人脸识别算法-LBP算法及python实现
上一次我们说了人脸识别算法-特征脸方法（Eigenface）及python实现，在这一次，我们来看一看LBP算法。相比于特征脸方法，LBP的识别率已经有了很大的提升。
在这里，我们用的数据库和上次一样，都是UCI的YALE的人脸数据库。
因为我也是一边学一边写代码，所以害怕有人说我博文是抄袭的，所以在这里说明，我这里的算法思想主要是来自点击打开链接（不过大家都是学习，应该不会这么计较吧），我主要是从实现的角度来说明一下在实现遇见的问题以及方法。
LBP算法介绍：
1.圆形LBP算子
在这个算法一开始的时候，大家使用的是最普通的八邻域算子。
八邻域的像素值大于中心点值的标注1，反之标注0.这样我们就会得到一个八位数。这时我们从左上角开始算最高位，最后左边的为最低位，在这个图中就是00010011，换算十进制就是19，我们就把这个值作为中心点的LBP算子值。
但是随着算法的发展，大家发现这个算子太过死板，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 LBP 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。
为什么说圆形算子比八邻域算子要更好呢？从直观的角度来说，我们看下面的图
看第一个图是不是很像脸部的右下巴部分，第二图像头部右上方额头？（好吧，如果不像的话，就自己感受一下吧，，个人感觉）
这时我们假设在半径为R的圆形邻域内有P个采样点的算子，上面的图是在R = 2，P=8. 此时我们算每个采样点的坐标：
xp 是p点的x坐标，yp是y坐标，p的取值范围（0，P-1）（俗称0,1,2,3,4,5,6,7）。 但此时我们这样得到的不一定是整数，所以可以通过双线性插值来得到该采样点的像素值。（这个双线性插值没太明白，不过python的 scipy工具包里有，我的代码里是直接round函数取整的，大家可以自己加上。）
此时我们发现，这个圆形的算子很坑爹啊，万一图片一旋转，同一个点的LBP值就会改变了，很不合理啊，所以大神们用了一种很简单的方法实现了旋转不变性。
如上图所示，原本一开始我们算的这个点的LBP值是11100001 = 225，这时候我们开始旋转，可以看到每一个情况都旋转到了，我们取这些情况中的最小值，也就是15，作为这个点的LBP值，这样不管图片怎么旋转，这个点的LBP值都会是15，也就是旋转不变性。
2.LBP等价模式
这一点的原理是我最没明白的，等到我看透Face Recognition with Lo cal Binary Patterns这篇论文的时候我会加上这一点内容，现在先把人家博文上的解释加上。
一个LBP算子可以产生不同的二进制模式，对于半径为R的圆形区域内含有P个采样点的LBP算子将会产生2^P种模式。很显然，随着邻域集内采样点数的增加，二进制模式的种类是急剧增加的。例如：5×5邻域内20个采样点，有220＝1,048,576种二进制模式。如此多的二值模式无论对于纹理的提取还是对于纹理的识别、分类及信息的存取都是不利的。同时，过多的模式种类对于纹理的表达是不利的。例如，将LBP算子用于纹理分类或人脸识别时，常采用LBP模式的统计直方图来表达图像的信息，而较多的模式种类将使得数据量过大，且直方图过于稀疏。因此，需要对原始的LBP模式进行降维，使得数据量减少的情况下能最好的代表图像的信息。
为了解决二进制模式过多的问题，提高统计性，Ojala提出了采用一种“等价模式”（Uniform Pattern）来对LBP算子的模式种类进行降维。Ojala等认为，在实际图像中，绝大多数LBP模式最多只包含两次从1到0或从0到1的跳变。因此，Ojala将“等价模式”定义为：当某个LBP所对应的循环二进制数从0到1或从1到0最多有两次跳变时，该LBP所对应的二进制就称为一个等价模式类。如00000000（0次跳变），00000111（只含一次从0到1的跳变），10001111（先由1跳到0，再由0跳到1，共两次跳变）都是等价模式类。除等价模式类以外的模式都归为另一类，称为混合模式类，例如10010111（共四次跳变）。
通过这样的改进，二进制模式的种类大大减少，而不会丢失任何信息。模式数量由原来的2^P种减少为 P ( P-1)+2种，其中P表示邻域集内的采样点数。对于3×3邻域内8个采样点来说，二进制模式由原始的256种减少为58种，这使得特征向量的维数更少，并且可以减少高频噪声带来的影响。
3. LBP特征匹配
#coding:utf-8
#--------------------------------------------
# 作用：LBP人脸识别算法实现
# 日期：2015年4月11日
# 算法链接：http://blog.csdn.net/feirose/article/details/39552977
# http://blog.csdn.net/zouxy09/article/details/7929531
# 实验结果：accuracy of centerlight is 0.333333
# accuracy of glasses is 0.933333
# accuracy of happy is 0.933333
# accuracy of leftlight is 0.266667
# accuracy of noglasses is 0.933333
# accuracy of rightlight is 0.133333
# accuracy of sad is 0.933333
# accuracy of sleepy is 0.933333
# accuracy of surprised is 0.866667
# accuracy of wink is 0.800000
# 执行时间：494.759438799s
#--------------------------------------------
from numpy import *
from numpy import linalg as la
import cv2
import os
import math
# 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特征为10010000，那么将这个二进制特征，
# 按照顺时针方向旋转，可以转化为00001001的形式，这样得到的LBP值是最小的。
# 无论图像怎么旋转，对点提取的二进制特征的最小值是不变的，
# 用最小值作为提取的LBP特征，这样LBP就是旋转不变的了。
def minBinary(pixel):
length = len(pixel)
zero = ''
for i in range(length)[::-1]:
if pixel[i] == '0':
pixel = pixel[:i]
zero += '0'
else:
return zero + pixel
if len(pixel) == 0:
return '0'
# 加载图像
def loadImageSet(add):
