用Matlab实现基于LBP的面部表情识别

运用Matlab，LBP分割脸部特征，从而达到识别人物面部表情的效果

在图像处理和计算机视觉领域，面部表情识别一直是个热门话题。今天咱就唠唠怎么用Matlab结合LBP（局部二值模式）来分割脸部特征，实现面部表情识别。

LBP原理小科普

LBP是一种用来描述图像局部纹理特征的算子。它的基本思想超简单，就是以一个像素点为中心，和它邻域的像素点比较。比如一个3x3的邻域，中心像素值为$gc$，周围8个像素值为$gi$（$i = 1,2,\cdots,8$）。如果$gi \geq gc$，就记为1，否则记为0 。然后把这一圈得到的0和1按照顺时针或者逆时针顺序排列成一个二进制数，再把这个二进制数转化成十进制，这个十进制值就是中心像素的LBP值。

Matlab代码实践

读取图像

image = imread('face_expression.jpg'); grayImage = rgb2gray(image);

这里呢，先用imread函数把咱准备好的面部表情图像读进来，一般图像都是RGB格式的嘛，为了后续方便处理，咱用rgb2gray函数把它转成灰度图像。为啥转灰度呢？因为LBP主要关注的是灰度信息，这样能简化计算，还不影响特征提取。

LBP特征提取

lbpImage = uint8(zeros(size(grayImage))); [height, width] = size(grayImage); for i = 2:height - 1 for j = 2:width - 1 centerPixel = grayImage(i, j); binaryCode = 0; for k = -1:1 for l = -1:1 if ~(k == 0 && l == 0) neighborPixel = grayImage(i + k, j + l); if neighborPixel >= centerPixel binaryCode = binaryCode * 2 + 1; else binaryCode = binaryCode * 2; end end end end lbpImage(i, j) = binaryCode; end end

这段代码就是来计算LBP图像的。先创建一个和原灰度图像大小一样的全零矩阵lbpImage，用来存LBP值。然后通过两层循环遍历图像的每个像素点（边界点咱先不管，因为它没有完整的邻域）。对于每个点，获取它的中心像素值centerPixel，再通过两层小循环遍历它3x3邻域的每个像素（除了中心像素本身），按照前面说的LBP原理计算二进制码binaryCode，最后把这个二进制码赋值给lbpImage对应的位置。

脸部特征分割与表情识别

这一步就稍微复杂点啦，咱得结合一些机器学习的方法。比如可以先把提取到的LBP特征作为特征向量，然后用分类器（像支持向量机SVM啥的）来训练和识别。

% 假设已经有训练好的SVM模型svmModel % 提取测试图像的LBP特征 testLBPFeatures = extractLBPHistogram(testImage); % 用SVM模型预测表情类别 predictedLabel = predict(svmModel, testLBPFeatures);

这里extractLBPHistogram函数就是从测试图像中提取LBP特征直方图，把它作为特征向量。然后用训练好的SVM模型svmModel去预测这个特征向量对应的表情类别predictedLabel。当然，实际应用中，训练SVM模型是个大工程，得有大量的面部表情图像数据来训练，这里就简单示意一下。

运用Matlab，LBP分割脸部特征，从而达到识别人物面部表情的效果

通过以上步骤，咱就初步实现了用Matlab和LBP来分割脸部特征、识别面部表情。当然，这只是个基础的实现，实际应用中还有很多可以优化的地方，比如更好的特征提取方法，更复杂的分类器组合等等。希望这篇文章能给对这个领域感兴趣的小伙伴一些启发~