阅读说明：本技术 改进的lbp特征提取方法 (Improved LBP feature extraction method ) 是由 郭寅 尹仕斌 崔鹏飞 徐金辰 于 2020-07-31 设计创作，主要内容包括：本发明公开了一种改进的LBP特征提取方法,包括：按照实际检测流程采集待测图像数据集；生成训练图像集,分别对各张图像中的待测特征进行框选,记录宽度像素值和高度像素值；以此为样本数据集进行聚类处理,得到k个聚类结果；分别利用单个聚类结果的参考宽度值μ<Sub>i</Sub>和参考高度值g<Sub>i</Sub>计算半径R<Sub>i</Sub>,得到半径集合；以半径集合中各个取值分别作为LBP的圆形邻域半径,形成q个LBP特征描述算子；分别利用q个LBP特征描述算子遍历图像I,得到q个特征向量,级联,得到融合特征向量,将其记为该图像I的特征描述,完成LBP特征提取；本方法对目标特征的识别更为准确,提高了识别算法的准确性。(The invention discloses an improved LBP (local binary pattern) feature extraction method, which comprises the following steps: acquiring an image data set to be detected according to an actual detection process; generating a training image set, respectively performing frame selection on the features to be detected in each image, and recording a width pixel value and a height pixel value; clustering processing is carried out by taking the k clustering results as a sample data set to obtain k clustering results; using reference width value mu of single clustering result respectively i And a reference height value g i Calculating the radius R i Obtaining a radius set; taking each value in the radius set as the radius of the circular neighborhood of the LBP respectively to form q LBP feature description operators; respectively traversing the image I by using q LBP feature description operators to obtain q feature vectors, cascading to obtain a fusion feature vector, recording the fusion feature vector as the feature description of the image I, and finishing the extraction of the LBP feature; the method has the advantages of more accurate identification of the target characteristics and improvement of the accuracy of the identification algorithm.)

改进的LBP特征提取方法

技术领域

本发明涉及图像处理领域，具体涉及改进的LBP特征提取方法。

背景技术

随着数字图像处理技术的发展，数字处理技术已经代替了人工的方法进行自动化特征识别和分析，如人脸识别、指纹指标、缺陷检测等，特征识别首先要进行特征提取，其中，LBP(局部二值模式，Local Binary Patterns)特征提取方法已被广泛应用在人脸识别，图像质量评价，目标检测等领域，传统的LBP方法设置3×3的方形邻域，后逐渐衍生出了圆形领域，改进后的LBP算子允许在半径为R的圆形邻域内有任意多个像素点，从而得到了诸如半径为R的圆形区域内含有P个采样点的LBP算子；但半径R的确定却需要科研人员的反复验证，同时,不同特征所对应的尺寸也不相同，因此单一设置的R值，无法准确提取到各类特征，容易发生错检、漏检。

发明内容

为了解决上述问题，本发明提供了一种改进的LBP特征提取方法，其结合聚类方法得出了半径集合，设计LBP描述子，用多尺度的LBP算子共同检测同一待测图像，形成融合特征向量，本方法对目标特征的识别更为准确，提高了识别算法的准确性。

