人脸检测特征-LBP特征

版权声明:本文为博主原创文章,遵循 CC 4.0 BY-SA 版权协议,转载请附上原文出处链接和本声明。
本文链接:https://blog.csdn.net/szfhy/article/details/50117093

LBP特征是用在纹理图像分析中的常用检测算子,LBP(local binary pattern)局部二值模型,简单的讲,该算子对一个局部3×3的区域进行变换,将局部区域中心像素和周围的8个像素点进行比较,如果周围的像素值大于中心的值,则设周围的像素点为1,否则为0,这样8个像素点可以就可以组成一个二进制序列,将该二进制的作为该局部区域中心的LBP值。然后再进行纹理分析,在实际的操作过程中,不一定仅仅用3×3局部区域进行LBP变换。

后来,LBP特征被用在了人脸检测与识别的过程中。将人脸分成N个矩形区域,对图像进行LBP变换,求出每个区域的LBP直方图,将这N个直方图拼接成一个新的直方图,并用该直方图的特征表示人脸的特征。Figure2描述了特征向量求出的详细过程

但是该方法易受到噪声的影响,图像的噪声一般不会出现很大的块状噪声,LBP特征是对局部3×3的像素点进行变换,如果我们用局部3×3的矩形进行变换,点噪声的问题就变的不明显,不会影响检测的性能。如figure3所示,求取每个矩形内的图像像素和做为矩形的特征值,将每个矩形的特征值与中心矩形的特征值进行比较,重新进行LBP编码,并将LBP编码做为该局部区域的特征值,利用boost学习算法,学习出一个分类器,便可以进行人脸检测和识别。

              


该特征相对于haar特征有以下优点:

一:不用进行光照归一化处理,因此也不用求取图像的方差,计算量小。

二:分类器文件占用的存储空间小,便于在嵌入式设备上存储。

三:计算过程简单,没有复杂的除法和特殊运算,便于硬件实现。

四:相对于haar特征,该特征检测的时间短,检测的实时性好。



展开阅读全文

没有更多推荐了,返回首页