人脸识别经典算法二 LBP方法

本文详细介绍了局部二值模式(LBP)方法在人脸识别中的应用,包括LBP特征提取、圆形LBP算子、LBP等价模式以及特征匹配。LBP以其对光照的鲁棒性和计算速度在纹理分析领域表现出色。通过将图像划分为子区域并统计LBP直方图,可以作为人脸识别的判别特征。
摘要由CSDN通过智能技术生成

分享一下我老师大神的人工智能教程!零基础,通俗易懂!http://blog.csdn.net/jiangjunshow

也欢迎大家转载本篇文章。分享知识,造福人民,实现我们中华民族伟大复兴!

               
 

人脸识别经典算法二:LBP方法

分类: 计算机视觉   3942人阅读  评论(8)  收藏  举报

第一篇博文特征脸方法不同,LBP(Local Binary Patterns,局部二值模式)是提取局部特征作为判别依据的。LBP方法显著的优点是对光照不敏感,但是依然没有解决姿态和表情的问题。不过相比于特征脸方法,LBP的识别率已经有了很大的提升。在[1]的文章里,有些人脸库的识别率已经达到了98%+。


1、LBP特征提取

最初的LBP是定义在像素3x3邻域内的,以邻域中心像素为阈值,将相邻的8个像素的灰度值与其进行比较,若周围像素值大于中心像素值,则该像素点的位置被标记为1,否则为0。这样,3x3邻域内的8个点经比较可产生8位二进制数(通常转换为十进制数即LBP码,共256种),即得到该邻域中心像素点的LBP值,并用这个值来反映该区域的纹理信息。如下图所示:


  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
随着计算机和信息技术的快速发展,人脸识别技术越来越受到重视,本文主要研究了人脸在不同光照、不同表情下的特征提取与识别的一些关键问题,提出了一些改进方法,并通过实验进行了可靠性验证. 针对LBP算法提取人脸图像的表情特征信息时会丢失特殊的特征信息的缺点,本文提出了多重局部值模式的人脸表情识别方法(Multiple Local Binary Patterns,MILBP),该方法在保持LBP算法优点的前提下,通过增加一位值编码,利用中心像素点作用以及邻域像素点灰度值之间的关系,得出特征向量图. 实验结果表明MLBP算法LBP算法描述的表情纹理图像更加均匀,且识别率约提高10%. 针对人脸表情图像进行纹理特征提取时的模块大小划分问题,本文提出将MLBP算法与Harr小波分解相结合,该方法首先将表情图像进行Har小波分解,得到四幅不同频率的子图像,然后对其中三幅图像进行MLBP特征提取,并将得到的特征值串联形成表情图像的特征向量。实验结果表明该方法比MLBP方法直接提取表情特征所产生的特征向量的维数减少了25%,特征提取和识别的速率提高了,其中识别率约提高了9%. 人脸识别研究中的识别率容易受光照强度的影响,针对MLBP算法在光照变化时具有旋转不变性,以及Gabor小波能提供空间位置、空间频率的特性,本文提出了多重局部Gabor值模式方法(Multiple Local Gabor Binary Pattern,M LGBP),该方法先对人脸图像使用Gabor小波进行变换处理,保留受光照影响较小的高频部分,然后再采用MLBP算法对Gabor提取后的图像采用分块编码,最后得到联合直方图序列,获得丰富的局部特征信息,实验结果表明了该算法有效的降低了光照对识别率的影响,提高了光照不均匀时的人险识别率,且在特征提取方面比Gabor等算法更加有效.
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值