人脸识别课件

人脸识别--LBP周稻祥人脸识别--LBP周稻祥

Contents参考文献改进的LBP算法原始的LBP算法实验、评估结果简介Contents参考文

简介&研究现状LBP是英文LocalBinaryPattern，即局部二进制模式。此算法是比较简单的，却又是十分高效的图片特征分析算法。具有如下特性：（1）对单调的灰度变换具有不变性（2）对光照不敏感（3）计算时间短（4）非常高的判别率简介&研究现状LBP是英文简介&研究现状年度命中数LBP研究趋势万方数据知识服务平台广泛应用于：（1）纹理分类、分割、恢复、合成、检索（3）工业检测，如金属表面检测（3）场景分析（4）人脸图像分析等等简介&研究现状年度命

Contents参考文献改进的LBP算法原始的LBP算法实验、评估结果简介Contents参考文

原始LBP纹理是图像分析中常用的概念，它是由于物体表面物理属性不同所引起的能表示某个特定表面特征的灰度或者颜色信息。一般来说可以认为纹理是由许多相互接近的、相互编制的元素构成，所以直观来说纹理描述可提供图像区域的平滑、稀疏、规则性等特性。反映在图像上，纹理表现为亮度、颜色的变化。与图像其他特征(颜色，形状，空间结构等)相比，纹理反映了图像灰度模式的空间分布，包含了图像的表面信息以及与周围环境的关系，更好地兼顾了图像的宏观信息和微观结构。原始LBP纹理是图像分析中常

原始LBP原始LBP

原始LBP基本定义：一个局部区域的纹理分布可假设为局部区域内像素灰度的联合分布：

在不损失信息的前提下，如果将中心点的值从邻与像素的灰度中减去则局部纹理可用中心点和中心点与周围像素的差的联合分布表示：若假设与独立：原始LBP基本定义：一个局部

原始LBP

差值的分布具有灰度平移不变性，即所以像素加上某个值其表征的纹理不变

但是当所有像素值同时放大倍速时，纹理有变化，故只考虑差值的符号：得到一个8位二进制数，进行加权求和，得到一个值，这个值描述了以为中心的局部区域纹理：局部区域得灰度分布或纹理可以用LBP模式近似得描述为：从上述定义可以看出LBP算子对于任何单调的灰度变化具有鲁棒性，只要像素的位置不变则LBP算子所得值就会不变。原始LBP差值的分布具有

原始LBP(LBP算子)

原始LBP(LBP算子)

原始LBPLBP算子原始LBPLBP算子

原始LBP直方图(Histogram):原始LBP直方图(Histo

原始LBP缺点：与邻域像素的关联度不够全面，只覆盖了8个邻域像素这样小范围的区域，不能全面精确抓住主要的特征。原始LBP缺点：

Contents参考文献改进的LBP算法原始的LBP算法实验、评估结果简介Contents参考文

改进LBPMulti-ScaleLBP：双线性插值2^P种模式改进LBPMulti-Sca

改进LBP均匀(Uniform)LBP：二进制码，0、1变化少于等于两次的二进制码称为是一个uniformLBP比如说图中的11000011，0、1变化次数是两次。就是一个uniformLBP00000000(0transitions),01110000(2transitions)11001111(2transitions)areuniformwhereasthepatterns11001001(4transitions),01010011(6transitions)arenot.改进LBP均匀(Unifor

改进LBP（1）通过低通滤波的方法可以提高均匀模式在占的比例（2)通过高斯滤波后，再计算LBP，均匀模式在占的比例可达90%均匀模式代表了图像的边缘等关键模式，利用这些均匀模式和混合模式的直方图，可提取更能代表图像的本质特征。(3)减少高频噪声带来的影响TimoOjala等研究发现均匀模式占整个模式的很大的比例约90%(8,1),70%(16,2)在图(a),(b),(c)中均匀模式占总模式的百分比分别为88%，93%和76%改进LBP（1）通过低通滤波

