局部二值模式算法及其人脸识别应用

李闻　刘陶唐

摘 要：针对目前人脸识别的局部二值模式 （Local binary pattern， LBP） ，本文根据算法介绍了相关的理论基础及其表现出来的应用价值。首先 ，本文简单说明了局部二值模式在图像处理和人脸识别方向上的应用；其次，分析说明了LBP方法的阈值操作方法和算法的基本原理； 最后，简要阐述了基于LBP方法改进算法CS-LBP并说明了有关于算法的优势、不足及未来发展趋势。

关键词：局部二值模式；LBP；人脸识别

文章编号：1004-7026（2017）18-0125-01 中国图书分类号：TP391.41 文献标志码：A

1 引言

纹理特征是图像处理中研究的重要技术指标之一。经过研究人员的进一步研究和发现，相关成果层出不穷。其中Ojala[1]在之前研究成果的基础上，提出了局部二值模式（LBP）[2]算法，进一步弱化了光照对图像识别的影响，更加准确的提取了图像的纹理特征，因此Ojala提出的LBP算法在纹理特征提取和人脸识别方向有广泛的應用。经过研究者的进一步分析发现，二阶微分可以提取更為丰富的纹理特征，同时对光线不敏感等特征，本文也阐述了有关于中心对称二值模式（CS-LBP）[3]和其在图像处理方面的应用。

2 LBP和CS-LBP简介

2.1 LBP算法

Local Binary Pattern（LBP）称为局部二值模式，这是一种用来描述图像的局部特征的算子[4]，可直接对图像进行纹理特征提取。

LBP算法将算子定义为在3×3的区域内，以窗口中心像素C为阈值，也就是中心像素点，将相邻的8个像素的灰度值与中心像素点进行比较，若中心像素周围的像素值fp大于中心的像素值fc，则该像素点被编码为1，否则该像素点编码为0。

反应纹理特征的区域如果中心像素为50，八邻域像素分别为60，70，80，90，47，48，49，49，那么其二进制值为11110000，转换成十进制的二进制LBP为240。

通过对LBP算法的分析可知，该算法只考虑到了中心像素点和其八邻域像素的大小关系，这种方提取的图像特征是不完整的。

2.2 CS-LBP算法

根据上述描述可知，LBP算法只针对于中心像素和八邻域内的像素比较大小，并没有考虑到图像像素点的中心对称性。所以这种算法，只描述了八邻域内像素与中心像素的关系，忽略了八邻域像素与像素间的关系。因此，研究人员提出了CS-LBP算法

传统的LBP算法，没有涉及到图像像素的中心对称性，它只是将邻域像素值与中心像素值做比较，而忽略了邻域像素值之间存在的关系，因此研究者们提出了CS-LBP算法来补充这方面的不足，CS-LBP算法缩短了计算时间，大大提高了识别速率。

结束语 通过多年的研究表明，局部二值模式这种算法的计算原理相对简单，同时复杂度也不高，针对于光照变化有很好的鲁棒性。综上所示，局部二值模式在图像处理人脸识别领域有了广泛的应用，比如人脸匹配、指纹匹配、车牌识别、生物医学、神经网络等多个领域。

参考文献：

[1]T.Ojala，M Pietikinen，and D.Harwood.A comparative study of texture measures with classification based on featured istribution[J].Pattern Recognition，1996，29（1）：51-59.

[2]谭文明，李斌，张文聪.基于中心对称局部二值模式的背景建模方法研究[N].中国科学技术大学学报，2010，40（11）.

[3]李闻，陈熙，刘增力，黄青松.基于LBP与CS-LDP自适应特征融合的人脸识别[J].陕西师范大学学报（自然科学版），2015，43（04）：48-53.[2017-08-27].DOI：10.15983/j.cnki.jsnu.2015.04.245

[4]刘毅，黄兵，孙怀江，等.结合CS-LBP纹理特征的快速图割算法[J].计算机科学，2013，40（5）：300-302.