人脸识别：一种简单的特征提取算法详解.pptx

人脸识别：一种简单的特征提取方法 ——LBP local binary patterns算法郭佳徐旻昱吴俣蒲照丹 人脸识别的目的与意义 人脸识别是近年来模式识别、图像处理、机器视觉、神经网络以及认知科学等领域研究的热点课题之一。 定义：人脸识别是指给定一个场景的静态图像或动态视频，利用存储有若干已知身份的人脸图像的数据库验证和鉴别场景中单个或者多个人的身份。 应用：人脸识别在档案管理系统、安全验证系统、信用卡验证、公安系统的罪犯身份识别、银行和海关的监控、人机交互等领域具有广阔的应用前景。与指纹识别、视网膜识别、虹膜识别等技相比，人脸识别技术在数据采集方面手续比较简单，使用者更容易接受。 人脸识别的技术细节 一般来说，人脸识别系统包括图像摄取、人脸定位、图像与处理、以及身份确认。系统输入一般是一张或者一系列含有未确定身份的人脸图像，以及人脸数据库中的若干已知身份的人脸图象或者相应的编码，而其输出则是一系列相似度得分，表明待识别的人脸的身份。 常用的人脸识别方法 基于人脸特征点的识别算法（Feature-based recognition algorithms） 基于整幅人脸图像的识别算法（Appearance-based recognition algorithms） 基于模板的识别算法（Template-based recognition algorithms） 利用神经网络进行识别的算法（Recognition algorithms using neural network） 利用支持向量机进行识别的算法（Recognition algorithms using svm） 一种简单的特征提取方法 ——LBP local binary patterns算法（利用支持向量机） 算法简介 从纹理分析的角度来看，图像上某个像素点的纹理特征，大多数情况下是指这个点和周围像素点的关系，即这个点和它的邻域内点的关系。从哪个角度对这种关系提取特征，就形成了不同种类的特征。有了特征，就能根据纹理进行分类。LBP构造了一种衡量一个像素点和它周围像素点的关系。 具体操作： 对图像中的每个像素，通过计算以其为中心的3*3邻域内各像素和中心像素的大小关系，把像素的灰度值转化为一个八位二进制序列。 对于图像的任意一点Ic，其LBP特征计算为，以Ic为中心，取与Ic相邻的8各点，按照顺时针的方向记为?I0，I1，…，I7；以Ic点的像素值为阈值，如果 Ii 点的像素值小于Ic，则 Ii 被二值化为0，否则为1；将二值化得到的0、1序列看成一个8位二进制数，将该二进制数转化为十进制就可得到Ic点处的LBP算子的值。 举个例子： 对LBP算子进行扩展： 新的LBP算子LBP（P，R） 可以计算不同半径邻域大小和不同像素点数的特征值，其中P表示周围像素点个数，R表示邻域半径，同时把原来的方形邻域扩展到了圆形，其中，R可以是小数，对于没有落到整数位置的点，根据轨道内离其最近的两个整数位置像素灰度值，利用双线性差值的方法可以计算它的灰度值。 举个例子： Uniform模式 定义：如果一个二进制序列看成一个圈时，0-1以及1-0的变化出现的次数总和不超过两次，那么这个序列就是Uniform模式?，比如0001111011111111，在使用LBP表达图像纹理时，通常只关心Uniform模式，而将所有其他的模式归到同一类中。 举个例子： 效果图： 由图中可以看出，变化后的图像和原图像相比，能更清晰的体现各典型区域的纹理，同时又淡化了对于研究价值不大的平滑区域的特征，同时降低了特征的维数。比较而言，Uniform模式表现的更逼真，在人脸识别和表情识别应用中，都是采用这种模式。 特征向量 在表情识别中，最常用的是把LBP的统计柱状图作为表情图像的特征向量。为了考虑特征的位置信息，把图像分成若干个小区域，在每个小区域里进行直方图统计，即统计该区域内属于某一模式的数量，最后再把所有区域的直方图一次连接到一起作为特征向量接受下一级的处理。 环境变化分析1： 1.光照 LBP算子利用了周围点与该点的关系对该点进行量化。量化后可以更有效地消除光照对图像的影响。只要光照的变化不足以改变两个点像素值之间的大小关系，那么LBP算子的值不会发生变化，所以一定程度上，基于LBP的识别算法解决了光照变化的问题，但是当图像光照变化不均匀时，各像素间的大小关系被破坏，对应的LBP模式也就发生了变化。 环境变化分析2： 2.图像旋转： 为了让LBP具有旋转不变性，将二进制串进行旋转。 假设一开始得到的LBP特征那么将这个二进制特征，按照