人脸识别经典算法实现（三）——LBP算法

第三种算法称之为LBP算法，这个算法的思路与PCA和Fisher有很大不同，他是考虑局部特征算子，并不是全局考虑。

这种算法定义了一种LBP特征，这种特征与我们经常见到的Haar特征、HoG特征没有啥太大不同，都是特征算子，只是算法不同。因此，我们按照理解特征算子一类的算法去理解LBP就可以了。

注意，LBP对关照不敏感，为什么？因为LBP算子是一种相对性质的数量关系，相比于PCA或者Fsiher，直接使用灰度值去参与运算，LBP更能反映出的是一种变化趋势。

最后一次当个搬运工

http://blog.csdn.net/feirose/article/details/39552977，LBP算子写的不算太清楚，但是整个算法的完整流程讲明白了，而且最后如何判定的直方图交叉核和卡方检验都有说明。

http://blog.csdn.net/pi9nc/article/details/18623971，这个博客的LBP算子说得很好，而且有opencv的例程。

注意，这里的样本图像组织形式与前面两个算法又有不同，因为他不需要把图像变成列向量，因此图像矩阵不需要做什么处理就可以加入列表备用了。

代码如下：

#encoding=utf-8import numpy as npimport osimport cv2class LBP(object):    def __init__(self,threshold,dsize,blockNum):        self.dsize = dsize # 统一尺寸大小        self.blockNum = blockNum # 分割块数目        self.threshold = threshold # 阈值，暂未使用    def loadImg(self,fileName,dsize):        '''        载入图像，灰度化处理，统一尺寸，直方图均衡化        :param fileName: 图像文件名        :param dsize: 统一尺寸大小。元组形式        :return: 图像矩阵        '''        img = cv2.imread(fileName)        retImg = cv2.resize(img,dsize)        retImg = cv2.cvtColor(retImg,cv2.COLOR_RGB2GRAY)        retImg = cv2.equalizeHist(retImg)        # cv2.imshow('img',retImg)        # cv2.waitKey()        return retImg    def loadImagesList(self,dirName):        '''        加载图像矩阵列表        :param dirName:文件夹路径        :return: 包含最原始的图像矩阵的列表和标签矩阵        '''        imgList = []        label = []        for parent,dirnames,filenames in os.walk(dirName):            # print parent            # print dirnames            # print filenames            for dirname in dirnames:                for subParent,subDirName,subFilenames in os.walk(parent+'/'+dirname):                    for filename in subFilenames:                        img = self.loadImg(subParent+'/'+filename,self.dsize)                        imgList.append(img) # 原始图像矩阵不做任何处理，直接加入列表                        label.append(subParent+'/'+filename)        return imgList,label    def getHopCounter(self,num):        '''        计算二进制序列是否只变化两次        :param num: 数字        :return: 01变化次数        '''        binNum = bin(num)        binStr = str(binNum)[2:]        n = len(binStr)        if n < 8:            binStr = "0"*(8-n)+binStr        n = len(binStr)        counter = 0        for i in range(n):            if i != n-1:                if binStr[i+1] != binStr[i]:                    counter += 1            else:                if binStr[0] != binStr[i]:                    counter += 1        return counter    def createTable(self):        '''        生成均匀对应字典        :return: 均匀LBP特征对应字典        '''        self.table = {}        temp = 1        print type(temp)        for i in range(256):            if self.getHopCounter(i) <= 2:                self.table[i] = temp                temp += 1            else:                self.table[i] = 0        return self.table    def getLBPfeature(self,img):        '''        计算LBP特征        :param img:图像矩阵        :return: LBP特征图        '''        m = img.shape[0];n = img.shape[1]        neighbor = [0]*8        featureMap = np.mat(np.zeros((m,n)))        for y in xrange(1,m-1):            for x in xrange(1,n-1):                neighbor[0] = img[y-1,x-1]                neighbor[1] = img[y-1,x]                neighbor[2] = img[y-1,x+1]                neighbor[3] = img[y,x+1]                neighbor[4] = img[y+1,x+1]                neighbor[5] = img[y+1,x]                neighbor[6] = img[y+1,x-1]                neighbor[7] = img[y,x-1]                center = img[y,x]                temp = 0                for k in range(8):                    temp += (neighbor[k] >= center)*(1<<k)                featureMap[y,x] = self.table[temp]        featureMap = featureMap.astype('uint8') # 数据类型转换为无符号8位型，如不转换则默认为float64位，影响最终效果        return featureMap    def calcHist(self,roi):        '''        计算直方图        :param roi:图像区域        :return: 直方图矩阵        '''        hist = cv2.calcHist([roi],[0],None,[59],[0,256]) # 第四个参数是直方图的横坐标数目，经过均匀化降维后这里一共有59种像素        return hist    def compare(self,sampleImg,testImg):        '''        比较函数，这里使用的是欧氏距离排序，也可以使用KNN，在此处更改        :param sampleImg: 样本图像矩阵        :param testImg: 测试图像矩阵        :return: k2值        '''        testImg = cv2.resize(testImg,self.dsize)        testImg = cv2.cvtColor(testImg,cv2.COLOR_RGB2GRAY)        testFeatureMap = self.getLBPfeature(testImg)        sampleFeatureMap = self.getLBPfeature(sampleImg)        # 计算步长，分割整个图像为小块        ystep = self.dsize[0]/self.blockNum        xstep = self.dsize[1]/self.blockNum        k2 = 0        for y in xrange(0,self.dsize[0],ystep):            for x in xrange(0,self.dsize[1],xstep):                testroi = testFeatureMap[y:y+ystep,x:x+xstep]                sampleroi =sampleFeatureMap[y:y+ystep,x:x+xstep]                testHist = self.calcHist(testroi)                sampleHist = self.calcHist(sampleroi)                k2 += np.sum((sampleHist-testHist)**2)/np.sum((sampleHist+testHist))        print 'k2的值为',k2        return k2    def predict(self,dirName,testImgName):        '''        预测函数        :param dirName:样本图像文件夹路径        :param testImgName: 测试图像文件名        :return: 最相近图像名称        '''        table = self.createTable()        testImg = cv2.imread(testImgName)        imgList,label = self.loadImagesList(dirName)        k2List = []        for img in imgList:            k2 = self.compare(img,testImg)            k2List.append(k2)        order = np.argsort(k2List)        return label[order[0]]if __name__ == "__main__":    lbp = LBP(20,(50,50),5)    ans = lbp.predict('d:/face','d:/face_test/9.bmp')    print ans