邻域越大相关程度越小，因此DLBP算子受 图2DLBP算子的3×3模板 噪声影响小。如图5(c)所示，圆圈标识的灰度值为 Fig.2 3x3 mask of DLBP descriptor 53,其对应水平方向的方形标识像素灰度值为10。 考虑受噪声影响的最坏情况，即圆圈标识的灰度值 降低，而方形标识的灰度值升高。若不改变灰度关 系，此时所能承受的最大噪声容限为两者差值43。 1858130 图5(d)为受高斯白噪声影响后的灰度分布，图中圆 30h50l65」DLBP=(I00I100I),=I53 圈标识的灰度值下降5，方形标识的灰度值上升5， 3080198 灰度值变化总和为10，小于最大噪声容限值43，所 以灰度关系不发生改变，DLBP编码也不变。由此 图3DLBP编码示例 可见，DLBP算子的噪声容限大于LBP算子，对噪声 Fig.3 Illustration of DLBP descriptor 有较强的鲁棒性。 为了直观比较LBP算子与DLBP算子提取表 853226 812932 情特征的优劣，以JAF℉E数据库中某一表情图像为 35010LBP=00011100385815LBP=00010100 例，分别对其进行LBP编码和DLBP编码，显示结 603845 654347 果如图4所示。从图中可以看出，由于DLBP算子 独特的灰度比较方式，它能够准确描述出邻域像素 (a)无噪声LBP编码 (b)有噪声LBP编码 间不同方向的灰度变化，DLBP编码图像中面部肌 85 3226 812932 肉的皱褶形变以及眼睛、嘴巴等部位的变化趋势更 )B邵=9918983858DtBp-1m8o10 LBP=00011100 LBP=00010100 150 明显，相比LBP编码图像，DLBP编码图像的表情特 603845 654347 征更清晰，噪声干扰更少。 (C)无噪声DLBP编码 d有噪声DLBP编码 图5LBP与DLBP对噪声的鲁棒性分析 Fig.5 Stability of LBP vs DLBP 2.3DLBP特征向量描述子 采用DLBP算子对图像中每一个像素进行编 (a)原始图像(b)LBP编码图像(c)DLBP编码图像 码，得到DLBP编码图像。在进行表情分类时，一般 图4原始图像与LBP和DLBP编码图像 不将编码图像作为特征向量进行识别，这是因为编 Fig.4 Sample of original image,LBP coding image and 码图像中DLBP值与位置是紧密相关的，对2幅编 DLBP coding image 码图像进行判别分析，会因为“位置不准确”而产生 很大误差。因此仍采用DLBP统计直方图作为特征 2.2DLBP算子的鲁棒性 向量来消除位置的影响。具体实现步骤如下： 由于LBP算子是对中心像素点与邻域像素点 1)将人脸表情图像平均分成N个子图像，每一 的灰度大小进行编码，因此任意一个邻域像素点的 块子图像大小为mxn。 灰度值发生改变，都会导致LBP编码变化。如图5 2)采用式(1)计算每个子图像所有像素的 所示，图5(a)是原始灰度模板，加上高斯白噪声后 DLBP值。 得到灰度分布如图5(b)所示，此时LBP编码由原 3)利用式(2)统计每个子图像的DLBP直方图。分布与图 １ 一致，虚线表示进行灰度比较的 ２ 个邻 域 像 素， 根 据 式 （ １ ） 得 到 ＤＬＢＰ 编 码 为 （１００１１００１）２ 。 