人臉識别---LBP特征與高維LBP特征

Abstrcat—本文主要介紹 LBP 特征和高維 LBP 特征在人臉

識别領域的應用。

目錄

• • LBP
  • 高維LBP

1. LBP

         LBP 算子是由 Ojala 等人于1996年提出的，它是一種簡單，有效的紋理分類的特征提取算法。

      從紋理分析的角度來看，圖像上某個像素點的紋理特征，大多數情況下是指這個點和周圍像素點的關系，即這個點和它的鄰域内點的關系。從哪個角度對這種關系提取特征，就形成了不同種類的特征。有了特征，就能根據紋理進行識别。LBP構造了一種衡量一個像素點和它周圍像素點的關系。

       LBP 算子利用了周圍點與該點的關系對該點進行量化。量化後可以更有效地消除光照對圖像的影響。隻要光照的變化不足以改變兩個點像素值之間的大小關系，那麼 LBP 算子的值不會發生變化，是以一定程度上，基于 LBP 的識别算法解決了光照變化的問題，但是當圖像光照變化不均勻時，各像素間的大小關系被破壞，對應的 LBP 模式也就發生了變化，解決方法後面的博文會提到。本文主要來講解高維 LBP .

高維LBP

高維 LBP 顧名思義為高次元的 LBP 特征，實驗證明高維LBP能取得比全局 LBP 更魯棒的效果。可以參考文章（ Chen D, Cao X, Wen F, et al. Blessing of dimensionality: High-dimensional feature and its efficient compression for face verification[C]//Computer Vision and Pattern Recognition (CVPR), 2013 IEEE Conference on. IEEE, 2013: 3025-3032.）

下面我隻是介紹兩種提取高維 LBP 的方式。

• 區域多尺度

  如圖1所示

  

  圖1 區域多尺度高維 LBP 特征提取

從圖一可以看出，我們采用了多尺度提取 LBP 特征，這樣可以保證局部的紋理特征不受全局特征影響，而且可以使特征的自由度變高。

• 多關鍵點多尺度的高維 LBP

  如圖2所示。

  

  圖2 多關鍵點多尺度的高維 LBP 特征提取

      圖2展示基于關鍵點的多尺度 LBP 提取方法，這種方法可以排除一些沒必要的區域特征，這些沒用的特征對識别沒用任何用處，甚至可能會影響識别效果。

      當然對于這些關鍵點，我們也可以采用SIFT或者SURF關鍵點周圍的 LBP 特征，這樣的特征變化大，自由度更高。可以參考論文(Liao S, Jain A K, Li S Z. Partial face recognition: Alignment-free approach[J]. Pattern Analysis and Machine Intelligence, IEEE Transactions on, 2013, 35(5): 1193-1205.).

當然提取出來的LBP特征使用開根号處理，這樣識别率更高！