人臉識別經典算法二：LBP方法

與第一篇博文特徵臉方法不一樣，LBP（Local Binary Patterns，局部二值模式）是提取局部特徵做爲判別依據的。LBP方法顯著的優勢是對光照不敏感，可是依然沒有解決姿態和表情的問題。不過相比於特徵臉方法，LBP的識別率已經有了很大的提高。在[1]的文章裏，有些人臉庫的識別率已經達到了98%+。

 

一、LBP特徵提取

最初的LBP是定義在像素3x3鄰域內的，以鄰域中心像素爲閾值，將相鄰的8個像素的灰度值與其進行比較，若周圍像素值大於中心像素值，則該像素點的位置被標記爲1，不然爲0。這樣，3x3鄰域內的8個點經比較可產生8位二進制數（一般轉換爲十進制數即LBP碼，共256種），即獲得該鄰域中心像素點的LBP值，並用這個值來反映該區域的紋理信息。以下圖所示：

 

用比較正式的公式來定義的話：

其中表明3x3鄰域的中心元素，它的像素值爲ic，ip表明鄰域內其餘像素的值。s(x)是符號函數，定義以下：

 

 

LBP的改進版本

（1）圓形LBP算子

基本的 LBP算子的最大缺陷在於它只覆蓋了一個固定半徑範圍內的小區域，這顯然不能知足不一樣尺寸和頻率紋理的須要。爲了適應不一樣尺度的紋理特徵，並達到灰度和旋轉不變性的要求，Ojala等對 LBP 算子進行了改進，將 3×3鄰域擴展到任意鄰域，並用圓形鄰域代替了正方形鄰域，改進後的 LBP 算子容許在半徑爲 R 的圓形鄰域內有任意多個像素點。從而獲得了諸如半徑爲R的圓形區域內含有P個採樣點的LBP算子。好比下圖定了一個5x5的鄰域：

上圖內有八個黑色的採樣點，每一個採樣點的值能夠經過下式計算：

其中爲鄰域中心點，爲某個採樣點。經過上式能夠計算任意個採樣點的座標，可是計算獲得的座標未必徹底是整數，因此能夠經過雙線性插值來獲得該採樣點的像素值：

 

（2）LBP等價模式

 

一個LBP算子能夠產生不一樣的二進制模式，對於半徑爲R的圓形區域內含有P個採樣點的LBP算子將會產生2^P種模式。很顯然，隨着鄰域集內採樣點數的增長，二進制模式的種類是急劇增長的。例如：5×5鄰域內20個採樣點，有2²⁰＝1,048,576種二進制模式。如此多的二值模式不管對於紋理的提取仍是對於紋理的識別、分類及信息的存取都是不利的。同時，過多的模式種類對於紋理的表達是不利的。例如，將LBP算子用於紋理分類或人臉識別時，常採用LBP模式的統計直方圖來表達圖像的信息，而較多的模式種類將使得數據量過大，且直方圖過於稀疏。所以，須要對原始的LBP模式進行降維，使得數據量減小的狀況下能最好的表明圖像的信息。

        爲了解決二進制模式過多的問題，提升統計性，Ojala提出了採用一種「等價模式」（Uniform Pattern）來對LBP算子的模式種類進行降維。Ojala等認爲，在實際圖像中，絕大多數LBP模式最多隻包含兩次從1到0或從0到1的跳變。所以，Ojala將「等價模式」定義爲：當某個LBP所對應的循環二進制數從0到1或從1到0最多有兩次跳變時，該LBP所對應的二進制就稱爲一個等價模式類。如00000000（0次跳變），00000111（只含一次從0到1的跳變），10001111（先由1跳到0，再由0跳到1，共兩次跳變）都是等價模式類。除等價模式類之外的模式都歸爲另外一類，稱爲混合模式類，例如10010111（共四次跳變）。好比下圖給出了幾種等價模式的示意圖。

 

 

       經過這樣的改進，二進制模式的種類大大減小，而不會丟失任何信息。模式數量由原來的2^P種減小爲 P ( P-1)+2種，其中P表示鄰域集內的採樣點數。對於3×3鄰域內8個採樣點來講，二進制模式由原始的256種減小爲58種，這使得特徵向量的維數更少，而且能夠減小高頻噪聲帶來的影響。這幾段摘自[2]。

 

經過上述方法，每一個像素都會根據鄰域信息獲得一個LBP值，若是以圖像的形式顯示出來能夠獲得下圖，明顯LBP對光照有較強的魯棒性。

 

二、LBP特徵匹配

若是將以上獲得的LBP值直接用於人臉識別，其實和不提取LBP特徵沒什麼區別，會形成計算量準確率等一系列問題。文獻[1]中，將一副人臉圖像分爲7x7的子區域（以下圖），並在子區域內根據LBP值統計其直方圖，以直方圖做爲其判別特徵。這樣作的好處是在必定範圍內避免圖像沒徹底對準的狀況，同時也對LBP特徵作了降維處理。

對於獲得的直方圖特徵，有多種方法能夠判別其類似性，假設已知人臉直方圖爲M_i​，待匹配人臉直方圖爲S_i，那麼能夠經過:

(1)直方圖交叉核方法

該方法的介紹在博文：Histogram intersection(直方圖交叉核,Pyramid Match Kernel)

(2)卡方統計方法

該方法的介紹在博文：卡方檢驗（Chi square statistic）

 

 

參考文獻：

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

[2]目標檢測的圖像特徵提取之（二）LBP特徵

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