LBP人脸识别

LBP(local binary pattern)是一种用来描述图像局部纹理特征的算子。原始的LBP于1994年提出，它反映内容是每个像素与周围像素的关系。后被不断的改进和优化，分别提出了LBP旋转不变模式、LBP均匀模式等。

一：原始的LBP

   给出一个简单的案例计算LBP：如下图，周围8个像素点比中间点像素值大(或者相等)的记为1，小的记为0，这样就得到二值图，然后按顺时针方向得到二进制串10001111

这样中间点的像素值就用241来代替。注意这里的计算LBP的顺序并没有硬性要求，只是一个量化公式，在同一处理中保持相同的顺序即可。

下面给出LBP的计算公式：

二、旋转不变的LBP模式<LBPROT>

原始的LBP不具有旋转不变性，这样我们就提出了旋转不变的LBP模式。旋转不变的LBP计算公式如下：

这样计算出来的LBP共有36种，分布情况如下面两幅图：

其中白点代表1，黑点代表0。

三：均匀LBP模式

旋转LBP模式同样存在缺陷，大量的实验证明LBP模式的36种情况在一幅图像中分布出现的频率差异较大，得到的效果并不是很好。因此人们提出了均匀LBP模式即uniform LBP。

均匀模式就是一个二进制序列从0到1或是从1到0的变过不超过2次（这个二进制序列首尾相连）。比如：10100000的变化次数为3次所以不是一个uniform pattern。所有的8位二进制数中共有58(变化次数为0的有2种，变化次数为1的有0种，变化次数为2的有56种)个uniform pattern.为什么要提出这么个uniform LBP呢，因为研究者发现他们计算出来的大部分值都在这58种之中，可达到90%以上，所以他们把值分为59类，58个uniform pattern为一类，其它的所有值为第59类。59=(2+0+56)+1,这样直方图从原来的256维变成59维。起到了降维的作用。

 计算公式：

应用：

在模式识别如判断两幅图片的相似性时，我们可以统计这两幅图像的LBP特征的直方图。这样，在原始的LBP模式中，统计的直方图可以当做一个256维的向量。直接这样判断，很多时候会因为“位置没有对准”而产生很大的误差。大量研究表明，此时我们可以将一幅图片划分为若干的子区域，对每个子区域内的每个像素点都提取LBP特征，然后，在每个子区域内建立LBP特征的统计直方图。如此一来，每个子区域，就可以用一个统计直方图来进行描述；整个图片就由若干个统计直方图组成。比如将一幅图像划分为10*10个区域，这样得到向量的维数就是256*10*10。而针对uniform LBP，此时向量的维数就是59*10*10, 从而达到降维的目的。

目前，LBP局部纹理提取算子，已经成功应用在指纹识别、字符识别、人脸识别、车牌识别等领域。

Code：

原始的LBP：

[cpp] view plaincopy

1. void LBP(Mat &image, Mat &result)  
2. {  
3.     for(int y = 1; y < image.rows-1; y ++)  
4.     {  
5.         for(int x = 1; x < image.cols-1; x++)  
6.         {  
7.             uchar neighbor[8] = {0};  
8.             neighbor[0] = image.at<uchar>(y-1, x-1);  
9.             neighbor[1] = image.at<uchar>(y-1, x);  
10.             neighbor[2] = image.at<uchar>(y-1, x+1);  
11.             neighbor[3] = image.at<uchar>(y, x+1);  
12.             neighbor[4] = image.at<uchar>(y+1, x+1);  
13.             neighbor[5] = image.at<uchar>(y+1, x);  
14.             neighbor[6] = image.at<uchar>(y+1, x-1);  
15.             neighbor[7] = image.at<uchar>(y, x-1);  
16.             uchar center = image.at<uchar>(y, x);  
17.             uchar temp = 0;  
18.             for(int k = 0; k < 8; k++)  
19.             {  
20.                 temp += (neighbor[k] >= center)* (1<<k);  // 计算LBP的值  
21.             }  
22.             result.at<uchar>(y,x) = temp;   
23.         }  
24.     }  
25. }  
26.   
27. int main()  
28. {  
29.     Mat image = imread("F:\\lena.png", 0);  
30.     if(!image.data)  
31.     {  
32.         cout << "Fail to load image" << endl;  
33.         return 0;  
34.     }  
35.     Mat result;  
36.     result.create(Size(image.cols, image.rows), image.type());  
37.     LBP(image, result);  
38.     namedWindow("result", 0);  
39.     imshow("result", result);  
40.     waitKey(0);  
41.     return 0;  
42. }  

