特征类文献---LBP的衍化之道就能创作一篇优秀的文章

   LBP--->鉴别模式  

                                                                                                                                                  应用到热红外人脸识别

1、文献构思整理：

       引子：实际问题---红外人脸识别 (会碰到光照变化、化妆、照片欺诈情况下) 存在鲁棒性问题

         关键：关键技术---特征提取技术>>>鲁棒性

          

2、分节整理：

       引言：

            1、 整体统计特征类：（1）借鉴伍作者的基于线性鉴别的特征提取方法
                                                      （2）借鉴华的PCA+LDA特征提取(低分辨图像)

            2、 局部统计特征类：（1）参考李的基于LBP(局部二值)特征提取方法   
                                                              →用于降低环境温度对红外人脸识别的影响

                                                      （2）但，上面存在未考虑鉴别特征对识别的贡献
                                                               →if特征维数过高，存在较大冗余问题
                                                      （3）改进，针对维数高问题，Ojala提出LBP均匀

                                                               模式(用全部模式中部分)
                                                               →解决维数过大  256---取59个
                                                      （4）但，上面通过经验判断导致无法提取模式不

                                                               一定占主导地位
                                                               →因而，Liao提出LBP的主导模式(类似PCA)
                                                      （5）但，上面未考虑不同特征有的鉴别信息，不

                                                               一定最适合识别的模式
                                                               →该部分具有思维难度，比较难想
                                                                 因为，如何从LBP总模式中，提取适合识别

                                                                 的部分模式(鉴别模式)对提高红外人脸识别

                                                                 的鲁棒性，很重要
                                                         -----在，以上基础，受Fang使用全局类间可分性

                                                                 准则思想的影响
                                                                →有了文中的在LBP的PS(模式选择)基础上引

                                                                 入SD(可分性标准)，即根据LBP模式对识别贡

                                                                 献的不同，构建LBP的鉴别模式
                                                              简言之，可分性标准(限制条件)来选合适的模式
                                                   白话说：LBP众多模式中 ⭐⭐选最适合识别的模式⭐⭐


 
       局部二进制模式：

      

                
        算子LBP中的鉴别模式：
            两个问题：
            1、提取人脸图像特征的目的?：
                                                              （1）降低图像的维数，减小分类时计算的复杂程度
                                                              （2）选出最具鉴别能力的特征提高分类性能
                2、最优表示图像的特征，一定适合作为识别的特征?：
                                                                 答：不一定，举个简单的例子
                                                              （1）均匀LBP模式主要从图像表示的角度出发提取
                                                                        自然图像中占主导地位的结构信息。
                                                                         →但，该模式用于人脸图像的特征表示时，并
                                                                            不一定是主导模式，而且主导地位的结构信
                                                                            息不一定是最适合识别的模式。
                ===怎么办？===
                文中做了以下几个工作：---目标：加入模式识别分类限制条件
                1>  独立性： 将LBP众多模式中考虑模式之间的独立性  类外增大间距
                2>  聚合性：                                                                       类内增大间距  
                3>  限制性： 引入一种基于LBP模式直方图的可分性准则，对每一模式定义一个可分性值  
                 白话：对众多模式加入权重分数
            Step 1: 求LBP模式直方图中的某一维Hi(i=1,2,...2.^P)如下： 
                                            
             Step 2: 求直方图H第i维的可分性值SD(i)：
                 1》计算第i维中所有训练样本中，直方图中Hi的类间分布距离 
               

                 2》计算训练样本中，直方图Hi的类内分布距离 
         
                 3》定义LBP不同模式的可分性值：
       

                  上述公式中LBP直方图每一维(模式)都分配了一个SD值，后期对LBP直方图进行
                  模式选择时，可以降序排序，然后选择前N个模式作为最后的特征。
                   文中算法 VS LDA：LDA方法是将原始数据→变换到了另一个低维空间
                                                    文中特征选择只是在同一个空间(对LBP模式编码)的特征抽取；
               Step 3: 提取训练样本所有模式中的主导模式(>=80%)：
                    1》统计训练样本中所有样本的不同模式总分布直方图，即所有样本的
                         累加后得到的直方图，而不是某一幅样本的直方图
                    2》按SD值的大小对总分布直方图排序，得到排序后的总分布直方图

                    3》确定获取主导模式的个数


        实验结果分析：
                实验数据库：
                     （1）同一条件下采集的1000张照片，50person/每人20张照片--同时态数据
                     （2）不同环境温度下采集的165张，环境温度:--时延数据       
                    对比算法有效性：(其他特征提取方法进行了对比测试)
              
                                                                   
         结论：
           (文中创新性)文中分析LBP的均匀模式提取红外人脸局部特征的基础上， 为了充分利用不同模式具有的鉴别信息，提出了模式选择算法，以提取更具鉴别能力的特征。 (结构优化)为了利用人脸中的空间位置信息，在LBP模式编码的基础上，结合分块和统计直方图技术，得到了一个新的红外人脸识别方法。(实验效果)自建人脸数据库的测试结果表明， 本文提出的红外人脸识别方法优于传统的基于LBP、PCA + LDA的人脸识别方法， 可应用于实际红外人脸识别系统。 
(以上三部分也是经典的三段式)

3、心得链接：

      心得：KISS(Keep It Simple Stupid, 简约质朴)原则，无论什么时候都是人类的追求和向往；文献由专业内司空见惯的LBP入手，一步步推演深入，发现LBP身上优点和缺点，针对缺点(鉴别模式特征的可分性应用到识别上由于没有重点的选择，效果比较差)通过一定的标准限制(可分性标准)进行最合适的鉴别模式。
                           -----作者解决问题的思路:从易到难。习以为常的LBP---LBP均匀模式(对比用)---可分性标准选择合适的鉴别模式---结合空间位置信息(包括分块和直方图拼接技术)。
        链接：特别感谢作者的文章：点击打开链接