High-Dimensional Local Binary Patterns

High-Dimensional Local Binary Patterns_第1张图片High-Dimensional Local Binary Patterns_第2张图片

HD-LBP用于人脸识别取得接近人类的结果。几乎是目前最好的算法。

主要流程是人脸检测,再对齐。在标定点附近找高维特征,最后根据这个特征可以用cos来计算人脸的相似性。

  1. 人脸图片的获得: opencv人脸检测,2倍大小图片。再检测眼角点将图片旋转为正脸。

  2. 高纬度特征的提取方法: 把人脸都放缩到300, 212, 150, 106, 75大小, 再这五个层次分别提取,最后合成高维特征。 对于每个层次的人脸。在每个特征点附近找4x4的cell。每个cell包含10x10像素。根据灰度图邻域像素值关系进行编码,获得LBF特征,再对这些特征进行归一化,使得每种特征最多有两个转移。 每个cell获得59维特征。那么特征总数为:59 x cells x landmarks x 层数 在论文实现中采用16个特征点,4x4cell。那么总的特征维数为: 59 x 4 x 4 x 16 x 5 = 75520

  3. 然后使用PCA降维,再计算余弦值获得相似性。(CVPR 13的论文是使用LDA训练分类器。为了降低时间空间复杂度,提出了rotated sparse regression。学习一个稀疏矩阵来替代PCA和linear projection)

实现细节:怎么从10x10像素patch获得LBP特征:每个lbp特征是3x3没错,在10x10里面便利所有3x3的小patch,从而建立lbp直方图

转移:即0,1的变化。01000000转移为2。 10001001转移为4。2次转移的共有58种序列,再把不是2次转移的作为一个整体。所以讲特征分为59类

你可能感兴趣的:(papers)