技术方案如下：

一种改进的LBP特征提取方法，包括以下步骤：

步骤一、按照实际检测流程采集多张待测物的图像I，记为待测图像数据集；

以待测图像数据集中全部或部分图像作为训练图像集，确保其包含所有类别的待测特征；分别对各张图像中的待测特征进行框选，记录每个待测特征的宽度像素值和高度像素值；

以每个待测特征及其宽度像素值、高度像素值为样本数据集进行聚类处理，得到k个聚类结果，单个聚类结果中包括参考宽度值μ_i和参考高度值g_i；

步骤二、分别利用单个聚类结果的参考宽度值μ_i和参考高度值g_i计算此种待测特征所对应的LBP特征描述算子的检测范围半径R_i，方法如下：

其中：i＝1,2……k；删除其中重复的数据，得到半径集合R＝{R₁,R₂,…,R_q}；

步骤三、以半径集合中各个取值分别作为LBP的圆形邻域半径，形成q个LBP特征描述算子；

步骤四、分别利用q个LBP特征描述算子遍历图像I，得到q个特征向量，级联，得到融合特征向量，将其记为该图像I的特征描述，完成LBP特征提取。

进一步，还包括步骤五、将所述融合特征向量输入到分类器或卷积神经网络中，进行特征识别、分类；得出图像I中存在的待测特征。

优选，步骤一中聚类处理的方法为K-means聚类方法，其K值等于待测特征的种类数。

进一步，步骤一中待测特征为待测物本身具备的局部特征(如人脸中五官特征)，或，待测物表面的缺陷特征(如划痕、杂质)。

进一步，步骤四中，利用单个LBP特征描述算子遍历图像I的步骤为：

I、根据当前单个LBP特征描述算子的检测范围半径，从图像I起点开始，设置局部圆形区域；预设局部圆形区域的采样点数量P；

II、计算局部圆形区域内的每个采样点(x_p，y_p)：

其中，(x_c，y_c)为当前圆形区域中心点像素坐标，R_i表示当前单个LBP特征描述算子的检测范围半径，p＝1,2……P；

再利用双线性插值法处理P个采样点(x_p，y_p)，得到各采样点的像素坐标；

记中心点(x_c，y_c)处的灰度值为A，将采样点的像素坐标处的灰度值与A进行比较，大于A，此采样点标记为1，反之标记为0，得到一组二进制数据；

III、沿图像I的X轴/Y轴方向，移动局部圆形区域，并重复步骤II；直到遍历整幅图像I，将得出的各组二进制数据级联，记为特征向量。

优选，采样点数量P＝8，16或32。

为了提高计算速度，优选，采用等价模式对所述特征向量进行降维处理，将特征维数降低到P×(P-1)+3维。

等价模式：当某个LBP所对应的循环二进制数从0到1或从1到0最多有两次跳变时，该类型保留；跳变次数超过2次时，均归为一类；8位二进制数中跳变小于等于两次的共有58种。

这种方式可以大大减少运算量，且不会丢失信息。对于3×3邻域内8个采样点来说，二进制模式由原始的256种减少为59种，这使得特征向量的维数更少，并且可以减少高频噪声带来的影响。

本发明方案具有以下优点：结合聚类方法，兼顾不同的特征尺寸，得出了半径集合，并分别用不同的半径值设计LBP描述子，用多尺度的LBP算子共同检测同一待测图像，形成融合特征向量，本方法对目标特征的识别更为准确，提高了识别算法的准确性。

