第三章 研究方法
3.4 中心對稱區域二元圖樣
經過 TLBP 將原始臉部影像 I 轉換為紋理特徵影像 If後，第二階段透過局部 取得紋理特徵的方法，更能表現某些部位(眼睛、嘴巴)的紋理特徵。將這些局部
(a) C1=5 (b) C1=10 (c) C1=15 (d) C1=20
(a)原始影像 (b)經過 TLBP 轉
換後的特徵影像 TLBP
取得的紋理資訊，串接成整張影像的紋理特徵直方圖，再做後續的分類比對，能 有效提升辨識系統準確度。
為了能使特徵直方圖有效表示整張影像區域紋理的分布情形，在第二階段我 們使用區塊式(Block-based)的觀念建構影像特徵直方圖。將紋理特徵影像切割成
n
n× 個固定大小且不重疊的子區塊 B0, B1, …, Bm，並依序對每個子區塊進行 CS-LBP 運算，再將全部子區塊的直方圖依序串接起來。整個程序如圖 3.13 所示。
圖 3.13：局部紋理特徵擷取方法
以區塊式的 LBP 所建構出來的特徵直方圖，雖然可以提升臉部表情的辨識 準確率，但由於特徵直方圖的維度與區塊數目有絕對的關係，若切割的區塊數越 多，則特徵直方圖串接後的維度相對也會跟著增加，直方圖維度計算公式如式 (10)，
×256
= n
D , n = 區塊總數 (10)
以一張紋理特徵影像切割成 4×4 區塊為例，經過 LBP 運算後統計得到的直 方圖維度為 4096。特徵直方圖維度越大，後續使用分類器進行樣本訓練時，時 間的耗費也會遽增。為了改善區塊式建構特徵直方圖所造成維度增加的問題，第
……
臉部紋理特徵影像
CS-LBP 特徵直方圖
l0 lm
二階段我們以中心對稱區域二元圖樣(CS-LBP)取代原始的 LBP。如此，可在不 失去辨識準確率的前提之下，有效降低特徵直方圖維度，減少存儲空間的需求及 縮短運算時間，提高辨識系統效。
CS-LBP 的觀念加入中心對稱的比較方式對影像進行編碼，該法重新定義像 素灰階值之間比對的規則。原始 LBP 是以八鄰點與中心點比對後得到其二元編 碼，CS-LBP 則改為以中心點為對稱的對稱點進行像素值的比較。CS-LBP 原理 如圖 3.14 所示。 Neighbourhood Binary Pattern
得到一個長度為 P 二位元編碼；至於 CS-LBP 則是比較以中心點為對稱的像素灰 階值，而得到一個長度為 P/2 的二位元編碼，再乘上相對權重值，即得到該點的 CS-LBP 特徵值。由於 CS-LBP 得到的二位元編碼長度為 LBP 的 1/2，因此，由 CS-LBP 所擷取的特徵直方圖，其維度為 LBP 的 1/2(P/2)。
將第一階段轉換後的紋理特徵影像以區塊式切割後，依序進行每一區塊的 CS-LBP 運算，並將每個區塊的特徵值進行直方圖(Histogram)統計。假設一張紋 理特徵影像I
( )
x,y ，分割成k× 個固定大小的子區塊 Bk m (m = 1, 2, …, k2)，每個 區塊經過 CS-LBP 運算，並統計其 CS-LBP 直方圖。假設影像中任一點為 f( )
x,y ，則其 CS-LBP 直方圖的定義如公式(13)，
( )
(
,)
, 0,..., 1, = = −
=
∑
I f x y i i nHi xy (13)
其中n=2P/2。依據不同的相鄰點數目 P，影像透過 CS-LBP 運算之後共產生 n 種不同的輸出，因此直方圖的橫軸必需要有其相對應的值。由於本論文相鄰點數 目 P 為 8， f
( )
x,y 進行 CS-LBP 運算後的範圍為 0 到 15，如圖 3.15 所示。圖 3.15：區塊式 CS-LBP 直方圖