综述：： 
LBP特征：Local Binary Pattern，局部二值模式特征，是一种用来描述图像局部纹理特征的算子。LBP特征算子计算简单、效果较好，数据量小，因此LBP特征在计算机视觉的许多领域都得到了广泛的应用，LBP特征比较多用于目标检测中。LBP计算出的特征具有灰度不变性和旋转不变性等显著优点，例如对光照不敏感。

LBP的基本算子

原始的LBP算子定义为在3*3的窗口内，以窗口中心像素为阈值，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素 点的位置被标记为1，否则为0。这样，3*3邻域内的8个点经过比较可产生8个0或1，将这8个0或1作为二进制数按照一定的次序排列形成一个二进制数字，这个二进制数字就是中心像素的LBP值。LBP值共有 种可能，因此LBP值有256种。像素之间的比较反映的是一种像素之间的差异关系，能够很好反映图像局部纹理这种特征。 

LBP特征的改进

http://blog.csdn.net/pi9nc/article/details/26678691 
http://blog.csdn.net/quincuntial/article/details/50541815 
http://www.open-open.com/lib/view/open1440832074794.html 
这三篇博客对LBP特征的改进版本均有很好的描述，我在这里做个总结：

圆形LBP算子：

所谓圆形LBP算子：如果要计算某个像素的点LBP特征，以这个像素点为中心，以一个任意大小半径R画一个圆，将落在圆内的像素与中心点像素比较得到LBP算子。如下图： 

这样做的好处是：它能够适应一定程序上纹理的尺度变化，并达到灰度和旋 转不变性的要求。

LBP旋转不变模式

首先讲下为什么LBP特征会有旋转可变这个情况，就是以上面3x3区域的像素值为例： 

逆时针旋转一格后得到的LBP值与原始不同。 
那么旋转不变模式是什么呢，就是旋转圆形邻域一周得到一系列初始定义的 LBP值，取其最小值作为该邻域的 LBP 值，这样无论怎样旋转，该点LBP值始终不变。如下图所示： 

LBP等价模式

具体可见上面三个博客里的介绍，总的来说： 
原来是LBP的每个位都作为该特征的决定项，例如01100100与01101100被认为是两个不同的特征值，采用LBP的等价模式后，只认为0到1的跳变与1到0的跳变为一个特征决定项，那么这样说的话，01100100中0～1有2个，1～0有2个，而01101100中0～1有2个，1～0也是有2个，我们认为它是同一个特征，这样LBP特征的种类就大减少了。

opencv中LBP特征实现

opencv中LBP特征的实现原理：将一个图像窗口画分成9个格子，统计每个格子的像素和，然后把周围8个像素和与中间那个格子的像素和比较，大于的取1，小于的取0，按顺序组成一个8位的LBP特征值。

opencv中主要是Lbpfeatures.cpp和Lbpfeatures.h两个文件来实现计算LBP特征的源码。

Lbpfeatures.h源码注释：

#ifndef _OPENCV_LBPFEATURES_H_
#define _OPENCV_LBPFEATURES_H_#include "traincascade_features.h"#define LBPF_NAME "lbpFeatureParams"
struct CvLBPFeatureParams : CvFeatureParams
{CvLBPFeatureParams();};/*LBP特征类定义*/
class CvLBPEvaluator : public CvFeatureEvaluator
{
public:virtual ~CvLBPEvaluator() {}virtual void init(const CvFeatureParams *_featureParams,int _maxSampleCount, Size _winSize );virtual void setImage(const Mat& img, uchar clsLabel, int idx);virtual float operator()(int featureIdx, int sampleIdx) const{ return (float)features[featureIdx].calc( sum, sampleIdx); }virtual void writeFeatures( FileStorage &fs, const Mat& featureMap ) const;
protected:virtual void generateFeatures();class Feature{public:Feature();Feature( int offset, int x, int y, int _block_w, int _block_h  ); uchar calc( const Mat& _sum, size_t y ) const;void write( FileStorage &fs ) const;Rect rect;int p[16];};vector<Feature> features;Mat sum;
};/*将9个窗口中周围8个窗口的像素和与中间窗口的像素和比较得到LBP特征值*/
inline uchar CvLBPEvaluator::Feature::calc(const Mat &_sum, size_t y) const
{const int* sum = _sum.ptr<int>((int)y);int cval = sum[p[5]] - sum[p[6]] - sum[p[9]] + sum[p[10]];return (uchar)((sum[p[0]] - sum[p[1]] - sum[p[4]] + sum[p[5]] >= cval ? 128 : 0) |   // 0(sum[p[1]] - sum[p[2]] - sum[p[5]] + sum[p[6]] >= cval ? 64 : 0) |    // 1(sum[p[2]] - sum[p[3]] - sum[p[6]] + sum[p[7]] >= cval ? 32 : 0) |    // 2(sum[p[6]] - sum[p[7]] - sum[p[10]] + sum[p[11]] >= cval ? 16 : 0) |  // 5(sum[p[10]] - sum[p[11]] - sum[p[14]] + sum[p[15]] >= cval ? 8 : 0) | // 8(sum[p[9]] - sum[p[10]] - sum[p[13]] + sum[p[14]] >= cval ? 4 : 0) |  // 7(sum[p[8]] - sum[p[9]] - sum[p[12]] + sum[p[13]] >= cval ? 2 : 0) |   // 6(sum[p[4]] - sum[p[5]] - sum[p[8]] + sum[p[9]] >= cval ? 1 : 0));     // 3
}#endif

