LBP人脸识别

LBP特征

LBP特征呢网上比较多，就不多说了，就是邻域像素和中心点像素比较，二值化后排列成8位，将这8位组合成一个unsigned char变量，就是该中心点处的LBP特征，对每个点执行该运算，则形成一幅LBP图。

LBP等价模式

由于LBP取值范围是【0–255】，特征太多，所以抽取其中的等价模式，一共59个。抽取方式就是循环一圈，计算跳变次数，按跳变次数将LPB特征分为两类：

1、跳变次数不超过2次（如边缘、角点会有两次，平面则只有0次）
1、跳变次数超过2次

LBP直方图

按照等价模式，对一个图像区域进行LBP直方图统计，能得到59维的直方图向量。

分块LBP直方图

在人脸识别中，将人脸划分为77个区域，对每个区域进行LBP直方图进行统计，得到77*59维特征向量，这便是该人脸的特征向量

特征向量匹配识别

LBP特征向量匹配前，需要分别计算两幅图像的LBP特征向量，但是由于可能数据库的人脸大小和图像中检测到的人脸大小不一致，虽然是同一个人脸，缩放以后的LBP特征向量便不尽相同，可能方向一致，长度不一致。所以我们匹配的时候，就不能考虑采用直接欧式距离去度量两个向量的相似度，（但是如果我们进行归一化处理就可以避免这个问题）。

1、直方图交叉核方法
做这个的话，对于LBP特征，有一个要求，就是向量维度要相同

分三步走，先得到直方图交集：

计算交集直方图的梯度变化：

然后对梯度求和：

$w_i$通常设置为$1/(2^i)$:

得到的值越大越相似

个人觉得不如交核后的直方图与模板直方图做差，得到的值越小越相似，直接用向量投影

对于两个维度相同的直方图，做法就是取其交集（最小值）
对于两个维度不同的直方图，首先要将其划为维度相同的直方图，再取交集，如果a是模板，b是待匹配的直方图，则将b直方图先拉长到和a一样。对于按照顺序（从小到大或者从大到小）排列可以这么干，但是如果对于乱序排列的直方图，怎么干就有失偏颇。得先变为同序排列，再这么干

2、卡方检验
就是采用卡方检验来检测两个直方图的分布是否一致（相似）。

样本和期望分布的欧式距离为：

其相对偏差为：

对于一个大数而言（如1000），偏离±1单位的影响和对于一个小数而言（如10）的影响不可相提并论，而用这种相对偏差形式则可以很好避免这种情况。

人脸检测

人脸识别前，需要对人脸进行检测定位，方法很多，如VJ检测器

参考文献：

[1]Timo Ahonen, Abdenour Hadid：Face Recognition with Local Binary Patterns