改进LBP模式种类由2^P种降到了P(P-1)+2+1改进LBP模式种类由

改进LBP旋转不变LBP(RotationI)：改进LBP旋转不变LBP(R

改进LBP当P=8时，仅有36种旋转不变模式8910111213….3660108188352632….改进LBP当P=8时，仅有3

改进LBP25595190,125,250,245,235,215,175,2346,92,184,113,226,197,139,1122,44,88,176,97,194,133,127191,223,239,247,251,254,253111222,189,123,246,237,219,183,3978,156,57,114,228,201,147,1938,76,152,49,98,196,137,63126,252,243,249,231,207,159119238,221,187,29142,71,58,116,232,209,163,2570,140,35,50,100,200,145,3162,124,248,241,227,199,1434794,188,121,242,229,203,151,2754,108,216,177,99,198,141,13134,67,26,52,104,208,161,1530,60,120,240,225,195,13561158,79,122,244,233,211,167,4386,172,89,178,101,202,149,2142,84,168,81,162,69,138,714,28,56,112,224,193,13155110,220,185,115,230,205,155,45150,75,90,180,105,210,165,3774,148,41,82,164,73,146,36,12,24,48,96,192,129,87174,93,186,117,234,213,171,51102,204,153,510,20,40,80,160,65,130,12,4,8,16,32,64,12859206,157,103,118,236,217,179,53166,77,154,83,106,212,169,918,36,72,144,33,66,132,091182,109,218,181,107,214,173,85170,1734,68,136,改进LBP25595190,

改进LBPriU2LBP：P+2种模式改进LBPriU2LBP：

Contents参考文献改进的LBP算法原始的LBP算法实验、评估结果简介Contents参考文

人脸识别人脸识别

人脸识别人脸识别

人脸识别全局的LBP之所以能够成功的被应用到纹理分析是因为：相对而言，标准的纹理图像变化少（光照，角度等）所以全局LBP直方图更加的稳定而人脸图像的变化就比较的大。所以全局LBP不太适合直接用于人脸图像的分析。将人脸分为不同的几个区域：2004年TimoAhonen在ComputerVision-ECCV2004(495)Facerecognitionwithlocalbinarypatterns把LBP引入了人脸识别的研究人脸识别全局的LBP之所以能

人脸识别直方图连结：人脸识别直方图连结：

人脸识别人脸识别

人脸识别从图中可以看出在小区域内图像的变化要比整个图像要小，直方图的起伏也不是很大，趋于均匀。人脸识别从图中可以看出在小区

人脸识别空间关系人脸识别空间关系

人脸识别人脸识别

人脸识别人脸识别

人脸识别可以看出空间关系的一定保持对于人脸图像识别还是必须的人脸识别可以看出空间关系的一

度量方法相似性度量方法：当样本点大时，对数似然统计法取得良好的效果，但是当样本点较小时，直方图相交和卡方概率统计更有效、稳定：度量方法相似性度量方法：

人脸识别TofindtheweightsWjfortheweightedχ2statisticatrainingsetwasclassifiedusingonlyoneofthewindowsatatime.Therecognitionratesofcorrespondingwindowsontheleftandrighthalfofthefacewereaveraged.Then：windowswhoseratelaybelowthe0.2percentileoftheratesgotweight0windowswhoseratelayabovethe0.8and0.9percentilegotweights2.0and4.0Theotherwindowsgotweight1.0.人脸识别Tofindthe