可以看出，针对相同的灰度分布，由 于 ＬＢＰ 算子与 ＤＬＢＰ 算子进行灰度比较的像素不 同，所以编码结果也不同。 图 ２ ＤＬＢＰ 算子的 ３×３ 模板 Ｆｉｇ． ２ ３×３ ｍａｓｋ ｏｆ ＤＬＢＰ ｄｅｓｃｒｉｐｔｏｒ 图 ３ ＤＬＢＰ 编码示例 Ｆｉｇ． ３ Ｉｌｌｕｓｔｒａｔｉｏｎ ｏｆ ＤＬＢＰ ｄｅｓｃｒｉｐｔｏｒ 为了直观比较 ＬＢＰ 算子与 ＤＬＢＰ 算子提取表 情特征的优劣，以 ＪＡＦＦＥ 数据库中某一表情图像为 例，分别对其进行 ＬＢＰ 编码和 ＤＬＢＰ 编码，显示结 果如图 ４ 所示。 从图中可以看出，由于 ＤＬＢＰ 算子 独特的灰度比较方式，它能够准确描述出邻域像素 间不同方向的灰度变化，ＤＬＢＰ 编码图像中面部肌 肉的皱褶形变以及眼睛、嘴巴等部位的变化趋势更 明显，相比 ＬＢＰ 编码图像，ＤＬＢＰ 编码图像的表情特 征更清晰，噪声干扰更少。 图 ４ 原始图像与 ＬＢＰ 和 ＤＬＢＰ 编码图像 Ｆｉｇ． ４ Ｓａｍｐｌｅ ｏｆ ｏｒｉｇｉｎａｌ ｉｍａｇｅ， ＬＢＰ ｃｏｄｉｎｇ ｉｍａｇｅ ａｎｄ ＤＬＢＰ ｃｏｄｉｎｇ ｉｍａｇｅ ２．２ ＤＬＢＰ 算子的鲁棒性 由于 ＬＢＰ 算子是对中心像素点与邻域像素点 的灰度大小进行编码，因此任意一个邻域像素点的 灰度值发生改变，都会导致 ＬＢＰ 编码变化。 如图 ５ 所示，图 ５（ａ）是原始灰度模板，加上高斯白噪声后 得到灰度分布如图 ５（ ｂ）所示，此时 ＬＢＰ 编码由原 来的 ０００１１１００ 变为 ０００１０１００，第 ５ 位编码发生了错 误。 这是由于噪声的影响导致图中圆圈标识的邻域 像素灰度值与中心像素灰度值的关系发生逆转，尽 管剩余邻域像素与中心像素灰度值的关系并没有发 生改变，但这仍然导致 ＬＢＰ 编码值由原来的 ２８ 变 为 ２０，改变直方图分布，从而影响识别率。 而 ＤＬＢＰ 算子则是考虑邻域像素间的灰度关系，它们之间的 灰度值相关性小于中心像素与邻域像素之间的相关 性，并且邻域越大相关程度越小，因此 ＤＬＢＰ 算子受 噪声影响小。 如图 ５（ｃ）所示，圆圈标识的灰度值为 ５３，其对应水平方向的方形标识像素灰度值为 １０。 考虑受噪声影响的最坏情况，即圆圈标识的灰度值 降低，而方形标识的灰度值升高。 若不改变灰度关 系，此时所能承受的最大噪声容限为两者差值 ４３。 图 ５（ｄ）为受高斯白噪声影响后的灰度分布，图中圆 圈标识的灰度值下降 ５，方形标识的灰度值上升 ５， 灰度值变化总和为 １０，小于最大噪声容限值 ４３，所 以灰度关系不发生改变，ＤＬＢＰ 编码也不变。 由此 可见，ＤＬＢＰ 算子的噪声容限大于 ＬＢＰ 算子，对噪声 有较强的鲁棒性。 图 ５ ＬＢＰ 与 ＤＬＢＰ 对噪声的鲁棒性分析 Ｆｉｇ． ５ Ｓｔａｂｉｌｉｔｙ ｏｆ ＬＢＰ ｖｓ ＤＬＢＰ ２．３ ＤＬＢＰ 特征向量描述子 采用 ＤＬＢＰ 算子对图像中每一个像素进行编 码，得到 ＤＬＢＰ 编码图像。 在进行表情分类时，一般 不将编码图像作为特征向量进行识别，这是因为编 码图像中 ＤＬＢＰ 值与位置是紧密相关的，对 ２ 幅编 码图像进行判别分析，会因为“位置不准确”而产生 很大误差。 因此仍采用 ＤＬＢＰ 统计直方图作为特征 向量来消除位置的影响。 具体实现步骤如下： １）将人脸表情图像平均分成 Ｎ 个子图像，每一 块子图像大小为 ｍ×ｎ。 ２） 采用式 （ １） 计算每个子图像所有像素的 ＤＬＢＰ 值。 ３）利用式（２）统计每个子图像的 ＤＬＢＰ 直方图。 ·４２４· 智 能 系 统 学 报 第 １０ 卷