lbp特征提取算法 知乎_现在人脸识别产品中比较好的特征提取算法是什么？

利用深度卷积网络的共享权值和池化、下采样等技术降低模型的复杂度。在构建后的模型顶层形成人脸图像特征分类面，通过训练后得到完好的深度网络模型，利用该模型对人脸图像进行特征提取，能够有效的完成对人脸图像的识别。

SIFT特征描述算子、SURF特征描述算子、ORB特征描述算子、HOG特征描述、LBP特征描述以及Harr特征描述。

SIFT是目前应用最广泛的关键点检测和描述算法之一，SITFT算法在 “Distinctive Image Features from Scale-Invariant Keypoints”中由David.G.Lowe提出，它包含以下优点：

⑴SIFT特征具有旋转、尺度、平移、视角及亮度不变性，有利于对目标特征信息进行有效表达。

⑵SIFT特征对参数调整鲁棒性好，在进行特征描述时，根据场景需要可调整适宜的特征点数量，以便进行特征分析。

SIFT特征算法对图像局部特征点的提取主要包括4个步骤：疑似特征点检测、去除伪特征点、特征点梯度与方向匹配及特征描述向量生成。

SITF的缺点是如果不借助硬件加速或专门的图像处理器很难达到实现。

SURF特征描述算子

SURF算子是对SIFT的改进，但是改进之后性能提升还是有限的。SURF主要是把SIFT中的某些运算作了简化。SURF把SIFT中的高斯二阶微分的模板进行了简化，使得卷积平滑操作仅需要转换成加减运算，这样使得SURF算法的鲁棒性好且时间复杂度低。SURF最终成生的特征点特征向量的维度为64维。

ORB特征描述算法

ORB特征基于FAST角点的特征点检测与描述技术，具有尺度与旋转不变性，同时对噪声及透视仿射也具有不变性，良好的性能，算法的运行时间远优于SIFT与SURFORB特征检测主要分为以下两个步骤。

步骤①方向FAST特征点检测

FAST角点检测是一种基于机器学习的快速角点特征检测算法，具有方向的FAST特征点检测是对兴趣点所在圆周上的16个像素点进行判断，若判断后的当前中心像素点为暗或亮，将瘊定其是否为角点。FAST角点检测相对于这些方法来说，计算的时间复杂度小，检测效果突出。FAST角点检测为加速算法实现，通常先对回周上的点集进行排序，排序使得其计算过程大大得到了优化。FAST对多尺度特性的描述是还是通过建立图像金字塔实现的，而对于旋转不变性即方向的特征则引入灰度质心法用于描述特征点的方向。

步骤②BRIEF特征描述

BRIEF描述子主要是通过随机选取兴趣点周围区域的若干点来组成小兴趣区域，将这些小兴趣区域的灰度二值化并解析成二进制码串，将串特征作为该特征点的描述子，BRIEF描述子选取关键点附近的区域并对每一位比较其强度大小，然后根据图像块中两个二进制点来判断当前关键点编码是0还是1.因为BRIEF描述子的所有编码都是二进制数的，这样就节省了计算机存储空间。

方向梯度直方图HOG

方向梯度直方图(Histogram of Oriented Gradient,HOG)特征是在行人检测算法中性能表现优秀，结合SVM分类技术已广泛应用在图像识别与分析领域。HOG是通过计算和统计图像局部区域的梯度方向直方图来实现特征描述的。图像梯度方向直方图将图像划分成小部分连通区域，对这些划分出来的细胞单元各个像素点进行梯度方向的的直方图描述，最后级合成相应的特征描述器。梯度方向直方图特征提取步骤如下：

①归一化处理。归一化操作是为了提高图像特征描述对光照及环境变化的鲁棒性，降低图像局部的阴影、局部曝光过多及纹理失真，尽可能抵制噪声干扰。归一化处理操作是先将图像转换为灰度图像，再利用伽马校正实现。

②计算图像梯度。

③统计梯度方向。

④特征向量归一化。为克服光照不均匀变化及前景与背景的对比差异，需要对块内的特征向量进行归一化处理。

⑤生成特征向量。

局部二值模式LBP

LBP(Local Binary Pattern)，局部二值模式是一种描述图像局部纹理的特征算子，该算子是由T.Ojala等人于1994年首次提出的，后经过发展改进可应用于图像特征分析，该算子具有旋转不变性与灰度不变性等显著优点。LBP特征描述的是一种灰度范围内的图像处理操作技术，针对的是输入源为8位或16位的灰度图像。LBP特征是高效的图像特征分析方法，经过改进与发展已经应用于多个领域之中，特别是人脸识别、表情识别、行人检测领域已经取得了成功。LBP牲征将窗口中心点与邻域点的关系进行比较，重新编码形成新特征以消除对外界场景对图像的影响，因此一定程度上解决了复杂场景下(光照变换)特征描述问题。