1.（四十三）特征点检测-LBP
2.SURF、源码SIFT 特征检测
（四十三）特征点检测-LBP
时间为友，详解记录点滴。源码
特征点检测领域并非只有一种算法，详解大神们总能带来新颖的源码想法。虽然不可能掌握所有算法，详解如何获取高通GPU源码但有些思路是源码值得借鉴的。
比如SIFT就是详解一个宝库，总能给我们带来启发。源码
既然已经了解了Harris、详解SIFT、源码FAST等特征检测算法，详解aespython源码以及特征点的源码定义和评判标准，那么我们就来探讨LBP如何在特征检测领域脱颖而出。详解
思考一下特征点的源码优良性质：
什么是LBP？
LBP（Local Binary Pattern，局部二值模式）是一种描述图像局部纹理特征的算子，它具有旋转不变性和灰度不变性等显著优点。由T. Ojala、M. Pietikäinen和D. Harwood在年提出，用于纹理特征提取。它提取的是图像的局部纹理特征；
它是如何实现的？
首先谈谈原始LBP算子：
通过比较3*3邻域内的8个点，可以得到8位二进制数（通常转换为十进制数即LBP码，共种，泰航源码即2 Byte），即得到该窗口中心像素点的LBP值，并用这个值来反映该区域的纹理信息。
虽然简单，但略显简陋（是不是与FAST算子有些类似）。这个LBP算子显然不能表示优良特征点，还好它出现的早（），所以后人对LBP做了很多优化，使其满足尺度不变、旋转不变、光照不变。电机源码
尺度不变：
无论是SIFT还是ORB，要做到尺度不变，我们通常采用金字塔扩展到多尺度空间，但LBP有它独特的方法。
在原始的LBP中，我们选择的是以目标点为中心，3x3的8邻域，经历过FAST的我们很容易想到半径的概念。那么3x3代表的就是以目标点为圆心，半径为1的邻域，如果我们把半径扩展一下会怎么样呢？
Ojala等人对LBP算子进行了改进，xuplayer源码将3×3邻域扩展到任意邻域，并用圆形邻域代替了正方形邻域，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；
这种情况下，对应黑点像素可能不是整数，要得到该点准确的像素值，必须对该点进行插值计算才能得到该点像素值，常见的插值方式为双线性插值或者立方插值。
这种思路有点像“山不转，水转；水不转，人转”；
旋转不变性：
Maenpaa等人又将LBP算子进行了扩展，提出了具有旋转不变性的LBP算子，即不断旋转圆形邻域得到一系列初始定义的LBP值，取其最小值作为该邻域的LBP值。
举一个具体的例子：下图所示的8种LBP模式，经过旋转不变的处理，最终得到的具有旋转不变性的LBP值为。也就是说，图中的8种LBP模式对应的旋转不变的LBP模式都是。
光照不变：
从LBP的差值计算可以看出，LBP本身就具有光照不变的特性（灰度值按比例缩放，强者恒强），但是我们可以引入权重概念，计算LBP码和对比度。
好了，LBP就这么多。是不是感觉SIFT/ORB后什么都简单了些？
在网上搜了个Python实现的LBP，实验了下，贴在这里：
Python
惯例，OpenCV早就给我们提供了LBP的算子，而且可以结合FaceDetect来用，
C++
1、lbpcascade_frontalface_improved文件我使用的是我们自己编译出来的，在Binfile\install\etc\lbpcascades目录下（你可以用everything搜索一下，OpenCV源码中也有提供） 2、今天我们首次使用了CascadeClassifier，这个我觉得有必要在后面详细解释一下。用OpenCV做人脸检测简直简单得不要不要的。
SURF、SIFT 特征检测
介绍：SURF特征检测是一种尺度不变特征检测技术，它能够在不同尺度下检测到一致的物体关键点，并且每个检测到的特征点都关联一个尺度因子。理想状态下，两个尺度因子之间的比值应当与图像尺度的比值相同。SURF特征的全称是加速稳健特征（Speeded Up Robust Feature），它不仅实现了尺度不变性，还具备高效计算的特点。
实现原理：
例子代码：
效果图
2. SIFT特征检测
实现原理：
例子代码：
效果图
欢迎关注我的微信公众号“OpenCV图像处理算法”，主要分享我在学习图像处理算法过程中的心得，内容涵盖特征提取、目标跟踪、定位、机器学习和深度学习等领域。每个案例都会附上源码和相关资料，期待与同行交流，共同进步。