uniform LBP：

[cpp] view plaincopy

1. // 计算跳变次数  
2. int getHopCount(int i)  
3. {  
4.     int a[8] = {0};  
5.     int cnt = 0;  
6.     int k = 7;  
7.     while(i)  
8.     {  
9.         a[k] = i&1;  
10.         i = i >> 1;  
11.         --k;  
12.     }  
13.     for(k = 0; k < 7; k++)  
14.     {  
15.         if(a[k] != a[k+1])  
16.         {  
17.             ++cnt;  
18.         }  
19.     }  
20.     if(a[0] != a[7])  
21.     {  
22.         ++cnt;  
23.     }  
24.     return cnt;  
25. }  
26.   
27. // 降维数组 由256->59  
28. void lbp59table(uchar *table)  
29. {  
30.     memset(table, 0, 256);  
31.     uchar temp = 1;  
32.     for(int i = 0; i < 256; i++)  
33.     {  
34.         if(getHopCount(i) <= 2)    // 跳变次数<=2 的为非0值  
35.         {  
36.             table[i] = temp;  
37.             temp ++;  
38.         }  
39.     }  
40. }  
41.   
42. void uniformLBP(Mat &image, Mat &result, uchar *table)  
43. {  
44.     for(int y = 1; y < image.rows-1; y ++)  
45.     {  
46.         for(int x = 1; x < image.cols-1; x++)  
47.         {  
48.             uchar neighbor[8] = {0};  
49.             neighbor[0] = image.at<uchar>(y-1, x-1);  
50.             neighbor[1] = image.at<uchar>(y-1, x);  
51.             neighbor[2] = image.at<uchar>(y-1, x+1);  
52.             neighbor[3] = image.at<uchar>(y, x+1);  
53.             neighbor[4] = image.at<uchar>(y+1, x+1);  
54.             neighbor[5] = image.at<uchar>(y+1, x);  
55.             neighbor[6] = image.at<uchar>(y+1, x-1);  
56.             neighbor[7] = image.at<uchar>(y, x-1);  
57.             uchar center = image.at<uchar>(y, x);  
58.             uchar temp = 0;  
59.             for(int k = 0; k < 8; k++)  
60.             {  
61.                 temp += (neighbor[k] >= center)* (1<<k);  // 计算LBP的值  
62.             }  
63.             result.at<uchar>(y,x) = table[temp];   //  降为59维空间  
64.         }  
65.     }  
66. }  
67.   
68. int main()  
69. {  
70.     uchar table[256];  
71.     lbp59table(table);  
72.     Mat image = imread("F:\\lena.png", 0);  
73.     if(!image.data)  
74.     {  
75.         cout << "Fail to load image" << endl;  
76.         return 0;  
77.     }  
78.     Mat result;  
79.     result.create(Size(image.cols, image.rows), image.type());  
80.     uniformLBP(image, result, table);  
81.   
82.     namedWindow("uniformResult", 0);  
83.     imshow("uniformResult", result);  
84.   
85.     waitKey(0);  
86.     return 0;  
87.       
88. }  

Result：

原图：

原始LBP：

uniform LBP：

参考文献：文章：Multiresolution Gray-Scale and Rotation Invariant Texture Classificationwith Local Binary Patterns