Algorithm 理解OpenCV LBP实现

我需要一些基于LBP的人脸检测方面的帮助，这就是我写这篇文章的原因

我有以下与OpenCV上实现的人脸检测相关的问题：

在lbpCascade_frontial_face.xml（来自opencv）中：什么是 内部节点、叶值、树、特征等？我知道他们被利用了 在算法中。但我不明白每一个的意思 是的。例如，为什么我们采用特定的功能而不是 对于特定的阶段，还有其他的吗？我们如何决定哪种功能/ 要选择的节点

LBP_frontial_face_classifier.xml中的特征值是什么？我 知道它们是由4个整数组成的向量。但是我该怎么用这个呢 特征？我认为第0阶段访问第一个功能，但访问 不是这种模式。此功能的访问模式是什么

所有文献中的论文只提供了一个高层次的概述。他们的 描述主要包括从邻域计算LBP 像素。但是这个LBP值是如何针对这些元素使用的呢 分类器

积分图像如何帮助计算像素的LBP值？ 我知道哈尔是怎么用的。我需要了解LBP

我读了一些报纸、文章。但是没有人清楚地描述基于LBP的人脸检测是如何工作的，也没有人详细描述该算法。如果有人想自己开发一个人脸检测程序，他应该遵循哪些步骤？没有任何文件对此进行描述

如果可以的话，请帮我做这些。我将不胜感激。

请您参考我过去的回答，其中略微涉及了这个主题，但没有解释XML级联格式

让我们来看一个为清晰起见而修改的假，它是一个只有一个阶段和三个功能的级联示例

3.
-0.75
0 -1 3 -67130709 -21569 -1426120013 -1275125205 -21585
-16385 587145899 -24005
-0.65 0.88
0 -1 0 -163512766 -769593758 -10027009 -262145 -514457854
-193593353 -524289 -1
-0.77 0.72
0 -1 2 -363936790 -893203669 -1337948010 -136907894
1088782736 -134217726 -741544961 -1590337
-0.71 0.68

稍晚些时候

<features>
  <_>
    <rect>
      0 0 3 5</rect></_>
  <_>
    <rect>
      0 0 4 2</rect></_>
  <_>
    <rect>
      0 0 6 3</rect></_>
  <_>
    <rect>
      0 1 4 3</rect></_>
  <_>
      <rect>
      0 1 3 3</rect></_>

0 0 3 5
0 0 4 2
0 0 6 3
0 1 4 3
0 1 3 3

让我们先看看阶段的标签：

• 阶段的

  maxWeakCount

  是阶段中弱分类器的数量，在注释中称为
  ，我称之为LBP功能。
  • 在本例中，阶段0中LBP特征的数量为

    3

• stageThreshold

  是特征权重的总和，至少是阶段通过的权重。
  • 在此示例中，阶段阈值为

    -0.75

转到描述LBP功能的标签：

• internalNodes

  是由11个整数组成的数组。前两个对于LBP级联没有意义。第三个是XML文件末尾
  的
  表的索引（一个
  描述了特征的几何结构）。最后8个值是8个32位值，它们共同构成了我在前面的回答中提到的256位LUT。这个LUT是通过训练过程计算的，我自己也不完全了解。
  • 在此示例中，阶段的第一个特征引用矩形

    3

    ，该矩形由四个整数

    0 1 4 3

    描述

• leafValues

  是与特征相关联的两个权重（通过/失败）。根据特征评估期间从

  内部节点

  中选择的位，这两个权重中的一个将添加到总数中。此总数与阶段的
  进行比较。然后，

  boolstagepassed=（sum>=stageThreshold-EPS），其中
  EPS
  为1e-5，确定阶段是否通过或失败。权重也由训练过程确定。
  
  在此示例中，第一个特征的失败权重为
  -0.65
  ，通过权重为
  0.88
  

最后是

标记。它由一组

标记组成，这些标记包含4个描述特征几何结构的整数。给定一个处理窗口（在您的示例中为24x24），前两个整数描述其在处理窗口内的

x

和

y

整数像素偏移，接下来两个整数描述待评估LBP特征所需的9个子矩形中的一个子矩形的宽度和高度

因此，本质上，位于处理窗口内的标签

ft.x ft.y ft.width ft.height

检查

pW.x

x

pW.height

是否在

pW.x

x

pW.y

对应于

为了计算LBP，只需读取点

p[0..15]

处的积分图像，并使用

p[BR]+p[TL]-p[TR]-p[BL]

计算九个子矩形的积分即可。将中心子矩形R4与其他八个子矩形（从R0开始顺时针）进行比较，以生成8位LBP（位被压缩[msb 01258763 lsb]）

然后将此8位LBP用作功能的（2^8=256）位LUT（代码）的索引，选择单个位。如果该位为1，则特征与面不一致；如果为0，则与面一致。然后返回适当的权重（

），并将其与所有其他功能的权重相加，以生成整个阶段的总和。然后将其与

进行比较，以确定该阶段是通过还是失败

---

如果还有什么我解释得不够清楚的话，我可以澄清。

@warmspringfinds您的观点是正确的：负值只表示MSB已设置。我可能已经走了