博文
[阅读随笔]Multi-Block LBP
||||
LBP（Local Pattern Recognition）[1]局部二元模式是一种简单的纹理提取算子，最初被用于纹理分割和人脸识别上，它能够描述比较细微的纹理模式或结构信息。但是传统的LBP是基于像素的，在一些粗级别特征的应用上（比如人脸检测）的效果上不好，主要是容易受到噪声的干扰和无法捕捉到不同尺度的结构信息。
受到Harr-like 矩形特征的启发，Stan Z. Li （李子青教授）的Group提出了Multi-Block LBP 特征，并且将这一特征应用在了人脸识别上，在cascade adaboost的框架下取得了比Haar-like 特征和传统LBP特征更好的检测效果，并且计算相对较快。
传统的Harr-like特征在计算矩阵区域亮度平均值的差异，相当于对应比较粗级别的一阶及二阶梯度特征。该特征具有简单，计算快（可以利用积分图像来进行大规模运算的加速），对于噪声具有一定的鲁棒性等特点。
Multi-Block LBP特征其实就是将传统的LBP操作延伸到矩形特征上来，使LBP操作能够捕捉不同尺度的结构信息，而且也能够利用积分图像来进行加速计算。
相对于Harr-like特征来说，Multi-Block LBP特征包含了更多的结构模式。
但是，Multi-Block LBP特征比较奇葩的是它的特征是一个二值（0,1)串,是非度量的（也就是说不能由简单的阈值或回归桩来区分），作者就根据这一特点设计了一个最小二乘拟合弱分类器（称为多分枝树的分类器）。其实有点类似于朴素贝叶斯的结果。
心得：对不同算法理解到位就可以进行合理组合，设计出新的而且还比较有效的算法；
[1]T. Ojala，《Multiresolution Gray-Scale and Rotation Invariant Texture Classification with Local Binary Patterns》，IEEE-TPAMI
[2]Lun Zhang, Rufeng Chu, Shiming Xiang, Shengcai Liao, and Stan Z. Li，《Face Detection Based on Multi-Block LBP Representation》
[3]《A novel distribution-based feature for rapid object detection》
https://m.sciencenet.cn/blog-386623-612745.html
上一篇：SCI和EI检索号查询
下一篇：[转载]Matlab中基本的文件夹创建和删除
扫一扫，分享此博文
全部作者的其他最新博文
全部精选博文导读
相关博文
- • Minerals线下恳谈会：履践致远、与时偕行——对话中国科学院广州地球化学研究所期刊合作学者
- • 聚英才 建高地 | 北京理工大学“特立青年学者”全球招聘开启
- • 700年后日本或濒临灭绝？日本学者推算预测：届时或仅剩1名15岁以下孩子
- • [转载]【同位素视角】非英语母语学者如何区分’e.g.’, ‘i.e.’, ‘namely’与‘such as’等混淆难题
- • 美国佐治亚大学等机构学者：刈割策略对Bulldog 805紫花苜蓿+Tifton 85狗牙根混播草地产量及品质的影响
- • 美国堪萨斯州立大学、密苏里大学等机构学者研究成果：土壤水分管理策略和品种多样性对紫花苜蓿产量、营养品质和农场盈利能力的影