附图说明

图1为发明方法流程示意图；

图2为采集汽车漆面板件原始灰度图；

图3为分别利用不同半径值LBP特征描述算子(R＝1、2、3)遍历整幅待检测图像后得到的LBP特征图；

图4为分别利用不同半径值LBP特征描述算子(R＝5、7)遍历整幅待检测图像后得到的LBP特征图；

图5为采用传统圆形邻域LBP方法提取特征后输入到SVM中的分类结果图；

图6为采用本发明LBP方法提取特征后输入到SVM中的分类结果图。

具体实施方式

以下结合附图和具体实施方式对本发明的技术方案进行详细描述。

一种改进的LBP特征提取方法，如图1所示，包括以下步骤：

步骤一、按照实际检测流程采集多张待测物的图像I，记为待测图像数据集；

以待测图像数据集中全部或部分图像作为训练图像集，确保其包含所有类别的待测特征；分别对各张图像中的待测特征进行框选，记录每个待测特征的宽度像素值和高度像素值；

以每个待测特征及其宽度像素值、高度像素值为样本数据集进行聚类处理，得到k个聚类结果，单个聚类结果中包括参考宽度值μ_i和参考高度值g_i；

步骤二、分别利用单个聚类结果的参考宽度值μ_i和参考高度值g_i计算此种待测特征所对应的LBP特征描述算子的检测范围半径R_i，方法如下：

其中：i＝1,2……k；删除其中重复的数据，得到半径集合R＝{R₁,R₂,…,R_q}；

步骤三、以半径集合中各个取值分别作为LBP的圆形邻域半径，形成q个LBP特征描述算子；

步骤四、分别利用q个LBP特征描述算子遍历图像I，得到q个特征向量，级联，得到融合特征向量，将其记为该图像I的特征描述，完成LBP特征提取。

还包括步骤五、将融合特征向量输入到分类器或卷积神经网络中，进行特征识别、分类；得出图像I中存在的待测特征。

作为本发明的一种实施方式，步骤一中聚类处理的方法为K-means聚类方法，其K值等于待测特征的种类数。

具体的，步骤一中待测特征为待测物本身具备的局部特征(如人脸中五官特征)，或，待测物表面的缺陷特征(如划痕、杂质)。

本实施例中，相机从汽车检测工位上拍摄的车身板件漆面图像，形成待测图像数据集，选取其中70％的图像作为训练图像集，共定义7种缺陷类别：杂质(Inclusion)、浅缩孔(Shallow crater)、针孔(Pinhole crater)、凹陷(Dent)、凸起(Bump)、流挂(Boilers)、划痕(Scratch)；标注训练图像集中各张图像存在缺陷的宽度像素值和高度像素值；

设置K＝7，形成7组参考宽度值μ_i和参考高度值g_i。

在步骤二中得出半径集合R＝{1,2,3,5,7}；

步骤四中，利用单个LBP特征描述算子遍历图像I的步骤为：

I、根据当前单个LBP特征描述算子的检测范围半径，从图像I起点开始，设置局部圆形区域；预设局部圆形区域的采样点数量P；

II、计算局部圆形区域内的每个采样点(x_p，y_p)：

其中，(x_c，y_c)为当前圆形区域中心点像素坐标，R_i表示当前单个LBP特征描述算子的检测范围半径，p＝1，2……P；

再利用双线性插值法处理P个采样点(x_p，y_p)，得到各采样点的像素坐标；

记中心点(x_c，y_c)处的灰度值为A，将采样点的像素坐标处的灰度值与A进行比较，大于A，此采样点标记为1，反之标记为0，得到一组二进制数据；

III、沿图像I的X轴/Y轴方向，移动局部圆形区域，并重复步骤II；直到遍历整幅图像I，将得出的各组二进制数据级联，记为特征向量。

其中，采样点数量P＝8，16或32。

为了提高计算速度，采用等价模式对特征向量进行降维处理，将特征维数降低到P×(P-1)+3维。

实际使用时，对于同一检测工位，步骤一～步骤四仅需进行一次，得出半径集合R并生成q个LBP算子后，q个LBP算子即可直接用于后续的实时检测过程，具体的实时检测过程为：相机实时采集相同工位的车身板件漆面图像(如图2所示)，对该图像直接进行步骤四，其中不同LBP算子得出的LBP特征图如图3、4所示，可以看出图中缺陷特征为黑灰杂质(体现为图中黑点)和本色划伤(图右下方划痕))，分别采用不同尺度的LBP算子能够提取出更加全面的特征信息；将本方法提取的特征向量与采用传统圆形邻域LBP方法得出的特征向量分别输入到SVM(支持向量机(Support Vector Machine)中，其分类结果图如图5、图6所示，如图可见本发明方法处理的分类图中，缺陷特征提取更为准确、全面；而采用传统方法则容易发生漏检、错检现象。

前面对本发明具体示例性实施方案所呈现的描述是出于说明和描述的目的。前面的描述并不想要成为毫无遗漏的，也不是想要把本发明限制为所公开的精确形式，显然，根据上述教导很多改变和变化都是可能的。选择示例性实施方案并进行描述是为了解释本发明的特定原理及其实际应用，从而使得本领域的其它技术人员能够实现并利用本发明的各种示例性实施方案及其不同选择形式和修改形式。本发明的范围旨在由所附权利要求书及其等价形式所限定。