Face Alignment at 3000 FPS通俗易懂讲解二 LBP局部二进制特征(特征映射)的生成

Face Alignment at 3000 FPS通俗易懂讲解

思想：先局部，再整体。

局部：获取标记点的局部二值特征。

 

二、LBP的获得

具体步骤如下：

对每一张图片的68个标记点进行局部二进制编码，每一个点生成一个子编码。一个子编码由随机森林，也就是10个决策树的编码组成。

 

要用到的参数：随机森林中每个决策树的阈值信息、两点坐标、树的深度。

 

1、两点坐标，用于对图像上的这两点计算像素差值，进行编码。

选择的两个坐标点是生成决策树节点分裂阈值时候随机选择的500个点有关（在固定半径内），根据这500个随机点得到的两个坐标点。因为树的深度为5，所以对于一个决策树，有31个这样的坐标点对。像素差值的个数为4。

 

2、阈值信息：随机森林中每个决策树的阈值，用来判断像素差值的编码结果。

对每一个标记点可得到4个像素差值，通过与分裂节点的阈值比较，最终抵达叶子节点，抵达的点编码为1，其余为0。

 

举例：

①树的深度为5，所以叶子节点一共有16个，而这里仅有一个点的编码为1，所以是很稀疏的矩阵。并且只需要比较前4个。

每个树的节点上都有自己的阈值，并且在每个深度都会有一个像素差值来与与之进行比较，来确定最终落到叶子节点。以一个实际编码的树来说明。通过比较像素差阈值和节点阈值，最终落到叶节点上。

得到了1个特征点的对应的1个决策树的局部二进制编码。

 

②对于1个标记点，可得到10个 16位的编码。这10个 16位的编码组合形成这1个标记点的特征映射。

得到了1个特征点的对应的随机森林的局部二进制编码。

 

③68个标记点得到68个特征映射，组成一个。

得到了68个特征点的对应的随机森林的局部二进制编码。

 

④N张图片分别有自己的特征映射。N个串联。

得到了N张图片局部二进制编码。

 

⑤每个层级有自己的N个。

得到了N层局部二进制编码。

每个最小的16位的编码会记录哪一个叶节点的值为1。