人脸检测特征-LBP特征

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。