当前位置:首页 >> 教育学/心理学 >>

模式识别与人工智能结课论文


模式识别论文

人脸识别的 LBP 算法 人脸识别特指利用分析比较人脸视觉特征信息进行身份鉴别的 计算机技术。人脸识别是一项热门的计算机技术研究领域,可以将人 脸明暗侦测,自动调整动态曝光补偿,人脸追踪侦测,自动调整影像 放大;它属于生物特征识别技术,是对生物体(一般特指人)本身的 生物特征来区分生物体个体。 一般来说, 人脸识别系统包括图像摄取、

人脸定位、图像预处理、以及人脸识别(身份确认或者身份查找) 。 人脸识别算法分类 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) 。 这里介绍比较流行和可行的局部二值算法: 局部二值模式(英文:Local binary patterns,缩写:LBP)是机 器视觉领域中用于分类的一种特征,于 1994 年被提出。局部二值模 式在纹理分类问题上是一个非常强大的特征; 如果局部二值模式特征 与方向梯度直方图结合, 则可以在一些集合上十分有效的提升检测效 果。局部二值模式是一个简单但非常有效的纹理运算符。它将各个像 素与其附近的像素进行比较,并把结果保存为二进制数。由于其辨别 力强大和计算简单, 局部二值模式纹理算子已经在不同的场景下得到 应用。 LBP 最重要的属性是对诸如光照变化等造成的灰度变化的鲁棒 性。它的另外一个重要特性是它的计算简单,这使得它可以对图像进 行实时分析。 目前,LBP 局部纹理提取算子,已经成功应用在指纹 识别、字符识别、人脸识别、车牌识别等领域。 在最简简化的情况下,局部二值模式特征向量可以通过如下方

式计算:
? ?

将检测窗口切分为区块(cells,例如,每个区块16x16像素) 。 对区块中的每个像素,与它的八个邻域像素进行比较(左上、

左中、左下、右上等) 。可以按照顺时针或者逆时针的顺序进行比 较。
?

对于中心像素大于某个邻域的,设置为1;否则,设置为0。这

就获得了一个8位的二进制数(通常情况下会转换为十进制数字) , 作为该位置的特征。
? ? ?

对每一个区块计算直方图。 此时,可以选择将直方图归一化; 串联所有区块的直方图, 这就得到了当前检测窗口的特征向量。

现在, 特征向量可以通过诸如支持向量机等机器学习算法来产生一个 分类器。 这里举一个简单的例子: 原始的 LBP 算子定义为在3*3的窗口内, 以窗口中心像素为阈值,将相邻的8个像素的灰度值与其进行比较, 若周围像素值大于中心像素值,则该像素点的位置被标记为1,否则 为0。这样,3*3领域内的8个点可产生8bit 的无符号数,即得到该窗 口的 LBP 值,并用这个值来反映该区域的纹理信息。

显而易见的是, 上述提取的 LBP 算子在每个像素点都可以得到 一个 LBP“编码” ,那么,对一幅图像提取其原始的 LBP 算子之后, 得到的原始 LBP 特征依然是“一幅图片” 。不过,这里我们已经将物 体从图片(图片可以理解为物体在原始测量空间得到的测量特征)转 换为二次特征,也就是得到了我们通常说的“特征” 。不过,这个所 谓的“特征”并不能直接用于判别分析。因为,从上面的分析我们可 以看出,这个“特征”跟位置信息是紧密相关的。直接对两幅图片提 取这种“特征” ,并进行判别分析的话,会因为“位置没有对准”而 产生很大的误差。后来,研究人员发现,可以将一幅图片划分为若干 的子区域,对每个子区域内的每个像素点都提取 LBP 特征,然后, 在每个子区域内建立 LBP 特征的统计直方图。如此一来,每个子区 域,就可以用一个统计直方图来进行描述;整个图片就由若干个统计 直方图组成; 例如: 一幅100*100像素大小的图片, 划分为10*10=100 个子区域,每个子区域的大小为10*10像素;在每个子区域内的每个 像素点,提取其 LBP 特征,然后,建立统计直方图;这样,这幅图 片就有10*10个子区域,也就有了10*10个统计直方图,利用这10*10 个统计直方图,就可以描述这幅图片了。之后,我们利用各种相似性 度量函数,就可以判断两幅图像之间的相似性了;

