局部二值模式LBP-简单人脸识别(三)

一）局部二值模式简介

前面介绍过关于主成分分析法的识别方法，这个方法是选取的整幅图像的主成分分量来作为新的特征，从某种意义上说这是一种基于全局特征的方法。但是一般图像识别中，仅仅使用全局特征是不够的，获得的识别率较低，更多的时候，表征一副图像的特征也缺少不了局部特征。那么局部二值模式（LBP）就是这样一种表征局部特征的方法。

介绍性原理的文章很多，这里贴个较好的：

人脸识别经典算法二：LBP方法

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

研究该算法的过程中还发现了一篇较好的硕士论文：

基于LBP的人脸识别研究_黄非非

想深入了解的可以看看。

一）经典LBP特征提取的程序实现

   

在介绍实现之前请一定要看上述的那篇博客，那个里面有相关的介绍原理，看了这个原理才能知道算法的实现过程。这里也是介绍经典的矩形3*3领域实现方法。

从上述原理可以知道，要得到图像中的每个像素点的LBP值，必须和它的领域有关，所以它的四周必须得有像素点，这就出现了一个问题，对于一个图像边缘像素点来说怎么办？它是边缘点，那么必定存在着它的3*3领域内的某几个点超出图像之外，也就是没有像素值，这样会出现错误的，那么一个解决办法就是对原图像进行像素扩展，也就是把原图像的四周向外扩展一下，像素点的灰度扩展成多少？可以是把边界点的像素复制过去就可以了（当然还有其他方法），知道图像滤波的可能会知道，在滤波算法中也存在着边界点的处理过程，本质上方法是一样的。

考虑到是3*3的矩形领域，那么四周边界点只需要向外扩展一行或者一列就行了。如果矩形框改变大小，那么向外扩展的大小也改变。简单的扩展描述过程如下：

把相应的位置复制到新的扩展图中就可以了。

从原理中看到某个像素点的LBP值得计算公式可以简单描述为：

其中，2^p的系数可以用矩阵代替：C = [1,2,4;128,0,8;64,32,16];

求和可以用矩阵的点乘来代替并求和。矩阵点乘就是矩阵对应位置与对应位置相乘，和矩阵直接相乘还是有很大的区别。

有了上述分析，程序可以写成如下：

%--------------函数说明-------------  
%-----LBP：Local Binary Patterns，局部二值模式
%-----输入:img原始灰度图像:注意图片为double型
%-----输出:该图像的的LBP特征
%-----------------------------------  
function LBP = Lbp_Img(img)
%% %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
[m,n] = size(img);%取大小
r = 1;
img_extend = zeros(m+2*r,n+2*r);%规定扩展后的矩阵大小并赋值0
img_extend(r+1:m+r,r+1:n+r) = img;%中间部分复制
img_extend(1:r,r+1:n+r) = img(1:r,1:n);%上扩展
img_extend(1:m+r,n+r+1:n+2*r) = img_extend(1:m+r,n+1:n+r);%右扩展
img_extend(m+r+1:m+2*r,r+1:n+2*r) = img_extend(m+1:m+r,r+1:n+2*r);%下扩展
img_extend(1:m+2*r,1:r) = img_extend(1:m+2*r,r+1:r+1:2*r);%左扩展

%%
C = [1,2,4;128,0,8;64,32,16]; %矩阵点乘的权值矩阵
LBP = zeros(m,n);
for i=1:m   %对所有的像素点
    for j=1:n
        temp = img(i,j);   %取得该点像素值--也就是中心值
        temp_mat = ones(3)*temp;  %检测得邻域矩阵3*3
        temp_ext = img_extend(i+r-1:i+r+1,j+r-1:j+r+1);%取得邻域矩阵像素点
        temp_mean = temp_ext - temp_mat;  %相差
        temp_mean(find(temp_mean>=0)) = 1; %判断，置0与1
        temp_mean(find(temp_mean<0)) = 0;
        LBP(i,j) = sum(sum(C.*temp_mean));   %点乘并求和返回LBP
    end
end

二）:样本图片的LBP提取与直方图显示：

现在对一副图像进行提取整个图像的LBP,很显然一幅图像的LBP必定是与原图像相同大小的矩阵才对。现在我们随意找来一副图像进行提取LBP：

首先转化成灰度图像，并进行double型转换，最后直接运行

LBP = Lbp_Img(img);imshow(LBP,[])

如下(注意imshow函数在显示的时候加上[],使其自适应显示，不然显示不出来这个图)：

LBP算法的一大优点就是对光照具有较强的鲁棒性，现在人为用matlab改变一下样本的原始亮度，再显示他们的LBP如下所示：

可以看到在亮度不同的条件下他们的LBP基本上没有多大变化。

那么怎么去进行后续处理呢？一个很重要的处理方法就是对LBP进行灰度直方图处理，在直方图的基础上进一步处理。

对上述得到的LBP，matlab本身自带直方图统计与显示函数hist，但是它只能处理一行或者一列的数据，所以对LBP这种矩阵首先得进行处理成一行再来运用，这里我们又可以运用reshape函数了。处理与显示如下：

 

>> [m,n] = size(LBP);

data = reshape(LBP,1,m*n);

hist(data,255);

[nel,cen] = hist(data,255);

统计直方图如下所示：

还有一个我们关心的数字就是上述的nel，这是每个像素点的LBP中的总统计个数,而cen是中心点，其实就是1~255（所有灰度值）。nel这个1*n的数据在后面的处理时至关重要。