LBP方法

LBP方法

原創

2020-06-13 04:04

LBP（Local Binary Patterns，局部二值模式）是提取局部特徵作爲判別依據的。LBP方法顯著的優點是對光照不敏感，但是依然沒有解決姿態和表情的問題。不過相比於特徵臉方法，LBP的識別率已經有了很大的提升。在[1]的文章裏，有些人臉庫的識別率已經達到了98%+。

1、LBP特徵提取

最初的LBP是定義在像素3x3鄰域內的，以鄰域中心像素爲閾值，將相鄰的8個像素的灰度值與其進行比較，若周圍像素值大於中心像素值，則該像素點的位置被標記爲1，否則爲0。這樣，3x3鄰域內的8個點經比較可產生8位二進制數（通常轉換爲十進制數即LBP碼，共256種），即得到該鄰域中心像素點的LBP值，並用這個值來反映該區域的紋理信息。如下圖所示：

用比較正式的公式來定義的話：

其中代表3x3鄰域的中心元素，它的像素值爲ic，ip代表鄰域內其他像素的值。s(x)是符號函數，定義如下：

LBP的改進版本

（1）圓形LBP算子

基本的 LBP算子的最大缺陷在於它只覆蓋了一個固定半徑範圍內的小區域，這顯然不能滿足不同尺寸和頻率紋理的需要。爲了適應不同尺度的紋理特徵，並達到灰度和旋轉不變性的要求，Ojala等對 LBP 算子進行了改進，將 3×3鄰域擴展到任意鄰域，並用圓形鄰域代替了正方形鄰域，改進後的 LBP 算子允許在半徑爲 R 的圓形鄰域內有任意多個像素點。從而得到了諸如半徑爲R的圓形區域內含有P個採樣點的LBP算子。比如下圖定了一個5x5的鄰域：

上圖內有八個黑色的採樣點，每個採樣點的值可以通過下式計算：

其中爲鄰域中心點，爲某個採樣點。通過上式可以計算任意個採樣點的座標，但是計算得到的座標未必完全是整數，所以可以通過雙線性插值來得到該採樣點的像素值：

（2）LBP等價模式

一個LBP算子可以產生不同的二進制模式，對於半徑爲R的圓形區域內含有P個採樣點的LBP算子將會產生2^P種模式。很顯然，隨着鄰域集內採樣點數的增加，二進制模式的種類是急劇增加的。例如：5×5鄰域內20個採樣點，有2²⁰＝1,048,576種二進制模式。如此多的二值模式無論對於紋理的提取還是對於紋理的識別、分類及信息的存取都是不利的。同時，過多的模式種類對於紋理的表達是不利的。例如，將LBP算子用於紋理分類或人臉識別時，常採用LBP模式的統計直方圖來表達圖像的信息，而較多的模式種類將使得數據量過大，且直方圖過於稀疏。因此，需要對原始的LBP模式進行降維，使得數據量減少的情況下能最好的代表圖像的信息。

爲了解決二進制模式過多的問題，提高統計性，Ojala提出了採用一種“等價模式”（Uniform Pattern）來對LBP算子的模式種類進行降維。Ojala等認爲，在實際圖像中，絕大多數LBP模式最多隻包含兩次從1到0或從0到1的跳變。因此，Ojala將“等價模式”定義爲：當某個LBP所對應的循環二進制數從0到1或從1到0最多有兩次跳變時，該LBP所對應的二進制就稱爲一個等價模式類。如00000000（0次跳變），00000111（只含一次從0到1的跳變），10001111（先由1跳到0，再由0跳到1，共兩次跳變）都是等價模式類。除等價模式類以外的模式都歸爲另一類，稱爲混合模式類，例如10010111（共四次跳變）。比如下圖給出了幾種等價模式的示意圖。

通過這樣的改進，二進制模式的種類大大減少，而不會丟失任何信息。模式數量由原來的2^P種減少爲 P ( P-1)+2種，其中P表示鄰域集內的採樣點數。對於3×3鄰域內8個採樣點來說，二進制模式由原始的256種減少爲58種，這使得特徵向量的維數更少，並且可以減少高頻噪聲帶來的影響。這幾段摘自[2]。

通過上述方法，每個像素都會根據鄰域信息得到一個LBP值，如果以圖像的形式顯示出來可以得到下圖，明顯LBP對光照有較強的魯棒性。

2、LBP特徵匹配

如果將以上得到的LBP值直接用於人臉識別，其實和不提取LBP特徵沒什麼區別，會造成計算量準確率等一系列問題。文獻[1]中，將一副人臉圖像分爲7x7的子區域（如下圖），並在子區域內根據LBP值統計其直方圖，以直方圖作爲其判別特徵。這樣做的好處是在一定範圍內避免圖像沒完全對準的情況，同時也對LBP特徵做了降維處理。