1、LBP特征背景介绍

     LBP指局部二值模式,英文全称:Local Binary Pattern,是一种用来描述图像局部特征的算子,LBP特征具有灰度不变性和旋转不变性等显著优点。它是由T. Ojala, M.Pietikäinen, 和 D. Harwood [1][2]在1994年提出,由于LBP特征计算简单、效果较好,因此LBP特征在计算机视觉的许多领域都得到了广泛的应用,LBP特征比较出名的应用是用在人脸识别和目标检测中,在计算机视觉开源库OpenCV中有使用LBP特征进行人脸识别的接口,也有用LBP特征训练目标检测分类器的方法,Opencv实现了LBP特征的计算,但没有提供一个单独的计算LBP特征的接口。

2、MATLAB代码

 1 %2017-05-12   学习LBP特征  
 2 
 3  clc;
 4  clear;
 5 
 6 %读图操作
 7 img=imread('船 (403).bmp');
 8 [m,n]=size(img);
 9 figure(1);
10 imshow(img,[]);
11 title('原图');
12 %%
13 %求原始的LBP特征
14 img_LBP=zeros(m,n);
15 for i=2:m-1
16    for j=2:n-1 
17        
18        code=zeros(1,8);    %行向量
19        code(1)=img(i-1,j-1)>img(i,j);
20        code(2)=img(i-1,j)>img(i,j);
21        code(3)=img(i-1,j+1)>img(i,j);
22        code(4)=img(i,j+1)>img(i,j);
23        code(5)=img(i+1,j+1)>img(i,j);
24        code(6)=img(i+1,j)>img(i,j);
25        code(7)=img(i+1,j-1)>img(i,j);
26        code(8)=img(i,j-1)>img(i,j);
27        for p=1:8
28            img_LBP(i,j)=img_LBP(i,j)+code(p)*2^(8-p);     %从左上角开始,顺时针编码
29        end
30        
31    end
32 end
33 
34 figure(2);
35 imshow(img_LBP,[]);
36 title('original LBP');
37 %%
38 %求旋转不变LBP
39 img_LBP_ri=zeros(m,n);
40 for i=2:m-1
41    for j=2:n-1 
42        
43        code=zeros(1,8);    %行向量,原始LBP特征编码
44        code(1)=img(i-1,j-1)>img(i,j);
45        code(2)=img(i-1,j)>img(i,j);
46        code(3)=img(i-1,j+1)>img(i,j);
47        code(4)=img(i,j+1)>img(i,j);
48        code(5)=img(i+1,j+1)>img(i,j);
49        code(6)=img(i+1,j)>img(i,j);
50        code(7)=img(i+1,j-1)>img(i,j);
51        code(8)=img(i,j-1)>img(i,j);
52        for p=1:8
53            img_LBP_ri(i,j)=img_LBP_ri(i,j)+code(p)*2^(8-p);     %从左上角开始,顺时针编码
54        end
55        
56        %循环左移,移动k位相当于把开头的k个数放到最右边
57        for k=1:7
58            code=[code(k+1:end) code(1:k)];    %移位之后的二进制编码,右移表达式 code=[code(end-k+1:end) code(1:end-k)]
59            temp=0;
60            for p=1:8
61                temp=temp+code(p)*2^(8-p);
62            end
63            if temp<img_LBP_ri(i,j)    %取旋转之后的最小值
64                img_LBP_ri(i,j)=temp;
65            end
66        end
67        
68    end
69 end
70 
71 figure(3);
72 imshow(img_LBP_ri,[]);
73 title('rotate invariant LBP');

3、LBP特征图像

 4、LBPH的求法

      LBPH(Local Binary PatternsHistograms),局部二进制编码直方图,建立在LBPH基础之上的人脸识别法基本思想如下:

(1)首先以每个像素为中心,判断与周围像素灰度值大小关系,对其进行二进制编码,从而获得整幅图像的LBP编码图像;

(2)再将LBP图像分为个区域,获取每个区域的LBP编码直方图,继而得到整幅图像的LBP编码直方图;

(3)通过比较不同图像LBP编码直方图达到图像分类的目的,其优点是不会受到光照、缩放、旋转和平移的影响。

比如说,对应、于一张200*200的图片,照上述方法求出LBP特征图像(在最外圈补0)也为200*200,再将LBP图像分为10行10列,按行求出每一小块20*20的直方图。

问题在于如何归一化,特意查了一下数据归一化的方法,如下:

数据归一化和两种常用的归一化方法

      数据标准化(归一化)处理是数据挖掘的一项基础工作,不同评价指标往往具有不同的量纲和量纲单位,这样的情况会影响到数据分析的结果,为了消除指标之间的量纲影响,需要进行数据标准化处理,以解决数据指标之间的可比性。原始数据经过数据标准化处理后,各指标处于同一数量级,适合进行综合对比评价。

以下是两种常用的归一化方法:

一、min-max标准化(Min-Max Normalization)

也称为离差标准化,是对原始数据的线性变换,使结果值映射到[0 , 1]之间。转换函数如下:

                                                           

其中max为样本数据的最大值,min为样本数据的最小值。这种方法有个缺陷就是当有新数据加入时,可能导致max和min的变化,需要重新定义。

二、Z-score标准化方法

这种方法给予原始数据的均值(mean)和标准差(standard deviation)进行数据的标准化。经过处理的数据符合标准正态分布,即均值为0,标准差为1,转化函数为:

                                                                             

其中μ为所有样本数据的均值,σ为所有样本数据的标准差。

 

 

但是网上看到有人解析Opencv里面用LBP 作人脸识别时说到直方图归一化,直接对直方图除以上文举例中的20*20

 

参考博客:http://blog.csdn.net/sinat_25885063/article/details/43704005

posted on 2017-05-12 16:36  紫月小猫咪  阅读(2839)  评论(1编辑  收藏  举报