1 簡介

LBP指局部二值模式(Local Binary Pattern)，是一種用來描述圖像局部特征的算子，具有灰度不變性和旋轉不變性等顯著優點。LBP常應用于人臉識別和目標檢測中，在OpenCV中有使用LBP特征進行人臉識別的接口，也有用LBP特征訓練目標檢測分類器的方法，OpenCV實現了LBP特征的計算，但沒有提供一個單獨的計算LBP特征的接口。也就是說OpenCV中使用了LBP算法，但是沒有提供函數接口。

2 LBP算法原理

2.1 LBP算法思想

原始的LBP算子定義在像素3*3的鄰域內，以鄰域中心像素為閾值，相鄰的8個像素的灰度值與鄰域中心的像素值進行比較，若周圍像素大于中心像素值，則該像素點的位置被標記為1，否則為0。這樣，3*3鄰域內的8個點經過比較可產生8為二進制數，將這8位二進制數依次排列形成一個二進制數字，這個二進制數字的十進制表示就是中心像素的LBP值，LBP值共有28種可能，因此LBP值有256種可能。中心像素的LBP值反映了該像素周圍區域的紋理信息。

(圖片注：然后講19放入到中心，作為LBP值)

2.2 標準LBP算法原理

LBP特征用圖像的局部領域的聯合分布

來描述圖像的紋理特征，如果假設局部鄰域中像素個數為

，那么紋理特征的聯合分布

可以表述成：

其中，

表示相應局部鄰域的中心像素的灰度值，

表示以中心像素圓心,以

為半徑的圓上的像素的灰度值。

假設中心像素和局部鄰域像素相互獨立，那么這里可以將上面定義式寫成如下形式：

其中

決定了局部區域的整體亮度，對于紋理特征，可以忽略這一項，最終得到：

上式說明，將紋理特征定義為鄰域像素和中心像素的差的聯合分布函數，因為

是基本不受亮度均值影響的，所以從上式可以看出，此時統計量T 是一個跟亮度均值，即灰度級無關的值。最后定義特征函數如下：

是符號函數，即大于0為1，小于0為0.

標準LBP(灰度級不變LBP)定義如下

最后的

用于將二進制轉換為對應的十進制，例如，

3 改進的LBP算子

3.1 圓形LBP算子

基本的 LBP算子的最大缺陷在于它只覆蓋了一個固定半徑范圍內的小區域，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征，并達到灰度級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，并用圓形鄰域代替了正方形鄰域，改進后的 LBP算子允許在半徑為 R的圓形鄰域內有任意多個像素點。從而得到了諸如半徑為R的圓形區域內含有P個采樣點的LBP算子，表示為

；

對于給定中心點

,其鄰域像素位置為

，

，其采樣點

用如下公式計算：

R是采樣半徑，p是第p個采樣點，P是采樣數目。如果近鄰點不在整數位置上，就需要進行插值運算，可以參考這篇博客 OpenCV框架下的插值算法

3.2 旋轉不變的LBP

LPB特征是灰度不變，但不是旋轉不變的，同一幅圖像，進行旋轉以后，其特征將會有很大的差別，影響匹配的精度。Ojala在LBP算法上，進行改進，實現了具有旋轉不變性的LPB的特征。

實現方法：不斷旋轉圓形鄰域得到一系列初始定義的LPB值，取最小值作為該鄰域的值。

其中

表示具有旋轉不變性的LBP特征。ROR(x,i)

為旋轉函數，表示將x右循環i位。如下圖所示，旋轉后得到了一系列的LBP，取其中最小的15作為最終的LBP，這樣改進便可以使得LBP具備旋轉不變性。

3.3 LBP的等價模式和混合模式

等價模式：當某個局部二進制模式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，該局部二進制模式所對應的二進制就稱為一個等價模式。

比如：00000000，11111111，11110010，10111111都是等價模式。

一個LBP算子可以產生不同的二進制模式，對于

將會產生2p種模式。比如7?7鄰域內有236種模式。如此多的二值模式對于信息的提取和識別都是不利的。Ojala等認為，在實際圖像中，絕大多數LPB模式最多只包含兩次從1到0或從0到1的跳變。

混合模式：除了等價模式之外的稱為混合模式。

改進后的LPB模式數由2 p(p為鄰域集內的采集點數 ) 降維為p?(p?1)+2 。維數減少，可以降低高頻噪聲的影響。Ojala認為等價模式占總模式中的絕大數。圖2.4 ( a ), ( b ), ( c )等價模式分別占88%，93%和76%。可以通過低通濾波的方法來增強等價模式所占的比例。圖2.4( c )經過高斯濾波后，其等價模式所占比可以增加到90%。

4 LBP算子特征圖可視化原圖灰度不變常規LBP等價灰度不變LBP

5 利用LBP特征做人臉檢測

5.1 人臉檢測流程

人臉檢測過程采用多尺度滑窗搜索方式，每個尺度通過一定步長截取大小為20x20的窗口，然后將窗口放到分類器中進行是不是人臉的判決，如果是人臉則該窗口通過所有分類器；反之，會在某一級分類器被排除。

5.2 基于OpenCV的實現

#coding:utf-8

import cv2 as cv

# 讀取原始圖像

img= cv.imread('*.png')

#face_detect = cv2.CascadeClassifier('haarcascade_frontalface_default.xml')

face_detect = cv.CascadeClassifier("lbpcascade_frontalface_improved.xml")

# 檢測人臉

# 灰度處理

gray = cv.cvtColor(img, code=cv.COLOR_BGR2GRAY)

# 檢查人臉 按照1.1倍放到 周圍最小像素為5

face_zone = face_detect.detectMultiScale(gray, scaleFactor = 2, minNeighbors = 2) # maxSize = (55,55)

print ('識別人臉的信息：\n',face_zone)

# 繪制矩形和圓形檢測人臉

for x, y, w, h in face_zone:

# 繪制矩形人臉區域

cv.rectangle(img, pt1 = (x, y), pt2 = (x+w, y+h), color = [0,0,255], thickness=2)

# 繪制圓形人臉區域 radius表示半徑

cv.circle(img, center = (x + w//2, y + h//2), radius = w//2, color = [0,255,0], thickness = 2)

# 設置圖片可以手動調節大小

cv.namedWindow("Easmount-CSDN", 0)

# 顯示圖片

cv.imshow("Easmount-CSDN", img)

# 等待顯示 設置任意鍵退出程序

cv.waitKey(0)

cv.destroyAllWindows()

原圖：

檢測結果：

參考

總結

以上是生活随笔為你收集整理的lbp特征提取算法 知乎_计算机视觉基础-图像处理: LBP特征描述算子的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。