Erkennung von Personen anhand ihrer Kleidung und die ...

diese durch Hintereinanderschreiben zu einem Histogramm zusammen, so dass man
letztlich einen Merkmalsvektor c ∈ N (3·n) erhält.
Möchte man die Dimension des Merkmalsvektors c weiter reduzieren, zählt man beim
Erstellen des Histogrammes nicht das Auftreten jedes einzelnen Farbwertes, sondern
fast mehrere nebeneinander liegende Farbwerte zu größeren Bereichen zusammen und
zählt wie viele Pixel mit Farbwerten aus den einzelnen Bereichen auftreten.
3.2 Local Binary Patterns
Eine weitere Möglichkeit für die Transformation T r stellen die Local Binary Patterns
in Verbindung mit den im vorigen Abschnitt beschriebenen Histogrammen dar. Local
Binary Patterns repräsentieren die lokale Struktur eines Bildes und sind invariant
gegen monotone Veränderungen der Helligkeit [13]. Daher ist zu vermuten, dass sich
damit gut zu klassifizierende Merkmale aus Bildern von Kleidungsstücken extrahieren
lassen. Sie wurden erstmalig 1993 von Harwood et al. erwähnt und 1996 von Ojala et
al. eingeführt [12]. Local Binary Patterns wurden bereits bei der Gesichtserkennung
erfolgreich angewandt. [13]
Die original Local Binary Patterns, eingeführt von Ojala et al., lassen sich wie
folgt beschreiben (siehe Abbildung 3.1). Einem Pixel eines Grauwertbildes (außer
Randbereiche) wird ein neuer 8-Bit Wert zugewiesen. Dieser wird aus den 8
Nachbarpixeln des betrachteten Pixels nach der Formel 3.2 berechnet:
LBP (p) =
7∑
s(i n − i c ) · 2 n (3.2)
n=0
Dabei ist p der betrachtete Pixel, i C ist der Grauwert des Pixels, i n sind die Grauwerte
der benachbarten Pixel (angefangen links oberhalb von p und dann im Uhrzeigersinn
fortlaufend). Die Funktion s(x) ist hier wie folgt definiert:
{
1 wenn x ≥ 0
s(x) =
(3.3)
0 wenn x < 0
Abbildung 3.1: Beispiel zur LPB Berechnung
11