度量方法度量方法

实验效果实验效果

实验效果实验效果

实验效果实验效果

实验实验

FRFR

FRFR

参考文献[3]ComputerVision-ECCV2004(495)Facerecognitionwithlocalbinarypatterns[2]Multiresolutiongray-scaleandrotationInvariantTextureClassificationwithLocalBinaryPatterns[2002PAMI][7]AcomparativestudyonlocalbinarypatternLBPbasedFRLBPhistogramversusLBPImage[2013Neurocomputing][10]基于LBP的人脸识别研究，黄非非，重庆大学[9]基于LBP的特征提取研究，王玲，北京交通大学[1]Acomparativestudyoftexturemeasureswithclassificationbasedonfeatureddistributions[1996PR][5]Rotation-InvariantImageandVideoDescriptionWithLocalBinaryPatternFeatures[2011ITIP][4]FacedescriptionwithlocalbinarypatternsApplicationtofacerecognition[2006PAMI][6]Ontherecentuseoflocalbinarypatternsforfaceauthentication[2006IJIVPSIFIP][8]Localbinarypatternsanditsapplicationtofacialimageanalysisasurvey[2011ITSMCPartC][11]基于局部二值模式的人脸识别方法研究，周凯，中南大学参考文献[3]ComputThankYou!ThankYou!人脸识别--LBP周稻祥人脸识别--LBP周稻祥

Contents参考文献改进的LBP算法原始的LBP算法实验、评估结果简介Contents参考文

简介&研究现状LBP是英文LocalBinaryPattern，即局部二进制模式。此算法是比较简单的，却又是十分高效的图片特征分析算法。具有如下特性：（1）对单调的灰度变换具有不变性（2）对光照不敏感（3）计算时间短（4）非常高的判别率简介&研究现状LBP是英文简介&研究现状年度命中数LBP研究趋势万方数据知识服务平台广泛应用于：（1）纹理分类、分割、恢复、合成、检索（3）工业检测，如金属表面检测（3）场景分析（4）人脸图像分析等等简介&研究现状年度命

Contents参考文献改进的LBP算法原始的LBP算法实验、评估结果简介Contents参考文

原始LBP纹理是图像分析中常用的概念，它是由于物体表面物理属性不同所引起的能表示某个特定表面特征的灰度或者颜色信息。一般来说可以认为纹理是由许多相互接近的、相互编制的元素构成，所以直观来说纹理描述可提供图像区域的平滑、稀疏、规则性等特性。反映在图像上，纹理表现为亮度、颜色的变化。与图像其他特征(颜色，形状，空间结构等)相比，纹理反映了图像灰度模式的空间分布，包含了图像的表面信息以及与周围环境的关系，更好地兼顾了图像的宏观信息和微观结构。原始LBP纹理是图像分析中常

原始LBP原始LBP

原始LBP基本定义：一个局部区域的纹理分布可假设为局部区域内像素灰度的联合分布：

在不损失信息的前提下，如果将中心点的值从邻与像素的灰度中减去则局部纹理可用中心点和中心点与周围像素的差的联合分布表示：若假设与独立：原始LBP基本定义：一个局部

原始LBP

差值的分布具有灰度平移不变性，即所以像素加上某个值其表征的纹理不变

但是当所有像素值同时放大倍速时，纹理有变化，故只考虑差值的符号：得到一个8位二进制数，进行加权求和，得到一个值，这个值描述了以为中心的局部区域纹理：局部区域得灰度分布或纹理可以用LBP模式近似得描述为：从上述定义可以看出LBP算子对于任何单调的灰度变化具有鲁棒性，只要像素的位置不变则LBP算子所得值就会不变。原始LBP差值的分布具有

原始LBP(LBP算子)

原始LBP(LBP算子)

原始LBPLBP算子原始LBPLBP算子

原始LBP直方图(Histogram):原始LBP直方图(Histo

原始LBP缺点：与邻域像素的关联度不够全面，只覆盖了8个邻域像素这样小范围的区域，不能全面精确抓住主要的特征。原始LBP缺点：

Contents参考文献改进的LBP算法原始的LBP算法实验、评估结果简介Contents参考文

改进LBPMulti-ScaleLBP：双线性插值2^P种模式改进LBPMulti-Sca

改进LBP均匀(Uniform)LBP：二进制码，0、1变化少于等于两次的二进制码称为是一个uniformLBP比如说图中的11000011，0、1变化次数是两次。就是一个uniformLBP00000000(0transitions),01110000(2transitions)11001111(2transitions)areuniformwhereasthepatterns11001001(4transitions),01010011(6transitions)arenot.改进LBP均匀(Unifor

