学习LBP特征
Posted 紫月小猫咪
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了学习LBP特征相关的知识，希望对你有一定的参考价值。
数据标准化（归一化）处理是数据挖掘的一项基础工作，不同评价指标往往具有不同的量纲和量纲单位，这样的情况会影响到数据分析的结果，为了消除指标之间的量纲影响，需要进行数据标准化处理，以解决数据指标之间的可比性。原始数据经过数据标准化处理后，各指标处于同一数量级，适合进行综合对比评价。
以下是两种常用的归一化方法：
一、min-max标准化（Min-Max Normalization）
也称为离差标准化，是对原始数据的线性变换，使结果值映射到[0 ， 1]之间。转换函数如下：
其中max为样本数据的最大值，min为样本数据的最小值。这种方法有个缺陷就是当有新数据加入时，可能导致max和min的变化，需要重新定义。
二、Z-score标准化方法
这种方法给予原始数据的均值（mean）和标准差（standard deviation）进行数据的标准化。经过处理的数据符合标准正态分布，即均值为0，标准差为1，转化函数为：
其中μ为所有样本数据的均值，σ为所有样本数据的标准差。
但是网上看到有人解析Opencv里面用LBP 作人脸识别时说到直方图归一化，直接对直方图除以上文举例中的20*20
参考博客：http://blog.csdn.net/sinat_25885063/article/details/43704005
以上是关于学习LBP特征的主要内容，如果未能解决你的问题，请参考以下文章
Opencv学习之路—Opencv下基于HOG特征的KNN算法分类训练