基于LBP与SVM的面部表情识别Matlab实现

1. 项目概述

面部表情识别是计算机视觉领域的一个重要研究方向，在心理学研究、人机交互、安全监控等领域都有广泛应用。LBP（Local Binary Pattern，局部二值模式）作为一种高效的纹理特征描述方法，因其计算简单、对光照变化不敏感等优点，常被用于面部特征提取。

这个项目将展示如何使用Matlab实现基于LBP的面部表情识别系统。整个过程包括图像预处理、LBP特征提取、特征向量构建和分类器训练四个主要步骤。相比深度学习等复杂方法，LBP+SVM的方案更适合初学者理解和实践，同时也能达到不错的识别效果。

提示：虽然本文使用Matlab演示，但LBP算法的核心思想是通用的，读者可以很容易地将这些概念迁移到Python(OpenCV)或其他编程环境中。

2. LBP算法深度解析

2.1 LBP基本原理

LBP算法的核心思想是对图像中每个像素点与其邻域像素的灰度值进行比较。对于一个3×3的邻域，具体计算步骤如下：

1. 以中心像素为阈值，与周围8个像素的灰度值比较
2. 若邻域像素值大于等于中心值，该位置标记为1；否则标记为0
3. 将这些二进制位按固定顺序(如顺时针)排列，形成一个8位二进制数
4. 将此二进制数转换为十进制，作为该中心像素的LBP值

数学表达式为：

code复制LBP = Σ(s(gₙ - g_c) × 2ⁿ)

其中g_c是中心像素值，gₙ是邻域像素值，s(x)是符号函数（x≥0时为1，否则为0）。

2.2 LBP算法变体

基础LBP有几种常见改进版本：

1. 圆形LBP：使用圆形邻域和双线性插值，支持不同半径和采样点数
2. 均匀模式(Uniform LBP)：将二进制序列中0/1跳变不超过2次的模式定义为均匀模式，可大幅减少特征维度
3. 旋转不变LBP：通过循环移位找到最小值，实现旋转不变性
4. LBP金字塔：在不同尺度空间提取LBP特征，增强多尺度分析能力

在实际应用中，均匀模式LBP最为常用，它能将256维的特征空间降至59维（58个均匀模式+1个非均匀模式），同时保持较好的判别能力。

3. Matlab实现详解

3.1 环境准备与数据预处理

首先需要准备面部表情数据集。常用的公开数据集包括：

• CK+ (Extended Cohn-Kanade Dataset)
• JAFFE (Japanese Female Facial Expression)
• FER2013 (Facial Expression Recognition 2013)

以CK+数据集为例，预处理步骤如下：

matlab复制% 读取图像并转为灰度
img = imread('subject01_anger_1.png');
grayImg = rgb2gray(img);

% 人脸检测与对齐（需要Vision工具箱）
faceDetector = vision.CascadeObjectDetector();
bbox = step(faceDetector, grayImg);
faceImg = imcrop(grayImg, bbox);

% 尺寸归一化
resizedFace = imresize(faceImg, [128 128]);

% 直方图均衡化（增强对比度）
enhancedFace =