问题标签 [lbph-algorithm]

我正在尝试理解Local Gradient Pattern - A new feature representation for facial expression recognition中描述的局部梯度模式。

有一个计算像素新值的示例，如下所示：

我看到中心像素（即 25）的Pattern-1值为10并且Pattern-2值为01。我有几个问题。

• 该中心像素的新值是多少？
• LGP 与 LBP 有什么关系？
• 是否有任何使用 LGP（首选 Python）转换二维矩阵的伪代码？

MATLAB 内置的用于计算本地二进制模式的函数，来自计算机视觉工具箱，可生成实数值。
该函数名为：extractLBPFeatures()

我理解 LBP 的值是二进制的 - 它在名称中！它在做什么来获得实数值而不是二进制值？

我一直在摆弄 OpenCV 的级联训练器，试图训练我自己的分类器。问题是它现在已经训练了 25 多个小时，甚至还没有通过第 1 阶段。

最初，我使用以下命令运行它

nohup opencv_traincascade -data data -vec board.vec -bg bg.txt -numPos 580 -numNeg 1160 -numStages 2 -w 115 -h 153 -featureType LBP &

大约 24 小时后，它甚至无法通过第 1 阶段。查看nohup.out文件，我意识到默认precalcValBufSize设置为 1024Mb。我想也许将其增加到 4096Mb 将有助于处理，所以我继续使用以下命令重新开始训练

nohup opencv_traincascade -data data -vec board.vec -bg bg.txt -numPos 580 -numNeg 1160 -numStages 2 -w 115 -h 153 -featureType LBP -precalcIdxBufSize 4096 -precalcValBufSize 4096 &

培训已经进行了将近 25 个小时，甚至还没有生成阶段 0 的 XML 文件。

查看进程本身表明它使用了 8284M 的虚拟内存，但使用了 930M 的物理内存，这显示了该进程当前正在使用的所有文件。它在燃烧我的核心方面做得很好，但没有产生任何结果，甚至没有让我知道它走了多远。

我的问题是/是，有没有办法让它使用更多我的实际物理内存来加速它？如果没有，我需要对我的训练数据集进行任何调整吗？

旁注： 我知道数据集大小的一般标准是 24x24，但我已经尝试过了，即使经过 10 个阶段，它也非常可怕。在那个尺寸下，我的对象的轮廓不再正确地获得它的特征。在 24x24 甚至 48x48 的分辨率下，它看起来像是一个巨大的水平扭曲的黑色像素斑点，甚至看不到它的一些独特特征。

我正在使用 LBP 进行“人脸手势的机器检测”。我刚刚使用此代码将 RGB 图像转换为 LBP 图像。我的任务的下一步是将 LBP 图像划分为 3x3 并显示每个块的直方图以检测手势位置，如下图所示：

图像及其直方图

我通过以下方式为 3x3 像素单元中的每个像素位置完成了 LBP 功能实现： 生成 4 位二进制状态值 根据查找表将 16 个状态减少到 8 个状态 计算 8 个 bin 的出现。

我想通过使用 6x6 像素单元为 16 位输入图像实现相同的功能，因为 6x6 像素单元没有中点，我无法实现类似于 3x3 的功能。谁能给我一个想法，我该如何开始这个实现。提前感谢您的建议。

我对python很陌生。我使用 face_recognizer = cv2.face.LBPHFaceRecognizer_create() 并将我的预测函数定义为

我在使用预测函数预测面部时出现以下错误

提前谢谢了

opencv_traincascade 只为一个特征（lbp 或 haar 或 hog）生成 cascade.xml 文件。是否可以将获得的结果合并到一个文件中？或者是否有任何 opencv 实用程序可以生成两种不同类型特征的组合？

我看到很多文章将 lbp 应用于基于纹理的图像分类。我只是想知道关于这项技术的三件事，我无法从谷歌找到明确的答案：

1. 该算法如何为周围没有足够相邻像素的图像的边界像素计算 lbp。

2. 如果我们有八个相邻像素，那么中心像素将有 256 个图案（如果使用均匀，则为 59 个）。但是如果我们增加相邻像素大小（例如 8 或 10），那么图案的数量也会增加，对吗？在那种情况下，它对直方图计算有何影响？

3. 我们如何仅计算对象的lbp。特别是，如果我们要比较图像中的对象，我们只需要计算对象的 lbp 和直方图。我已经尝试通过使用 opencv 直方图（支持掩码而 numpy 直方图不支持掩码）来实现这个想法，但它没有用。关于如何根据掩码过滤 lbp 数组的任何想法，然后我们可以找到直方图。

谢谢你。

我想基于 viola jones 算法为多个对象（猫、花和汽车）构建一个对象检测器。我们可以使用 HOG、LBP 和类似 HAAR 的描述符。我们如何才能知道根据每个对象最合适的描述符是什么？

我正在尝试使用 Python 和 OpenCV 对面部图像进行一些特征工程。这个想法是使用这些特征进行无监督学习，将同一个人的图像组合在一起。管道如下：

1. 从几个 OpenCV 人脸检测器中选择一个（几个 LBP 和几个 HAAR 人脸级联）
2. 使用 OpenCV 来
   2.1 使用 5×5 高斯函数对图像进行卷积以进行低频带滤波以降低噪声
   2.2 将图像转换为灰度
   2.3 从图片中提取人脸图像
   2.4 将人脸大小调整为常见形状（例如 300 x 300）
3. 使用 scikit-image.feature.local_binary_pattern 获取人脸的局部二进制模式
4. 使用 numpy 生成这些 LBP 的直方图
5. 使用直方图作为 scikit-learn 的 NearestNeighbors 无监督学习算法的特征，以寻找可能表明它们属于同一个人的图像集群

问题是集群并不能很好地工作。当我看到我的数据被缩小到二维以进行可视化时，它甚至看起来都没有任何可辨别的集群，尽管我知道我的测试图像包含几个不同人的照片。

我怀疑它与 scikit-image 的 LBP 参数有关：采样点数和采样半径。我尝试为那些希望看到不同人物图像之间良好分离的人尝试几个值，但到目前为止还没有多少运气，请在此处查看结果。（出于可视化目的，不同的颜色表示不同的人。）所以这是我对帖子的问题：

是否有一个好的规则或规则来选择采样点的数量和 LBP 的采样半径，可能基于图像的性质或它们的某些属性？如果您对如何获得好的功能有其他想法，请告诉我。