人脸识别经典算法二 LBP方法

分享一下我老师大神的人工智能教程！零基础，通俗易懂！http://blog.csdn.net/jiangjunshow

也欢迎大家转载本篇文章。分享知识，造福人民，实现我们中华民族伟大复兴！

               

 

人脸识别经典算法二：LBP方法

LBP人脸识别局部二值模式

与第一篇博文特征脸方法不同，LBP（Local Binary Patterns，局部二值模式）是提取局部特征作为判别依据的。LBP方法显著的优点是对光照不敏感，但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升。在[1]的文章里，有些人脸库的识别率已经达到了98%+。

1、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，否则为0。这样，3x3邻域内的8个点经比较可产生8位二进制数（通常转换为十进制数即LBP码，共256种），即得到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。如下图所示：

用比较正式的公式来定义的话：

其中代表3x3邻域的中心元素，它的像素值为ic，ip代表邻域内其他像素的值。s(x)是符号函数，定义如下：

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，这显然不能满足不同尺寸和频率纹理的需要。为了适应不同尺度的纹理特征，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 算子允许在半径为 R 的圆形邻域内有任意多个像素点。从而得到了诸如半径为R的圆形区域内含有P个采样点的LBP算子。比如下图定了一个5x5的邻域：

上图内有八个黑色的采样点，每个采样点的值可以通过下式计算：

其中为邻域中心点，为某个采样点。通过上式可以计算任意个采样点的坐标，但是计算得到的坐标未必完全是整数，所以可以通过双线性插值来得到该采样点的像素值：

（2）LBP等价模式

一个LBP算子可以产生不同的二进制模式，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加，二进制模式的种类是急剧增加的。例如：5×5邻域内20个采样点，有2²⁰＝1,048,576种二进制模式。如此多的二值模式无论对于纹理的提取还是对于纹理的识别、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。因此，需要对原始的LBP模式进行降维，使得数据量减少的情况下能最好的代表图像的信息。

        为了解决二进制模式过多的问题，提高统计性，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。因此，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。除等价模式类以外的模式都归为另一类，称为混合模式类，例如10010111（共四次跳变）。比如下图给出了几种等价模式的示意图。

       通过这样的改进，二进制模式的种类大大减少，而不会丢失任何信息。模式数量由原来的2^P种减少为 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个采样点来说，二进制模式由原始的256种减少为58种，这使得特征向量的维数更少，并且可以减少高频噪声带来的影响。这几段摘自[2]。

通过上述方法，每个像素都会根据邻域信息得到一个LBP值，如果以图像的形式显示出来可以得到下图，明显LBP对光照有较强的鲁棒性。

2、LBP特征匹配

如果将以上得到的LBP值直接用于人脸识别，其实和不提取LBP特征没什么区别，会造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（如下图），并在子区域内根据LBP值统计其直方图，以直方图作为其判别特征。这样做的好处是在一定范围内避免图像没完全对准的情况，同时也对LBP特征做了降维处理。

对于得到的直方图特征，有多种方法可以判别其相似性，假设已知人脸直方图为M_i​，待匹配人脸直方图为S_i，那么可以通过:

(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

图像分析：LBP特征解析与代码

LBP

LBP(Local Binary Patterns)，即局部二值模式，是一种描述图像局部空间结构的非参数算子。芬兰Oulu大学的T.Ojala等人于1996年提出这个算子用来分析图像纹理特征，并且描述了它在纹理分类中的强区分能力。LBP算子定义为一种灰度尺度不变的纹理算子，是从局部邻域纹理的普通定义得来的。

基本思想是：用中心像素的灰度值作为阈值，与它的邻域相比较得到的二进制码来表述局部纹理特征。

在纹理分析方面，LBP算子是最好的纹理描述符之一，它的主要优点有以下几点：

Ø 通过它的定义可知，LBP算子的灰度尺度不随任何单一变换而变化，因此灰度尺度的鲁棒性好，也就是光照条件下的鲁棒性好；

Ø 计算速度快。由于它可以通过在小邻域内进行比较操作得到，使得在复杂的实时条件下分析图像成为可能；

Ø 由于LBP算子是一种无参数(Non-Parametric)的方法，在应用过程中不需要对它的分布进行预先假设。

_____________________________________________________________________________________

[plain] view plaincopy

1. %LBP returns the local binary pattern image or LBP histogram of an image.  
2. %  J = LBP(I,R,N,MAPPING,MODE) returns either a local binary pattern  
3. %  coded image or the local binary pattern histogram of an intensity  
4. %  image I. The LBP codes are computed using N sampling points on a   
5. %  circle of radius R and using mapping table defined by MAPPING.   
6. %  See the getmapping function for different mappings and use 0 for  
7. %  no mapping. Possible values for MODE are  
8. %       'h' or 'hist'  to get a histogram of LBP codes  
9. %       'nh'           to get a normalized histogram  
10. %  Otherwise an LBP code image is returned.  
11. %  
12. %  J = LBP(I) returns the original (basic) LBP histogram of image I  
13. %  
14. %  J = LBP(I,SP,MAPPING,MODE) computes the LBP codes using n sampling  
15. %  points defined in (n * 2) matrix SP. The sampling points should be  
16. %  defined around the origin (coordinates (0,0)).  
17. %  
18. %  Examples  
19. %  --------  
20. %       I=imread('rice.png');  
21. %       mapping=getmapping(8,'u2');   
22. %       H1=LBP(I,1,8,mapping,'h'); %LBP histogram in (8,1) neighborhood  
23. %                                  %using uniform patterns  
24. %       subplot(2,1,1),stem(H1);  
25. %  
26. %       H2=LBP(I);  
27. %       subplot(2,1,2),stem(H2);  
28. %  
29. %       SP=[-1 -1; -1 0; -1 1; 0 -1; -0 1; 1 -1; 1 0; 1 1];  
30. %       I2=LBP(I,SP,0,'i'); %LBP code image using sampling points in SP  
31. %                           %and no mapping. Now H2 is equal to histogram  
32. %                           %of I2.  
33.   
34. function result = lbp(varargin) % image,radius,neighbors,mapping,mode)  
35. % Version 0.3.2  
36. % Authors: Marko Heikkil�and Timo Ahonen  
37.   
38. % Changelog  
39. % Version 0.3.2: A bug fix to enable using mappings together with a  
40. % predefined spoints array  
41. % Version 0.3.1: Changed MAPPING input to be a struct containing the mapping  
42. % table and the number of bins to make the function run faster with high number  
43. % of sampling points. Lauge Sorensen is acknowledged for spotting this problem.  
44.   
45.   
46. % Check number of input arguments.  
47. error(nargchk(1,5,nargin));  
48.   
49. image=varargin{1};