《LBP人脸特征提取算法研究及应用》由会员分享，可在线阅读，更多相关《LBP人脸特征提取算法研究及应用（36页珍藏版）》请在金锄头文库上搜索。
1、LBPLBP人脸特征提取算法研人脸特征提取算法研究及应用究及应用目录1.LBP算法概述1.1 LBP基本概念（定义、思想等）1.2 LBP的优点1.3 LBP的缺点2.LBP算法的研究及应用实现2.1 旋转不变LBP2.2 等价模式LBP2.3 旋转等价模式LBP2.4 灰度不变模式LBP2.5 特征提取的流程2024/7/282LBP人脸特征提取算法的研究与应用目录 2.6 算法实验3.LBP人脸特征提取算法研究的价值及应用3.1 LBP的理论研究价值3.2 LBP应用于人脸特征匹配3.3 LBP特征提取算法的其他应用4. 总结2024/7/283LBP人脸特征提取算法的研究与应用1.LBP
2、算法概述LBP(LocalBinaryPatterns，局部二值模式)1是1996年，由Ojala提出最原始的LBP算法，用来分析图像的纹理特征，并描述了LBP算法在图像纹理分类中的强区分能力。其算法流程如下：1.Multiresolutiongray-scaleandrotationinvarianttextureclassificationwithlocalbinarypatternsTimoOjala,MattiPietikainen,20022024/7/284LBP人脸特征提取算法的研究与应用1.LBP算法概述基本思想：基本思想： 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
3、进制码来表述局部纹理特征。2024/7/285LBP人脸特征提取算法的研究与应用1. LBP算法概述公式定义：公式定义：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，它的定义如下：2024/7/286LBP人脸特征提取算法的研究与应用1.LBP算法概述算法的优点：l具有良好的分类效果如果LBP与HOG(HistogramofGradient,方向梯度直方图)结合，则可以在一些集合上十分有效的提升检测效果。l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；2024/7/287LBP人脸特征提取算法的研
4、究与应用1. LBP算法概述算法的缺点：l尺度范围小，固定不变它只覆盖了一个固定半径范围内的小区域，不能满足不同尺寸和频率纹理的需要。l在光照变化剧烈、成像条件极端变化、姿态、表情、年龄等复合因素的影响情况下，LBP特征的表征能力和分类能力也受到限制，识别性能急剧下降。l无法区分邻域像素点与中心像素点相等，或者邻域像素点大于中心像素点两种情况2024/7/288LBP人脸特征提取算法的研究与应用2.LBP算法的研究 注注 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。2.1 旋转不变的LBP算法定义纹理T为一副黑白纹理图像局部邻域内图像像素灰度的
5、联合分布：其中，ROR（x，i）执行沿时钟方向将X循环移动i位。对于图像像素而言，就是将邻域集合按照时钟方向旋转很多次，直到当前旋转下构成的LBP值最小。注：注：本报告主要介绍LBP的几种算法及改进形式。2024/7/289LBP人脸特征提取算法的研究与应用2.LBP算法的研究2.1 旋转不变的LBP算法2024/7/2810LBP人脸特征提取算法的研究与应用2.LBP算法的研究2.1 旋转不变的LBP算法算法目的算法目的：大大减少LBP的模式种类(鲁棒性好了，但是丢失了方向信息)算法实现算法实现：对同一编码模式经旋转后产生的编码结果为同一值，即取这些旋转结果中的最小值。2024/7/2811
6、LBP人脸特征提取算法的研究与应用2.LBP算法的研究2.2 统一(或等价)模式的LBP算法22统一模式的简单方法是将其和其移动一位后的二进制模式按位相减的绝对值求和。2.RotationInvariantImageDescriptionwithLocalBinaryPatternHistogramFourierFeatures,ImageProcessing,IEEETransactionson(Volume:21,Issue:4)2024/7/2812LBP人脸特征提取算法的研究与应用2.LBP算法的研究我们知道对于8个采样点，灰度不变性LBP将产生256(28)种输出，旋转不变性LBP将
7、产生36个输出，而基于unifrom的旋转不变LBP将只有9种输出。(uniform形式有58种输出)因此，Ojala将“等价模式”定义为:当某个局部二进制模式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，该局部二进制模式所对应的二进制就称为一个等价模式类，如00000000,11111111,10001111都是等价模式类。其他的称为非等价模式或混合模式。2024/7/2813LBP人脸特征提取算法的研究与应用2.LBP算法的研究对于8个采样点，共有58种唯一的uniform类型的LBP值输出如下图所示：2024/7/2814LBP人脸特征提取算法的研究与应用2.LBP算法的研究2
