與第一篇博文特徵臉方法不同，lbp(local binary patterns，區域性二值模式)是提取區域性特徵作為判別依據的。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公升。在[1]的文章裡，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是定義在畫素3x3鄰域內的，以鄰域中心畫素為閾值，將相鄰的8個畫素的灰度值與其進行比較，若周圍畫素值大於中心畫素值，則該畫素點的位置被標記為1，否則為0。這樣，3x3鄰域內的8個點經比較可產生8位二進位制數(通常轉換為十進位制數即lbp碼，共256種)，即得到該鄰域中心畫素點的lbp值，並用這個值來反映該區域的紋理資訊。如下圖所示：
用比較正式的公式來定義的話：
其中lbp的改進版本
(1)圓形lbp運算元
基本的 lbp運算元的最大缺陷在於它只覆蓋了乙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。為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 運算元進行了改進，將 3×3鄰域擴充套件到任意鄰域，並用圓形鄰域代替了正方形鄰域，改進後的 lbp 運算元允許在半徑為 r 的圓形鄰域內有任意多個畫素點。從而得到了諸如半徑為r的圓形區域內含有p個取樣點的lbp運算元。比如下圖定了乙個5x5的鄰域：
人臉識別經典演算法二 LBP方法
與第一篇博文特徵臉方法 不同，lbp local binary patterns，區域性二值模式 是提取區域性特徵作為判別依據的。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公升。在 1 的文章裡，有些人臉庫的識別率已經達...
人臉識別經典演算法二 LBP方法
與第一篇博文特徵臉方法 不同，lbp local binary patterns，區域性二值模式 是提取區域性特徵作為判別依據的。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公升。在 1 的文章裡，有些人臉庫的識別率已經達...
人臉識別經典演算法二 LBP方法
原文 與第一篇博文特徵臉方法 不同，lbp local binary patterns，區域性二值模式 是提取區域性特徵作為判別依據的。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公升。在 1 的文章裡，有些人臉庫的識別率...