LBP特征描述算子-人脸检测学习笔记

本文链接：https://blog.csdn.net/M1911616095/article/details/106988566

LBP特征描述算子-人脸检测学习笔记

LBP特征算子原理介绍
人脸特征检测算法原理
基于opencv实现
人脸检测过程
人脸检测结果演示
我的学习总结

LBP特征算子原理介绍

LBP指局部 0，1二值模式，属于用来扫描图片的一种特征算子，在灰度不变性，旋转不变性方面具有显著的特点，通常检测图片里人脸局部特征时，基于opencv下使用LBP算子实现人脸特征识别，还可以将LBP具有的特征用于训练目标检测分类器。需要了解，LBP用于opencv计算的时候，不能提供一个单独的计算LBP特征的接口。在OpenCV中可以使用LBP算法，但是没有提供函数接口。

人脸特征检测算法原理

在LBP进行人脸特征识别检测时，用 $T$ 来描述图像的纹理特征，可以将假设局部邻域中像素个数为 $P (P > 1)$ 。其形式可描述成： $T=t\left(g_{c}, g_{0}, \ldots, g_{p-1}\right) \quad p=0, \ldots, P-1\tag{2-1}$
$g_c$ 指中心灰度值， $g_p$ 指中心作为像素的圆心，半径为R的圆上像素的灰度值
如果中心像素和局部邻域像素相互独立，定义式可以改写为： $\begin{aligned} T &=t\left(g_{c}, g_{0}-g_{c}, \ldots, g_{p-1}-g_{c}\right) \quad p=0, \ldots, P-1 \ & \approx t\left(g_{c}\right) t\left(g_{0}-g_{c}, \ldots, g_{p-1}-g_{c}\right) \end{aligned}\tag{2-2}$
局部区域的整体亮度是由 $t(g_c)$ 这一部分来决定的，在对于纹理特征处理，不需要这一项，可改写成： $\approx t\left(g_{0}-g_{c}, \ldots, g_{p-1}-g_{c}\right) \quad p=0, \ldots, P-1\tag{2-3}$
在邻域像素和中心像素的差的联合分布函数中， $g_p − g_c$ 是基本不受亮度均值影响。
上式可以看出，此时统计量T 是一个跟亮度均值，即灰度级无关的值。
最后定义特征函数如下： $KaTeX parse error: Expected '}', got '\right' at position 184: …x<0 \end{array}\̲r̲i̲g̲h̲t̲. \end{array}\t…$

1.混合模式

1.圆形LBP算子

因为LBP特征算子存在缺陷，它只能覆盖一定领域里一小区域，在不同尺寸和频率纹理的需要达不到，确保不同尺度的纹理特征能成功获取，又达到灰度级和旋转不变性的要求，需要通过Ojala，对LBP算子缺陷进行了改进，这样的处理可以使原本的3X3领域，扩展到无限大的领域，对LBP存在的缺陷有很好的修复作用，同时可以利用圆形去替换对应的正方形或者矩形
如下图显示
在这里插入图片描述
通过给定中心点 $x_c,y_c)$ ,得到其邻域像素位置为 $x_p,y_p)$ ， $p \in P$ ，其采样点 $x_p,y_p)$ 用如下公式计算：

$\begin{array}{l} x_{p}=x_{c}+\operatorname{Rcos}\left(\frac{2 \pi p}{P}\right) \ y_{p}=y_{c}+\operatorname{Rsin}\left(\frac{2 \pi p}{P}\right) \end{array}\tag{2-6}$

R是采样半径，p是第p个采样点，P是采样数目。如果近邻点不在整数位置上，就需要进行插值运算，

2.LBP旋转不变性及等价模式

LBP是在像素灰度上不改变，但旋转时会发生改变，旋转后的像素特征存在很大的差别，通过Ojala在LBP算法上，进行对应缺陷的改进，就实现了具有旋转不变性的LPB的特征。
不断旋转圆形邻域得到一系列初始定义的LPB值，取最小值作为该邻域的值。

$P_{P R}^{ri}=\min \left(R O R\left(L B P_{P, R}^{ri}, i\right) | i=0,1, \ldots, P-1\right)\tag{2-7}$

其中 $L B P_{P R}^{ri}$ 表示具有旋转不变性的LBP特征。 $R O R (x, i)$ 为旋转函数，表示将 $x$ 右循环 $i$ 位。
在这里插入图片描述
因为LBP能实现多种二进制方式，，对于 $LBP^{R}_p$ 将会产生 $2^p$ 种模式。比如 $7 * 7$ 邻域内有 $2^{36}$ 种模式。如此多的二值模式对于信息的提取和识别都是不利的。其定义式为 $U\left(G_{p}\right)=\left|s\left(g_{p_{-1}}-g_{c}\right)-s\left(g_{0}-g_{c}\right)\right|+\sum_{p=1}^{P_{-1}}\left|s\left(g_{p}-g_{c}\right)-s\left(g_{P-1}-g_{c}\right)\right|\tag{2-8}$

2.混合模式

是等价模式的另外一种模式，是对等价模式的改进，改进后的LPB模式数由2 $^{p}$ (p为邻域集内的采集点数 ) 降维为 $p * (p - 1) + 2$ 。维数减少，可以降低高频噪声的影响。Ojala认为等价模式占总模式中的绝大数

基于opencv实现

实现前
在这里插入图片描述
实现后

圆形检测替换正方形检测

人脸检测过程

采用多尺度滑窗搜索方式，在每个尺度相应距离截取大小为20x20的窗口，然后将窗口放到分类器中进行是不是人脸的判决，如果是人脸则该窗口通过所有分类器；反之，会在某一级分类器被排除。

人脸检测结果演示

原图
在这里插入图片描述
灰度不变常规LBP

等价灰度不变LBP
等价旋转不变LBP

我的学习总结

当今图像处理技术突飞猛进，导致曾经大量应用于人脸特征识别的LBP特征算子逐渐埋没，在掌握一门新的技术后，又开启新一门新技术的学习，才能在未来技术应用中应对得了如指掌。需要特别说明：深度学习与卷积神将网络迅猛发展，LBP为特征的检测及识别算法并不具有竞争优势，LBP可以作为一门课程进行学习，也是一种很好的选择

[1]https://github.com/datawhalechina/team-learning/blob/master