局部二值模式的应用中,如纹理分类及人脸分析等,一般都不 将局部二值模式图谱作为特征向量用于分类识别, 而是采用局部二值 模式特征谱的统计直方图作为特征向量用于分类识别。因为,从上面 的分析我们可以看出,这个“特征”跟位置信息是紧密相关的。直接 对两幅图片提取这种“特征”,并进行判别分析的话,会因为“位置 没有对准”而产生很大的误差。后来,研究人员发现,可以将一幅图 片划分为若干的子区域, 对每个子区域内的每个像素点都提取局部二 值模式特征,然后,在每个子区域内建立局部二值模式特征的统计直 方图。 如此一来, 每个子区域, 就可以用一个统计直方图来进行描述; 整个图片就由若干个统计直方图组成。 下面是几种类型的 LBP: 1,基本 LBP LBP 方法自 1994 年提出,此后就作为一个有效的纹理特征,不断的 被人使用和改进。LBP 非常简单,也非常有效。

左边的图是从一个图片上拿下来的 3*3 矩阵,矩阵上的值就是像素 值,现在我们要计算的中间那个点的 LBP。除了它此外的 8 个点依次 与中间点比较,比它(也就是 15)大的记成 1,比它小的记成 0,然后 我们就得到右面的图片。然后我们选定一个起始点-这个图片选的是

左上角第一个点,然后按照顺时针方向得到一个二进制串 10011010, 转换为十进制则为 154。到此,我们得到了中间点的 LBP 值--154。 对整个图片的所有点都这样处理, 也就是以它为中心与附近的 8 个点 相比较,这样就得到整个图所有点的 LBP 值。那么得到这么个与源图 像大小相等的 LBP 值矩阵有什么用呢?通常我们统计它的直方图, 得 到一个直方图矩阵向量,然后每一个图片对应一个直方图向量,这个 直方图向量就是此图片的一个特征。 我们由两个图像的直方图向量从 而得到它们的相似度,从而来分类。 2, LBP 均匀模式 LBP (uniform LBP) 均匀模式就是一个二进制序列从 0 到 1 或是从 1 到 0 的变过不超过 2 次(这个二进制序列首尾相连) 。比如:10100000 的变化次数为 3 次 所以不是一个 uniform pattern。所有的 8 位二进制数中共有 58 个 uniform pattern.为什么要提出这么个 uniform LBP 呢,因为研究者 发现他们计算出来的大部分值都在这 58 种之中,所以他们把值分为 59 类,58 个 uniform pattern 为一类,其它的所有值为第 59 类。这 样直方图从原来的 256 维变成 59 维。 原始的局部二值模式提出后, 研究人员不断对其提出了各种改进 和优化。 圆形局部二值模式 基本的局部二值模式算子的最大缺陷在于它只覆盖了一个固定 半径范围内的小区域,这显然不能满足不同尺寸和频率纹理的需要。 为了适应不同尺度的纹理特征,并达到灰度和旋转不变性的要求,

Ojala 等对局部二值模式算子进行了改进,将 3×3 邻域扩展到任意 邻域,并用圆形邻域代替了正方形邻域,改进后的局部二值模式算子 允许在半径为 R 的圆形邻域内有任意多个像素点。从而得到了诸如 半径为 R 的圆形区域内含有 P 个采样点的局部二值模式算子。 旋转不变的局部二值模式 从局部二值模式的定义可以看出,局部二值模式算子是灰度不 变的,但却不是旋转不变的。图像的旋转就会得到不同的局部二值模 式值。Maenpaa 等人又将局部二值模式算子进行了扩展,提出了具有 旋转不变性的局部二值模式算子, 即不断旋转圆形邻域得到一系列初 始定义的局部二值模式值,取其最小值作为该邻域的局部二值模式 值。


赞助商链接
相关文章:
更多相关标签: