局部描述子方法及其在图像识别中的应用(3)
作中引入了密集的 SIFT（Dense SIFT）[6]
，此描述子后来在人脸识别中也得到了应用。为了
进一步提高特征关键点检测的效率， Herbert提出SURF （Speeded Up Robust Features） 特征[7]
。
SURF是对SIFT的改进，SURF特征提取的速度是 SIFT 的3-7倍。虽然 SURF特征提取速度
大大提升但是也很好保持了 SIFT的原有性能，因此它被广泛应用。
（2） 局部二值模式
局部二值模式[8]
（Local Binary Pattern,LBP）是基于图像纹理的局部描述子；它具有旋转
不变性和灰度不变性等。它首先由T. Ojala, M.Pietikäinen, 和 D. Harwood 在1994年提出。
由 Ahonen 等引入到了人脸识别领域，并取得了较好的识别结果。
LBP 描述子是对每一个像素点，取其周围
33
的邻域，用其邻域内共 8个像素点的像素
值与其比较，若大于中心点的像素值，该点就被标记为 1，反之，则标记为 0。按此算法，
33
邻域内的 8个点可产生8位二进制码，则有 256种可能性。为了降低编码的长度，将其转换
为十进制数即 LBP 码，此十进制数值就是该窗口中心像素点的 LBP 值。这个值利用了区域
的信息，因而反映了该区域的纹理结构信息。 该方法描述了一个固定大小窗口内的纹理信息，
没有尺度上的变换以适应不同频率纹理的需求。
（3） 梯度方向直方图 梯度方向直方图（Histogram of Oriented Gradient, HOG） 是法国科学家Dalal等人在2005
年 CVPR 上提出的检测人体目标的图像描述子，该方法使用梯度方向直方图特征来表达人体，
提取人体的外形信息和运动信息。其首先应用于人体运动目标检测， 其后应用于人脸识别[13]
。
HOG 提取的是边缘（梯度）的结构特征，因此可以描述局部区域的形状信息。HOG特征提取
过程中忽略了颜色、光照对图像的影响，降低了图像特征的文数。
（4） 韦伯局部描述子
陈杰等学者于2010年提出了韦伯局部描述子[15]
（Weber Local Descriptor，WLD）。Weber
局部描述子是基于心理学上的一个 Weber 定律[16]
。它是基于这样的事实：人感知的图案不是
仅依赖于刺激的变化（如声音，灯光），而且还依赖于刺激的原始强度。具体地，WLD由两
部分组成：差分激励和方向。差分激励是两个元素之间的比率函数：元素之一是相对强度即
它的邻像素与当前像素的差，另一个是当前象素的强度。方向分量是当前像素点的梯度方向。
对于给定的图像中，使用两种成分来构造一个级联 WLD直方图。WLD特征对噪声和光照变
化具有很强的稳健性。WLD 特征结合使用了如 SIFT 中的梯度直方图统计方法和如 LBP 中的
固定邻域提取信息的方法[17]
，但又在算法流程上明显区别于这两者。WLD 会统计每个点的信
息而不是仅统计兴趣点的信息；会计算特征点周围的显著变化而不是仅仅寻找像素值跳跃的
点。Weber 局部描述子（WLD）用于纹理分类及人脸检测并获得了较好的效果。
（5） Pattern of Oriented Edge Magnitudes 描述子
POEM[9]
(Pattern of Oriented Edge Magnitudes)是 Ngoc-Son Vu 等学者于 2012年提出的基
于 LBP基础架构的方向边缘幅值描述子。其基本思想是计算窗口内中心像素点各方向上的梯
度幅值，并用此梯度幅值来替代传统 LBP 中心像素周围像素点的灰度值。首先对
m
个离散方
向计算梯度，包括梯度方向和梯度幅值。
POEM不仅描述了一个局部区域自身的结构信息，还包含了该区域周边区域的部分信息。
下一篇：基于深度学习的时序模式识别