基于LBP的人脸识别

一、LBP( local binary pattern)编码:

        LBP编码是一种局部特征描述子。以一个像素为中心,r为半径,选取该圆周上的8个点,比较这8个点与中心点像素值的大小,若大于中心点像素值,则记为1,否则记为0。然后沿顺时针方向将这8个值串联成一个二进制串,即为该中心点的LBP编码。如下图所示:

    

      在实际应用中,通常采用该编码的另一种扩充——uniform patterns。如果一个LBP编码最多包含两次跳变(从0到1,或者从1到0),则称该LBP编码为uniform pattern。

如00000000, 00011110和10000011。

     那么如何判断一个LBP编码是否为uniform pattern呢?方法如下;

   1.将LBP编码l1左移一位,得到l2。

  2.l3=l1^l2(异或)

  3.统计l3中1的个数,如果不大于2,则l1为uniform pattern。

  

二、HLBP编码

    将图像分成rows*cols会,统计每一块图像中LBP编码的直方图(即统计每一小块中,LBP编码值为0,1...k的概率&#x

  • 1
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
LBP(Local Binary Patterns)是一种基于局部纹理特征的人脸识别方法。下面是使用MATLAB实现LBP人脸识别的基本步骤: 1. 读入人脸图像集,将其转换为灰度图像。 ``` % 读入人脸图像集 imgSet = imageSet('face_database', 'recursive'); % 将图像集转换为灰度图像 for i = 1:imgSet.Count img = read(imgSet, i); img = rgb2gray(img); imgSet.ImageLocation{i} = img; end ``` 2. 对每个图像进行LBP特征提取,并将其存储在特征矩阵中。 ``` % 定义LBP特征提取函数 lbp = @(x)reshape(dec2bin(... x(1,1)*0+x(2,1)*1+x(3,1)*2+x(3,2)*4+x(3,3)*8+x(2,3)*16+x(1,3)*32+x(1,2)*64,8)',1,[]); % 提取每个图像的LBP特征 featureMatrix = zeros(imgSet.Count, 256); for i = 1:imgSet.Count img = read(imgSet, i); imgLBP = vl_lbp(im2single(img), 8); featureMatrix(i,:) = double(reshape(imgLBP,1,[])); end ``` 3. 使用PCA降维,将特征矩阵降维到低维空间。 ``` % 对特征矩阵进行PCA降维 [coeff,score,latent] = pca(featureMatrix); lowDim = score(:,1:50); ``` 4. 对测试图像进行LBP特征提取,并将其投影到低维空间中。 ``` % 读入测试图像 testImg = imread('test_face.png'); testImg = rgb2gray(testImg); % 提取测试图像的LBP特征 testImgLBP = vl_lbp(im2single(testImg), 8); testFeature = double(reshape(testImgLBP,1,[])); % 将测试图像特征投影到低维空间中 testLowDim = (testFeature - mean(featureMatrix))*coeff(:,1:50); ``` 5. 计算测试图像与每个训练图像之间的欧氏距离,找到与测试图像距离最近的训练图像。 ``` % 计算测试图像与每个训练图像之间的欧氏距离 distances = zeros(imgSet.Count, 1); for i = 1:imgSet.Count distances(i) = norm(lowDim(i,:) - testLowDim); end % 找到距离最近的训练图像 [minDist, idx] = min(distances); ``` 6. 输出识别结果。 ``` % 输出识别结果 if minDist < 100 fprintf('该测试图像与第%d个训练图像匹配\n', idx); else fprintf('无法识别该测试图像\n'); end ``` 完整代码如下: ``` % 读入人脸图像集 imgSet = imageSet('face_database', 'recursive'); % 将图像集转换为灰度图像 for i = 1:imgSet.Count img = read(imgSet, i); img = rgb2gray(img); imgSet.ImageLocation{i} = img; end % 定义LBP特征提取函数 lbp = @(x)reshape(dec2bin(... x(1,1)*0+x(2,1)*1+x(3,1)*2+x(3,2)*4+x(3,3)*8+x(2,3)*16+x(1,3)*32+x(1,2)*64,8)',1,[]); % 提取每个图像的LBP特征 featureMatrix = zeros(imgSet.Count, 256); for i = 1:imgSet.Count img = read(imgSet, i); imgLBP = vl_lbp(im2single(img), 8); featureMatrix(i,:) = double(reshape(imgLBP,1,[])); end % 对特征矩阵进行PCA降维 [coeff,score,latent] = pca(featureMatrix); lowDim = score(:,1:50); % 读入测试图像 testImg = imread('test_face.png'); testImg = rgb2gray(testImg); % 提取测试图像的LBP特征 testImgLBP = vl_lbp(im2single(testImg), 8); testFeature = double(reshape(testImgLBP,1,[])); % 将测试图像特征投影到低维空间中 testLowDim = (testFeature - mean(featureMatrix))*coeff(:,1:50); % 计算测试图像与每个训练图像之间的欧氏距离 distances = zeros(imgSet.Count, 1); for i = 1:imgSet.Count distances(i) = norm(lowDim(i,:) - testLowDim); end % 找到距离最近的训练图像 [minDist, idx] = min(distances); % 输出识别结果 if minDist < 100 fprintf('该测试图像与第%d个训练图像匹配\n', idx); else fprintf('无法识别该测试图像\n'); end ```
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值