1、LBP特征背景介绍
LBP指局部二值模式，英文全称：Local Binary Pattern，是一种用来描述图像局部特征的算子，LBP特征具有灰度不变性和旋转不变性等显著优点。它是由T. Ojala, M.Pietikäinen, 和 D. Harwood [1][2]在1994年提出，由于LBP特征计算简单、效果较好，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特征比较出名的应用是用在人脸识别和目标检测中，在计算机视觉开源库OpenCV中有使用LBP特征进行人脸识别的接口，也有用LBP特征训练目标检测分类器的方法，Opencv实现了LBP特征的计算，但没有提供一个单独的计算LBP特征的接口。
2、MATLAB代码
1 %2017-05-12 学习LBP特征 2
3 clc; 4 clear; 5
6 %读图操作 7 img=imread('船 (403).bmp'); 8 [m,n]=size(img); 9 figure(1); 10 imshow(img,[]); 11 title('原图'); 12 %%
13 %求原始的LBP特征 14 img_LBP=zeros(m,n); 15 for i=2:m-1
16 for j=2:n-1
17
18 code=zeros(1,8); %行向量 19 code(1)=img(i-1,j-1)>img(i,j); 20 code(2)=img(i-1,j)>img(i,j); 21 code(3)=img(i-1,j+1)>img(i,j); 22 code(4)=img(i,j+1)>img(i,j); 23 code(5)=img(i+1,j+1)>img(i,j); 24 code(6)=img(i+1,j)>img(i,j); 25 code(7)=img(i+1,j-1)>img(i,j); 26 code(8)=img(i,j-1)>img(i,j); 27 for p=1:8
28 img_LBP(i,j)=img_LBP(i,j)+code(p)*2^(8-p); %从左上角开始，顺时针编码 29 end 30
31 end 32 end 33
34 figure(2); 35 imshow(img_LBP,[]); 36 title('original LBP'); 37 %%
38 %求旋转不变LBP 39 img_LBP_ri=zeros(m,n); 40 for i=2:m-1
41 for j=2:n-1
42
43 code=zeros(1,8); %行向量，原始LBP特征编码 44 code(1)=img(i-1,j-1)>img(i,j); 45 code(2)=img(i-1,j)>img(i,j); 46 code(3)=img(i-1,j+1)>img(i,j); 47 code(4)=img(i,j+1)>img(i,j); 48 code(5)=img(i+1,j+1)>img(i,j); 49 code(6)=img(i+1,j)>img(i,j); 50 code(7)=img(i+1,j-1)>img(i,j); 51 code(8)=img(i,j-1)>img(i,j); 52 for p=1:8
53 img_LBP_ri(i,j)=img_LBP_ri(i,j)+code(p)*2^(8-p); %从左上角开始，顺时针编码 54 end 55
56 %循环左移,移动k位相当于把开头的k个数放到最右边 57 for k=1:7
58 code=[code(k+1:end) code(1:k)]; %移位之后的二进制编码，右移表达式 code=[code(end-k+1:end) code(1:end-k)] 59 temp=0; 60 for p=1:8
61 temp=temp+code(p)*2^(8-p); 62 end 63 if temp<img_LBP_ri(i,j) %取旋转之后的最小值 64 img_LBP_ri(i,j)=temp; 65 end 66 end 67
68 end 69 end 70
71 figure(3); 72 imshow(img_LBP_ri,[]); 73 title('rotate invariant LBP');
3、LBP特征图像
4、LBPH的求法
LBPH(Local Binary PatternsHistograms)，局部二进制编码直方图，建立在LBPH基础之上的人脸识别法基本思想如下：
（1）首先以每个像素为中心，判断与周围像素灰度值大小关系，对其进行二进制编码，从而获得整幅图像的LBP编码图像；
（2）再将LBP图像分为
个区域，获取每个区域的LBP编码直方图，继而得到整幅图像的LBP编码直方图；
（3）通过比较不同图像LBP编码直方图达到图像分类的目的，其优点是不会受到光照、缩放、旋转和平移的影响。
比如说，对应、于一张200*200的图片，照上述方法求出LBP特征图像（在最外圈补0）也为200*200，再将LBP图像分为10行10列，按行求出每一小块20*20的直方图。
问题在于如何归一化，特意查了一下数据归一化的方法，如下：
数据归一化和两种常用的归一化方法
数据标准化（归一化）处理是数据挖掘的一项基础工作，不同评价指标往往具有不同的量纲和量纲单位，这样的情况会影响到数据分析的结果，为了消除指标之间的量纲影响，需要进行数据标准化处理，以解决数据指标之间的可比性。原始数据经过数据标准化处理后，各指标处于同一数量级，适合进行综合对比评价。
以下是两种常用的归一化方法：
一、min-max标准化（Min-Max Normalization）
也称为离差标准化，是对原始数据的线性变换，使结果值映射到[0 ， 1]之间。转换函数如下：
其中max为样本数据的最大值，min为样本数据的最小值。这种方法有个缺陷就是当有新数据加入时，可能导致max和min的变化，需要重新定义。
二、Z-score标准化方法
这种方法给予原始数据的均值（mean）和标准差（standard deviation）进行数据的标准化。经过处理的数据符合标准正态分布，即均值为0，标准差为1，转化函数为：
其中μ为所有样本数据的均值，σ为所有样本数据的标准差。
但是网上看到有人解析Opencv里面用LBP 作人脸识别时说到直方图归一化，直接对直方图除以上文举例中的20*20
参考博客：http://blog.csdn.net/sinat_25885063/article/details/43704005