HD-LBP算法在人脸识别中表现出色，达到接近人类识别的效果。流程包括人脸检测、对齐，通过高维特征（在多个尺度上提取并组合）计算人脸相似性。使用OpenCV进行人脸检测，通过眼角点校正得到正脸，然后在不同尺寸下提取LBP特征，最后通过PCA降维和余弦相似性计算得出结果。该方法在论文中使用16个特征点，4x4cell，总共75520维特征，通过稀疏矩阵学习降低复杂度。
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。
-
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。
-
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
- 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
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