FaceMat = mat(zeros((15,98*116)))
j =0
for i in os.listdir(add):
if i.split('.')[1] == 'noglasses':
try:
img = cv2.imread(add+i,0)
# cv2.imwrite(str(i)+'.jpg',img)
except:
print 'load %s failed'%i
FaceMat[j,:] = mat(img).flatten()
j += 1
return FaceMat
# 算法主过程
def LBP(FaceMat,R = 2,P = 8):
Region8_x=[-1,0,1,1,1,0,-1,-1]
Region8_y=[-1,-1,-1,0,1,1,1,0]
pi = math.pi
LBPoperator = mat(zeros(shape(FaceMat)))
for i in range(shape(FaceMat)[1]):
# 对每一个图像进行处理
face = FaceMat[:,i].reshape(116,98)
W,H = shape(face)
tempface = mat(zeros((W,H)))
for x in xrange(R,W-R):
for y in xrange(R,H-R):
repixel = ''
pixel=int(face[x,y])
# 圆形LBP算子
for p in [2,1,0,7,6,5,4,3]:
p = float(p)
xp = x + R* cos(2*pi*(p/P))
yp = y - R* sin(2*pi*(p/P))
if face[xp,yp]>pixel:
repixel += '1'
else:
repixel += '0'
# minBinary保持LBP算子旋转不变
tempface[x,y] = int(minBinary(repixel),base=2)
LBPoperator[:,i] = tempface.flatten().T
# cv2.imwrite(str(i)+'hh.jpg',array(tempface,uint8))
return LBPoperator
# judgeImg:未知判断图像
# LBPoperator:实验图像的LBP算子
# exHistograms:实验图像的直方图分布
def judgeFace(judgeImg,LBPoperator,exHistograms):
judgeImg = judgeImg.T
ImgLBPope = LBP(judgeImg)
# 把图片分为7*4份 , calHistogram返回的直方图矩阵有28个小矩阵内的直方图
judgeHistogram = calHistogram(ImgLBPope)
minIndex = 0
minVals = inf
for i in range(shape(LBPoperator)[1]):
exHistogram = exHistograms[:,i]
diff = (array(exHistogram-judgeHistogram)**2).sum()
if diff<minVals:
minIndex = i
minVals = diff
return minIndex
# 统计直方图
def calHistogram(ImgLBPope):
Img = ImgLBPope.reshape(116,98)
W,H = shape(Img)
# 把图片分为7*4份
Histogram = mat(zeros((256,7*4)))
maskx,masky = W/4,H/7
for i in range(4):
for j in range(7):
# 使用掩膜opencv来获得子矩阵直方图
mask = zeros(shape(Img), uint8)
mask[i*maskx: (i+1)*maskx,j*masky :(j+1)*masky] = 255
hist = cv2.calcHist([array(Img,uint8)],[0],mask,[ 256],[0,256])
Histogram[:,(i+1)*(j+1)-1] = mat(hist).flatten().T
return Histogram.flatten().T
def runLBP():
# 加载图像
FaceMat = loadImageSet('D:\python/face recongnition\YALE\YALE\unpadded/').T
LBPoperator = LBP(FaceMat) # 获得实验图像LBP算子
# 获得实验图像的直方图分布，这里计算是为了可以多次使用
exHistograms = mat(zeros((256*4*7,shape(LBPoperator)[1])))
for i in range(shape(LBPoperator)[1]):
exHistogram = calHistogram(LBPoperator[:,i])
exHistograms[:,i] = exHistogram
# 下面的代码都是根据我的这个数据库来的，就是为了验证算法准确性，如果大家改了实例，请更改下面的代码
nameList = ['01','02','03','04','05','06','07','08','09','10','11','12','13','14','15']
characteristic = ['centerlight','glasses','happy','normal','leftlight','noglasses','rightlight','sad','sleepy','surprised','wink']
for c in characteristic:
count = 0
for i in range(len(nameList)):
# 这里的loadname就是我们要识别的未知人脸图，我们通过15张未知人脸找出的对应训练人脸进行对比来求出正确率
loadname = 'D:\python/face recongnition\YALE\YALE\unpadded\subject'+nameList[i]+'.'+c+'.pgm'
judgeImg = cv2.imread(loadname,0)
if judgeFace(mat(judgeImg).flatten(),LBPoperator,exHistograms)+1 == int(nameList[i]):
count += 1
print 'accuracy of %s is %f'%(c, float(count)/len(nameList)) # 求出正确率
if __name__ == '__main__':
# 测试这个算法的运行时间
from timeit import Timer
t1=Timer("runLBP()","from __main__ import runLBP")
print t1.timeit(1)
更多推荐
16
0- 0
已为社区贡献1条内容
所有评论(0)