改进LBP（1）通过低通滤波的方法可以提高均匀模式在占的比例（2)通过高斯滤波后，再计算LBP，均匀模式在占的比例可达90%均匀模式代表了图像的边缘等关键模式，利用这些均匀模式和混合模式的直方图，可提取更能代表图像的本质特征。(3)减少高频噪声带来的影响TimoOjala等研究发现均匀模式占整个模式的很大的比例约90%(8,1),70%(16,2)在图(a),(b),(c)中均匀模式占总模式的百分比分别为88%，93%和76%改进LBP（1）通过低通滤波

改进LBP模式种类由2^P种降到了P(P-1)+2+1改进LBP模式种类由

改进LBP旋转不变LBP(RotationI)：改进LBP旋转不变LBP(R

改进LBP当P=8时，仅有36种旋转不变模式8910111213….3660108188352632….改进LBP当P=8时，仅有3

改进LBP25595190,125,250,245,235,215,175,2346,92,184,113,226,197,139,1122,44,88,176,97,194,133,127191,223,239,247,251,254,253111222,189,123,246,237,219,183,3978,156,57,114,228,201,147,1938,76,152,49,98,196,137,63126,252,243,249,231,207,159119238,221,187,29142,71,58,116,232,209,163,2570,140,35,50,100,200,145,3162,124,248,241,227,199,1434794,188,121,242,229,203,151,2754,108,216,177,99,198,141,13134,67,26,52,104,208,161,1530,60,120,240,225,195,13561158,79,122,244,233,211,167,4386,172,89,178,101,202,149,2142,84,168,81,162,69,138,714,28,56,112,224,193,13155110,220,185,115,230,205,155,45150,75,90,180,105,210,165,3774,148,41,82,164,73,146,36,12,24,48,96,192,129,87174,93,186,117,234,213,171,51102,204,153,510,20,40,80,160,65,130,12,4,8,16,32,64,12859206,157,103,118,236,217,179,53166,77,154,83,106,212,169,918,36,72,144,33,66,132,091182,109,218,181,107,214,173,85170,1734,68,136,改进LBP25595190,

改进LBPriU2LBP：P+2种模式改进LBPriU2LBP：

Contents参考文献改进的LBP算法原始的LBP算法实验、评估结果简介Contents参考文

人脸识别人脸识别

人脸识别人脸识别

人脸识别全局的LBP之所以能够成功的被应用到纹理分析是因为：相对而言，标准的纹理图像变化少（光照，角度等）所以全局LBP直方图更加的稳定而人脸图像的变化就比较的大。所以全局LBP不太适合直接用于人脸图像的分析。将人脸分为不同的几个区域：2004年TimoAhonen在ComputerVision-ECCV2004(495)Facerecognitionwithlocalbinarypatterns把LBP引入了人脸识别的研究人脸识别全局的LBP之所以能

人脸识别直方图连结：人脸识别直方图连结：

人脸识别人脸识别

人脸识别从图中可以看出在小区域内图像的变化要比整个图像要小，直方图的起伏也不是很大，趋于均匀。人脸识别从图中可以看出在小区

人脸识别空间关系人脸识别空间关系

人脸识别人脸识别

人脸识别人脸识别

人脸识别可以看出空间关系的一定保持对于人脸图像识别还是必须的人脸识别可以看出空间关系的一

度量方法相似性度量方法：当样本点大时，对数似然统计法取得良好的效果，但是当样本点较小时，直方图相交和卡方概率统计更有效、稳定：度量方法相似性度量方法：

人脸识别TofindtheweightsWjfortheweightedχ2statisticatrainingsetwasclassifiedusingonlyoneofthewindowsatatime.Therecognitionratesofcorrespondingwindowsontheleftandrighthalfofthefacewereaveraged.Then：windowswhoseratelaybelowthe0.2percentileoftheratesgotweight0windowswhoseratelayabovethe0.8and0.9percentilegotweights