基于LBP分类的人脸识别_lbp实现人脸识别

一、基本概念

对于二类分类问题，这些训练数据包括正样本和负样本，其中正样本代表属于该类别的实例，而负样本代表不属于该类型的反例。
机器学习的第一步是要找到一种模型，可以用简洁又有差异性的方式准确地反映每幅图像的内容。
换言之，机器学习方法，和图像特征是相互独立的。机器学习，是模型的训练方法，而特征，是训练的原始素材。也可以说，分类特征和分类方法；

二、opencv中的人脸识别结构

它们都是通用类cv::face::FaceRecognizer的子类。本节选用cv::face::LBPHFaceRecognizer类
cv::face::LBPHFaceRecognizer类，因为它基于一种简单但通常很有效的分类方法——最邻近分类法。而且它使用的图像模型基于局部二值模式（local binary pattern, LBP）特征。

三、LBP分类特征

LBP特征，采用相对独立的方法描述图像模式。它是一种局部模式，把每个像素转换为一个二进制数模型，表示邻近位置的图像强度模式。为此需要应用一个简单的规则：将一个局部像素与它的每个邻近像素进行比较，如果它的值大于邻近像素，就把对应的位设为0，否则设为1。最简单也是最常用的做法是将每个像素与它的8个邻近像素做比较，得到8位模式
说简单点，是9宫格的中心位置，与8邻域做大小比较，从而将中心位置像素点转换为8位2进制串。8邻域是最简单的比较方法。8位2进制数，可表示0到256；

对网格上的每个区块构建直方图。最后，把这些直方图的箱子数组合成一个大的向量，得到全局图像模型：对于8×8的网格，计算256-箱子直方图（每个像素已被转换至0到256的范围），得到16384维的向量。由此，图像转为了高维向量。
如果输入点与最近的参考点之间的距离太远，就说明它其实并不属于任何类别，那么“距离太远”的判断标准是什么？这由cv::face::LBPHFaceRecognizer的create方法的第四个参数决定。这里使用到的，就是最邻近分类法。

二、使用步骤

以上是使用步骤。

优劣

显然，这种方法的原理很简单，并且如果不同的类别在描述空间中生成各自独立的“点云”，它的效果就非常好。另外，它只是从最近的邻域中读取分类结果，因而可以处理多个类别，这也是它的一个优势。它的主要缺点是计算量较大——要从这么大的空间中（参考点的数量还可能很多）找出最近的点，需要耗费很长时间。此外，保存这些参考点也要耗费较大的存储空间。