Framework for reliable, real-time facial expression recognition for low resolution images
老师前些天给了一篇PRL模式识别快报论文 Framework for reliable, real-time facial expression recognition for low resolution images，就是提出了一种新的表情识别方法。
概念很新颖，内容不难。
主要创新：
<1>提出一种PBLP特征描述向量，就是把BLP和Pyramid结合起来，一副图像提取59维向量；
一共两层，295维。Month:295维；Month+Eye: 590维。
<2>根据HVS（Human Vision System）检测显著性区域，
Happiness, Surprise, Sadness : Mouth region.
Anger, Digust, Fear : Mouth region, Eye region, Nose region.
论文结构如下：
<1>. 确定显著性区域 Viola–Jones object detection algorithm. Viola, P., Jones, M., 2001. Rapid object detection using a boosted cascade of simple features. In: IEEE Conference on Computer Vision and Pattern Recognition
<2>. 提取mouth的PLBP 295维特征，使用Classifier-a分类，分为两组：
one perceptual salient region i.e. happiness , sadness and surprise
second group is composed of those expressions that have two or more perceptual salient regions i.e. anger, fear and disgust
主要为了降低计算量。
<3>. 如果分到第一组，使用Classifier-b分类：happiness, sadness or surprise，通过已提取到的PBLP特征。
<4>. 如果分到第二组，使用Classifier-c分类：anger, fear and disgust，提取eye region的PBLP加上原有的PBLP特征。（digust：nose region被加入到了salient region，但是本方法没有明确提出提取nose region的特征，事实上是由于digust表情的wrinkles，提取的eye region包含了nose上部分）
之后就在比较几种机器学习算法，最后确定SVM。
最后又将PLBP+SVM与之前的几种”算子+机器学习“方法对比，得出的结论就是介种方法很好。
总结：
将显著性检测与一种新型的特征描述方法结合起来，显得比较新颖。但是我对这种方法的可靠性并不乐观。
首先，Salient Detection不可能那么准确，Salient Detection是一种比较泛型的方法，适合于普通图像或者说各种图像，而对于专门的图像或应用效果就不敢恭维了。显著性检测应用在人脸检测上，对于文中的实验那种嘴和眼比较明显的图像效果应该还好，但是对于普通人脸，效果就达不到论文标准了。
其次，对于PLBP算子，是对于每个像素都计算。