LBP特征检测算子-人脸检测

简介

继续跟着datawhale组织学习LBP特征检测算子，人脸检测算法，虽然现在主流都是用深度学习了，但是学一下传统的方法，对于未来学习深度学习也会更加得心应手一些～

LBP是一种用来描述图像局部特征的算子，具有灰度不变性和旋转不变性的特点，有点像vslam中的计算ORB的方法，再考虑描述子，来判断图像的旋转。LBP常用于人脸检测和目标检测，也可以使用LBP特征训练目标检测分类器的方法，

算法理论介绍

LBP原理介绍

我就大概总结一下原理吧，就不贴具体公式了，LBP特征就死利用图像的局部的联合概率分布，来描述图像的特征，也即当前的像素点和周围一圈像素之间的关系，我们认为中信的像素和局部邻域像素是相互独立的，那么就可以表示成

$$\begin{array}{rl}T& =t\left(g_c,g_0-g_c,\dots ,g_{p-1}-g_c\right)p=0,\dots ,P-1\\ & \approx t\left(g_c\right)t\left(g_0-g_c,\dots ,g_{p-1}-g_c\right)\end{array}$$

最后经过整理得上式说明，将纹理特征定义为邻域像素和中心像素的差的联合分布函数

一般通俗解释为，周围一圈像素与它进行比较，分为比它大的和比他小的，然后产生8为二进制数。8位二进制数就反映了像素周围区域的纹理信息。

圆形的LBP算子

基本的LBP算子只能覆盖一个固定范围的小区域，为了适应不停尺度的纹理，可以将3*3邻域拓展到任意大的邻域，并用圆形邻域代替了正方形邻域，这样可以得到采样半径范围内的点。

LBP的旋转不变性

以上的LBP只实现了灰度不变，但是并未实现旋转不变，同一副图像旋转后，特征差异很大，具体实现方法如下：
不断旋转图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

求取旋转不变的LPB特征示意图

等价模式：当某个局部二进制模式所对应的循环二进制数从0到1或从1到0最多有两次跳变时，该局部二进制模式所对应的二进制就称为一个等价模式。

  比如：00000000，11111111，11110010，10111111都是等价模式。

  检查某种模式是否是等价模式：
$$U\left(G_p\right)=\left|s\left(g_{p_{-1}}-g_c\right)-s\left(g_0-g_c\right)\right|+\sum _{p=1}^{P_{-1}}\left|s\left(g_p-g_c\right)-s\left(g_{P-1}-g_c\right)\right|\text{\hspace{1em}(2-8)}$$

  将其和其移动一位后的二进制模式按位相减。并绝对值求和。若U$\left(G_p\right)$ 小于等于2，则为等价模式。

通俗将就是认为最多有两次跳变，我们认为是等价的

人脸检测流程

  人脸检测过程采用多尺度滑窗搜索方式，每个尺度通过一定步长截取大小为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。

图 2.3.5 人脸检测流程图

 

基于opencv的实现

• 使用OpenCV的LBP于预训练模型
• 将haarcascade_frontalface_default.xml下载至本地以方便调用，下载链接：https://github.com/opencv/opencv/blob/master/data/lbpcascades/lbpcascade_frontalface_improved.xml

#coding:utf-8
import cv2 as cv

# 读取原始图像
img= cv.imread('*.png')
#face_detect = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')

face_detect = cv.CascadeClassifier("lbpcascade_frontalface_improved.xml")
# 检测人脸
# 灰度处理
gray = cv.cvtColor(img, code=cv.COLOR_BGR2GRAY)

# 检查人脸 按照1.1倍放到 周围最小像素为5
face_zone = face_detect.detectMultiScale(gray, scaleFactor = 2, minNeighbors = 2) # maxSize = (55,55)
print ('识别人脸的信息：\n',face_zone)

# 绘制矩形和圆形检测人脸
for x, y, w, h in face_zone:
    # 绘制矩形人脸区域
    cv.rectangle(img, pt1 = (x, y), pt2 = (x+w, y+h), color = [0,0,255], thickness=2)
    # 绘制圆形人脸区域 radius表示半径
    cv.circle(img, center = (x + w//2, y + h//2), radius = w//2, color = [0,255,0], thickness = 2)

# 设置图片可以手动调节大小
cv.namedWindow("Easmount-CSDN", 0)

# 显示图片
cv.imshow("Easmount-CSDN", img)

# 等待显示 设置任意键退出程序
cv.waitKey(0)
cv.destroyAllWindows()

总结

  以LBP为特征的检测及识别算法并不具有竞争力，但是作为学习案例还是很有借鉴意义的,有助于理解深度学习做人脸检测相关的概念~