【进阶OpenCV】 （14）-- 人脸识别 -- LBPH 算法

文章目录

• LBPH 算法
• • 一、基本思想
  • 二、LBPH算法步骤
  • • 1. 图像划分
    • 2. 局部二值模式特征提取
    • 3. 直方图统计
    • 4. 特征向量生成
    • 5. 相似度计算
  • 三、代码实现
  • • 1. 图像预处理
    • 2. 创建一个LBPH的人脸识别器
    • 3. 训练实例模型
    • 4. 图像预测
• 总结

LBPH 算法

**LBPH(Local Binary Patterns Histogram，局部二值模式直方图)**算法使用的模型基于LBP(Local Binary Pattern，局部二值模式)算法。LBP 算法最早是被作为一种有效的纹理描述算子提出的，因在表述图像局部纹理特征方面效果出众而得到广泛应用。

一、基本思想

LBP算法的基本思想是对图像的像素和它局部周围像素进行对比，具体地，把某个像素作为中心，对相邻像素进行阈值比较。

如果中心像素的灰度值大于或等于其相邻像素的灰度值，则将该相邻像素标记为1，否则标记为0。这样，对于每个像素，比较结果会形成一个二进制数。这个二进制数通常是由中心像素与其周围8个像素比较得到的8位二进制序列。将这个二进制序列转换为十进制数，即得到该像素的LBP值。这个LBP值反映了中心像素与其周围像素的纹理关系。

二、LBPH算法步骤

1. 图像划分

• 将输入图像划分为若干个小区域（或称为局部区域），每个区域将独立处理。这些区域通常是像素块。

2. 局部二值模式特征提取

• 对于每个局部区域，选择一个中心像素，然后与其周围的像素进行比较。
• 比较方法是，将中心像素的灰度值与相邻像素的灰度值进行比较，如果相邻像素的灰度值大于或等于中心像素的灰度值，则将该像素标记为1，否则标记为0。
• 这一过程生成了一个二进制数字，它代表了中心像素与其周围像素的比较结果。
• 将这个二进制数字转换为十进制数作为当前像素的LBP值。

3. 直方图统计

• 对于整个图像，统计每个局部二值模式（LBP）值的出现次数，形成一个LBP直方图。
• 这个直方图反映了不同纹理特征在图像中的分布。

4. 特征向量生成

• 将每个区域的LBP直方图连接在一起，形成整个图像的LBP特征向量。
• 这个特征向量可以用于图像分类、纹理分析、人脸识别等任务。

5. 相似度计算

• 在得到每个局部区域的特征后，将这些特征串联成一个向量作为整张人脸图像的特征向量。
• 使用各种相似性度量方法（如欧几里得距离或余弦相似度）来计算两个特征向量之间的相似度。

三、代码实现

1. 图像预处理

准备好训练的图像，以及需要测试的图像：

import cv2
import numpy as np

"""-----训练的人脸照片-----"""
images = []
images.append(cv2.imread('f1.jpg',cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('f2.jpg',cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('z1.jpg',cv2.IMREAD_GRAYSCALE))
images.append(cv2.imread('z2.jpg',cv2.IMREAD_GRAYSCALE))
labels = [0,0,1,1] # 标签
dic = {0:'yf',1:'zrn',-1:'无法识别'}
predict_image = cv2.imread('f_test.jpg',cv2.IMREAD_GRAYSCALE) # 待识别的人脸图像

2. 创建一个LBPH的人脸识别器

• 函数：功能：创建一个LBPH的人脸识别器

recognizer = cv2.face.LBPHFaceRecognizer_create(radius=None,neighbors=None,
                                                grid_x=None,grid_y = None,threshold=None)

• 参数：

-- radius：可选，圆形局部二进制模式的半径，建议默认
-- neighbors：可选，圆形局部二进制模式的采样点数目，建议默认
-- grid_x：可选，水平方向上的单元格数，默认为8，即将LBP特征图在水平方向上划分为8个单元
-- grid_y：可选，垂直方向上的单元格数，默认为8，建议默认
-- threshold：可选，人脸识别时使用的阈值，建议默认

• 代码：

recognizer = cv2.face.LBPHFaceRecognizer_create(threshold=80)

3. 训练实例模型

• **函数train()**用给定的数据和相关标签训练成的实例模型。语法格式：

None = 识别器对象.train(src,labels)

• 参数：

-- src：训练图像，用来学习的人脸图像
-- labels：标签，人脸图像对应的标签

• 代码：

recognizer.train(images,np.array(labels))

4. 图像预测

• **函数predict()**对一个待识别人脸图像进行判断，寻找与当前图像距离最近的人脸图像。
• 与哪副人脸图像最近，就将当前待测图像标注为该人脸图像对应的标签
• 若待识别人脸图像与所有人脸图像的距离都大于特定的距离值（阈值），则认为没有找到对应的结果

代码：

label,confidence = recognizer.predict(predict_image)
print('这人是',dic[label])
print('置信度',confidence)
----------------
这人是 yf
置信度 53.49412736939389

返回值：

-- src:需要识别的人脸图像
-- confidence：返回的置信度评分，用来衡量识别结果与原有模型之间的距离

注意！！！：评分越小表示匹配度越高，但若是高于80，则认为识别结果与原有模型差距大。

总结

本篇介绍了如何通过创建LBPH的人脸识别器来进行人脸识别。