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25
• 26
• 27
• 28
• 29
• 30
• 31
• 32
• 33
• 34
• 35
• 36
• 37
• 38
• 39
• 40
• 41
• 42
• 43
• 44
• 45
• 46
• 47
• 48
• 49
• 50
• 51
• 52
• 53
• 54
• 55
• 56
• 57
• 58
• 59
• 60

Lbpfeatures.cpp源码注释：

#include "lbpfeatures.h"
#include "cascadeclassifier.h"CvLBPFeatureParams::CvLBPFeatureParams()
{maxCatCount = 256;name = LBPF_NAME;
}/*Lbp特征的对象初始化*/
void CvLBPEvaluator::init(const CvFeatureParams *_featureParams, int _maxSampleCount, Size _winSize)
{CV_Assert( _maxSampleCount > 0);/*分配积分图内存*/sum.create((int)_maxSampleCount, (_winSize.width + 1) * (_winSize.height + 1), CV_32SC1);/*调用父类初始化函数*/CvFeatureEvaluator::init( _featureParams, _maxSampleCount, _winSize );
}/*设置图像宽高，并计算积分图像*/
void CvLBPEvaluator::setImage(const Mat &img, uchar clsLabel, int idx)
{CV_DbgAssert( !sum.empty() );CvFeatureEvaluator::setImage( img, clsLabel, idx );Mat innSum(winSize.height + 1, winSize.width + 1, sum.type(), sum.ptr<int>((int)idx));integral( img, innSum );
}/*将特征值写到文件中*/
void CvLBPEvaluator::writeFeatures( FileStorage &fs, const Mat& featureMap ) const
{_writeFeatures( features, fs, featureMap );
}/*计算窗口内LBP特征:将窗口内图像区域分成９个cell，计算中间那个cell与其他８个cell的像素值和的大小关系，以实现LBP特征计算*/
void CvLBPEvaluator::generateFeatures()
{int offset = winSize.width + 1;for( int x = 0; x < winSize.width; x++ )for( int y = 0; y < winSize.height; y++ )for( int w = 1; w <= winSize.width / 3; w++ )for( int h = 1; h <= winSize.height / 3; h++ )if ( (x+3*w <= winSize.width) && (y+3*h <= winSize.height) )features.push_back( Feature(offset, x, y, w, h ) );numFeatures = (int)features.size();
}/*初始化特征的窗口坐标:Feature类构造函数*/
CvLBPEvaluator::Feature::Feature()
{rect = cvRect(0, 0, 0, 0);
}/*给特征窗口点赋坐标值:Feature类构造函数*/
CvLBPEvaluator::Feature::Feature( int offset, int x, int y, int _blockWidth, int _blockHeight )
{Rect tr = rect = cvRect(x, y, _blockWidth, _blockHeight);CV_SUM_OFFSETS( p[0], p[1], p[4], p[5], tr, offset )tr.x += 2*rect.width;CV_SUM_OFFSETS( p[2], p[3], p[6], p[7], tr, offset )tr.y +=2*rect.height;CV_SUM_OFFSETS( p[10], p[11], p[14], p[15], tr, offset )tr.x -= 2*rect.width;CV_SUM_OFFSETS( p[8], p[9], p[12], p[13], tr, offset )
}/*将特征坐标写到文件*/
void CvLBPEvaluator::Feature::write(FileStorage &fs) const
{fs << CC_RECT << "[:" << rect.x << rect.y << rect.width << rect.height << "]";
}

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25
• 26
• 27
• 28
• 29
• 30
• 31
• 32
• 33
• 34
• 35
• 36
• 37
• 38
• 39
• 40
• 41
• 42
• 43
• 44
• 45
• 46
• 47
• 48
• 49
• 50
• 51
• 52
• 53
• 54
• 55
• 56
• 57
• 58
• 59
• 60
• 61
• 62
• 63
• 64
• 65
• 66
• 67
• 68
• 69
• 70
• 71
• 72