人脸识别经典算法二：LBP方法

与第一篇博文特征脸方法不一样，LBP（Local Binary Patterns，局部二值模式）是提取局部特征做为判别依据的。LBP方法显著的优势是对光照不敏感，可是依然没有解决姿态和表情的问题。不过相比于特征脸方法，LBP的识别率已经有了很大的提高。在[1]的文章里，有些人脸库的识别率已经达到了98%+。

 

一、LBP特征提取

最初的LBP是定义在像素3x3邻域内的，以邻域中心像素为阈值，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，不然为0。这样，3x3邻域内的8个点经比较可产生8位二进制数（一般转换为十进制数即LBP码，共256种），即获得该邻域中心像素点的LBP值，并用这个值来反映该区域的纹理信息。以下图所示：

 

用比较正式的公式来定义的话：

其中表明3x3邻域的中心元素，它的像素值为ic，ip表明邻域内其余像素的值。s(x)是符号函数，定义以下：

 

 

LBP的改进版本

（1）圆形LBP算子

基本的 LBP算子的最大缺陷在于它只覆盖了一个固定半径范围内的小区域，这显然不能知足不一样尺寸和频率纹理的须要。为了适应不一样尺度的纹理特征，并达到灰度和旋转不变性的要求，Ojala等对 LBP 算子进行了改进，将 3×3邻域扩展到任意邻域，并用圆形邻域代替了正方形邻域，改进后的 LBP 算子容许在半径为 R 的圆形邻域内有任意多个像素点。从而获得了诸如半径为R的圆形区域内含有P个采样点的LBP算子。好比下图定了一个5x5的邻域：

上图内有八个黑色的采样点，每一个采样点的值能够经过下式计算：

其中为邻域中心点，为某个采样点。经过上式能够计算任意个采样点的坐标，可是计算获得的坐标未必彻底是整数，因此能够经过双线性插值来获得该采样点的像素值：

 

（2）LBP等价模式

 

一个LBP算子能够产生不一样的二进制模式，对于半径为R的圆形区域内含有P个采样点的LBP算子将会产生2^P种模式。很显然，随着邻域集内采样点数的增长，二进制模式的种类是急剧增长的。例如：5×5邻域内20个采样点，有2²⁰＝1,048,576种二进制模式。如此多的二值模式不管对于纹理的提取仍是对于纹理的识别、分类及信息的存取都是不利的。同时，过多的模式种类对于纹理的表达是不利的。例如，将LBP算子用于纹理分类或人脸识别时，常采用LBP模式的统计直方图来表达图像的信息，而较多的模式种类将使得数据量过大，且直方图过于稀疏。所以，须要对原始的LBP模式进行降维，使得数据量减小的状况下能最好的表明图像的信息。

        为了解决二进制模式过多的问题，提升统计性，Ojala提出了采用一种“等价模式”（Uniform Pattern）来对LBP算子的模式种类进行降维。Ojala等认为，在实际图像中，绝大多数LBP模式最多只包含两次从1到0或从0到1的跳变。所以，Ojala将“等价模式”定义为：当某个LBP所对应的循环二进制数从0到1或从1到0最多有两次跳变时，该LBP所对应的二进制就称为一个等价模式类。如00000000（0次跳变），00000111（只含一次从0到1的跳变），10001111（先由1跳到0，再由0跳到1，共两次跳变）都是等价模式类。除等价模式类之外的模式都归为另外一类，称为混合模式类，例如10010111（共四次跳变）。好比下图给出了几种等价模式的示意图。

 

 

       经过这样的改进，二进制模式的种类大大减小，而不会丢失任何信息。模式数量由原来的2^P种减小为 P ( P-1)+2种，其中P表示邻域集内的采样点数。对于3×3邻域内8个采样点来讲，二进制模式由原始的256种减小为58种，这使得特征向量的维数更少，而且能够减小高频噪声带来的影响。这几段摘自[2]。

 

经过上述方法，每一个像素都会根据邻域信息获得一个LBP值，若是以图像的形式显示出来能够获得下图，明显LBP对光照有较强的鲁棒性。

 

二、LBP特征匹配

若是将以上获得的LBP值直接用于人脸识别，其实和不提取LBP特征没什么区别，会形成计算量准确率等一系列问题。文献[1]中，将一副人脸图像分为7x7的子区域（以下图），并在子区域内根据LBP值统计其直方图，以直方图做为其判别特征。这样作的好处是在必定范围内避免图像没彻底对准的状况，同时也对LBP特征作了降维处理。

对于获得的直方图特征，有多种方法能够判别其类似性，假设已知人脸直方图为M_i​，待匹配人脸直方图为S_i，那么能够经过:

(1)直方图交叉核方法

该方法的介绍在博文：Histogram intersection(直方图交叉核,Pyramid Match Kernel)

(2)卡方统计方法

该方法的介绍在博文：卡方检验（Chi square statistic）

 

 

参考文献：

[1]Timo Ahonen, Abdenour Hadid：Face Recognition with Local Binary Patterns

[2]目标检测的图像特征提取之（二）LBP特征

转载 http://blog.csdn.net/smartempire/article/details/23249517