人脸识别---LBP特征与高维LBP特征

Abstrcat—本文主要介绍$LBP$特征和高维$LBP$特征在人脸
识别领域的应用。
目录

1. LBP

        $LBP$算子是由$Ojala$等人于1996年提出的，它是一种简单，有效的纹理分类的特征提取算法。
      从纹理分析的角度来看，图像上某个像素点的纹理特征，大多数情况下是指这个点和周围像素点的关系，即这个点和它的邻域内点的关系。从哪个角度对这种关系提取特征，就形成了不同种类的特征。有了特征，就能根据纹理进行识别。LBP构造了一种衡量一个像素点和它周围像素点的关系。
      $LBP$算子利用了周围点与该点的关系对该点进行量化。量化后可以更有效地消除光照对图像的影响。只要光照的变化不足以改变两个点像素值之间的大小关系，那么$LBP$算子的值不会发生变化，所以一定程度上，基于$LBP$的识别算法解决了光照变化的问题，但是当图像光照变化不均匀时，各像素间的大小关系被破坏，对应的$LBP$模式也就发生了变化，解决方法后面的博文会提到。本文主要来讲解高维$LBP$.

高维LBP

高维$LBP$顾名思义为高维度的$LBP$特征，实验证明高维LBP能取得比全局$LBP$更鲁棒的效果。可以参考文章（ Chen D, Cao X, Wen F, et al. Blessing of dimensionality: High-dimensional feature and its efficient compression for face verification[C]//Computer Vision and Pattern Recognition (CVPR), 2013 IEEE Conference on. IEEE, 2013: 3025-3032.）
下面我只是介绍两种提取高维$LBP$的方式。

• 区域多尺度
  如图1所示
  
  图1 区域多尺度高维 $LBP$特征提取

从图一可以看出，我们采用了多尺度提取$LBP$特征，这样可以保证局部的纹理特征不受全局特征影响，而且可以使特征的自由度变高。

• 多关键点多尺度的高维$LBP$
  如图2所示。
  
  图2 多关键点多尺度的高维 $LBP$特征提取

      图2展示基于关键点的多尺度$LBP$提取方法，这种方法可以排除一些没必要的区域特征，这些没用的特征对识别没用任何用处，甚至可能会影响识别效果。
      当然对于这些关键点，我们也可以采用SIFT或者SURF关键点周围的$LBP$特征，这样的特征变化大，自由度更高。可以参考论文(Liao S, Jain A K, Li S Z. Partial face recognition: Alignment-free approach[J]. Pattern Analysis and Machine Intelligence, IEEE Transactions on, 2013, 35(5): 1193-1205.).

当然提取出来的LBP特征使用开根号处理，这样识别率更高！