8、.3旋转不变等价模式旋转不变等价模式(等价模式和旋转不变模式结合):这使得可能的模式种类由2p类减少为P+1类,所有的非等价模式被归为第P+1类，如下公式所示:其中，U(Gp)表示0到1或1到0跳变的次数，LBPYriu2P,R被称为旋转不变的等价模式。经过等价模式和旋转不变的改进后，LBP算子不仅具有了旋转不变性和灰度不变性的显著特点，原始LBP的模式种类也得到大幅度的减少。2024/7/2815LBP人脸特征提取算法的研究与应用2.LBP算法的研究几种LBP算子的维数比较2024/7/2816LBP人脸特征提取算法的研究与应用2.LBP算法的研究2.4 灰度不变性的LBP算法定义纹理T为一
9、副黑白纹理图像局部邻域内图像像素灰度的联合分布：其中，gc对应局部邻域中心像素的灰度值，gp(p=1,2,.,P-1)对应半径为R的圆形对称邻域内P等分的像素灰度。2024/7/2817LBP人脸特征提取算法的研究与应用2.LBP算法的研究如下图所示，为不同采样点P和半径R的圆形对称邻域。其中对于邻域内那些没有直接落在像素(方格)中央的点的灰度值将通过二线性插二线性插值值(或双线性插值)完成。2024/7/2818LBP人脸特征提取算法的研究与应用2.LBP算法的研究二线性插值求采样点像素举例：2024/7/2819LBP人脸特征提取算法的研究与应用2.LBP算法的研究算法实现：(1)将邻域内
10、中心像素点gc的灰度值与圆形对称区域内其他点gp的灰度值相减：(2)假设差分gp-gc和gc是相互独立的，于是就有：(3)由于分布t(gc)描述了图像整体光照，因此没有给纹理分析提供有用的信息。这样，纹理特征可以由以下联合差分分布表示：2024/7/2820LBP人脸特征提取算法的研究与应用2.LBP算法的研究(4)带符号差分gp-gc不受平均光源变化影响。因此，联合差分分布对于灰度尺度变化具有不变性。我们通过仅使用差分的符号，而不是差分本身的值来实现灰度尺度不变性：(5)通过对每个符号s(gp-gc)赋予因子2P，我们将上述公式变成唯一的LBP值，用来描述局部图像纹理的空间结构：2024/7
11、/2821LBP人脸特征提取算法的研究与应用2.LBP算法的研究当P=8,R=1时，这里的LBP值和经典的LBP值很相似，但差别在于，这边采样区域为圆形，且像素值必须通过二线性插值获得。2024/7/2822LBP人脸特征提取算法的研究与应用2.LBP算法的研究2.5LBP特征提取的流程2024/7/2823LBP人脸特征提取算法的研究与应用2.LBP算法的研究2.5具体实验对于旋转不变性及uniform旋转不变性，我没有对每个像素都进行上述公式的操作，由于是2进制的圆形循环，可以提前做个mapping映射关系，加快程序执行速度。2024/7/2824LBP人脸特征提取算法的研究与应用输入图像
12、：输入图像：采样点数量均为8，采样半径为102024/7/2825LBP人脸特征提取算法的研究与应用实验结果实验结果1：灰度不变性LBP2024/7/2826LBP人脸特征提取算法的研究与应用实验结果实验结果2：旋转不变性LBP2024/7/2827LBP人脸特征提取算法的研究与应用实验结果实验结果3：uniform旋转不变性LBP2024/7/2828LBP人脸特征提取算法的研究与应用3.LBP特征提取算法的价值及应用3.1LBP的理论研究价值任何纹理图像都包含了统计特征和规律特征两种特征，因此，使用单一的统计分析方法或结构分析方法都很难取得令人满意的分类效果。LBP方法可以认为是随机方法和
13、统计方法的结合。LBP并不是试图从单一的像素点来描述纹理，而是用一个局部区域的模式来描述纹理。每个像素点由一个与之最匹配的局部邻域的原始纹理形成的码值来标记。LBP具有原始纹理和布局规则，因此，LBP分布具有结构分析的特点;另一方面，这种分布又可以看做是图像经过一种非线性滤波后的统计，这明显又具有统计分析方法的特点。LBP为同时分析随机性纹理和周期的纹理开辟了一条有效的途径，因此，LBP的方法能够广泛地应用于各类纹理图像的识别，并能充分克服传统的单一采用统计或结构方法的不足。2024/7/2829LBP人脸特征提取算法的研究与应用3.LBP特征提取算法的价值及应用3.2LBP应用于人脸特征匹配
14、文献3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。3.TimoAhonen,AbdenourHadid：FaceRecognitionwithLocalBinaryPatterns，20102024/7/2830LBP人脸特征提取算法的研究与应用3.LBP特征提取算法的价值及应用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Mi，待匹配人脸直方图为Si，那么可以通过:(1)直方图交叉核方法2(用来对特征构成的直方图进行相似度匹配)(2)卡方统计方法3(一种检验两个变量独立性的方法)4.ThePyramidMatchKernel:DiscriminativeClassificationwithSetsofImageFeatures，20105.http:/ THANKS！2024/7/2835LBP人脸特征提取算法的研究与应用结束结束
