原文：
與第一篇博文特徵臉方法
不同，lbp（local binary patterns，區域性二值模式）是提取區域性特徵作為判別依據的。lbp方法顯著的優點是對光照不敏感，但是依然沒有解決姿態和表情的問題。不過相比於特徵臉方法，lbp的識別率已經有了很大的提公升。在[1]的文章裡，有些人臉庫的識別率已經達到了98%+。
1、lbp特徵提取
最初的lbp是定義在畫素3x3鄰域內的，以鄰域中心畫素為閾值，將相鄰的
8個畫素的灰度值與其進行比較，若周圍畫素值大於中心畫素值，則該畫素點的位置被標記為
1，否則為
0。這樣，
3x3鄰域內的8個點經比較可產生8位二進位制數（通常轉換為十進位制數即lbp碼，共256種）
，即得到該鄰域中心畫素點的
lbp值，並用這個值來反映該區域的紋理資訊。如下圖所示：
用比較正式的公式來定義的話：
其中lbp的改進版本
（1）圓形lbp運算元
基本的lbp
運算元的最大缺陷在於它只覆蓋了乙個固定半徑範圍內的小區域，這顯然不能滿足不同尺寸和頻率紋理的需要。為了適應不同尺度的紋理特徵，並達到灰度和旋轉不變性的要求，
ojala
等對lbp
運算元進行了改進，將3×
3鄰域擴充套件到任意鄰域，並用圓形鄰域代替了正方形鄰域，改進後的
lbp
運算元允許在半徑為
r 的圓形鄰域內有任意多個畫素點。從而得到了諸如半徑為
r的圓形區域內含有
p個取樣點的
lbp運算元。比如下圖定了乙個5x5的鄰域：
上圖內有八個黑色的取樣點，每個取樣點的值可以通過下式計算：
其中（2）lbp等價模式
乙個lbp運算元可以產生不同的二進位制模式，對於半徑為r的圓形區域內含有p個取樣點的lbp運算元將會產生2^p種模式。很顯然，隨著鄰域集內取樣點數的增加，二進位制模式的種類是急劇增加的。例如：5×5鄰域內20個取樣點，有220＝1,048,576種二進位制模式。如此多的二值模式無論對於紋理的提取還是對於紋理的識別、分類及資訊的訪問都是不利的。同時，過多的模式種類對於紋理的表達是不利的。例如，將lbp運算元用於紋理分類或人臉識別時，常採用lbp模式的統計直方圖來表達影象的資訊，而較多的模式種類將使得資料量過大，且直方圖過於稀疏。因此，需要對原始的lbp模式進行降維，使得資料量減少的情況下能最好的代表影象的資訊。
為了解決二進位制模式過多的問題，提高統計性，ojala提出了採用一種「等價模式」（uniform pattern）來對lbp運算元的模式種類進行降維。ojala等認為，在實際影象中，絕大多數lbp模式最多隻包含兩次從1到
0或從0到
1的跳變。因此，ojala將「等價模式」定義為：當某個
lbp所對應的迴圈二進位制數從0到
1或從1到
0最多有兩次跳變時，該
lbp所對應的二進位制就稱為乙個等價模式類。如00000000（0次跳變），00000111（只含一次從0到1的跳變），10001111（先由1跳到0，再由0跳到1，共兩次跳變）都是等價模式類。除等價模式類以外的模式都歸為另一類，稱為混合模式類，例如10010111（共四次跳變）。比如下圖給出了幾種等價模式的示意圖。
通過這樣的改進，二進位制模式的種類大大減少，而不會丟失任何資訊。模式數量由原來的2p種減少為 p ( p-1)+2種（以上圖為例，一共8個點，那麼其中1個為白點有8種模式，其中2個為白點有8種模式，其中3個為白點，有8種模式，.......其中7個為白點有8種模式，一共是8*7,再加上全為黑點以及全為白點的兩種，所以總和為8*7+2=58），其中p表示鄰域集內的取樣點數。對於3×3鄰域內8個取樣點來說，二進位制模式由原始的256種減少為58種，這使得特徵向量的維數更少，並且可以減少高頻雜訊帶來的影響。這幾段摘自[2]。
通過上述方法，每個畫素都會根據鄰域資訊得到乙個lbp值，如果以影象的形式顯示出來可以得到下圖，明顯lbp對光照有較強的魯棒性。
2、lbp特徵匹配
如果將以上得到的lbp值直接用於人臉識別，其實和不提取lbp特徵沒什麼區別，會造成計算量準確率等一系列問題。文獻[1]中，將一副人臉影象分為7x7的子區域（如下圖），並在子區域內根據lbp值統計其直方圖，以直方圖作為其判別特徵。這樣做的好處是在一定範圍內避免影象沒完全對準的情況，同時也對lbp特徵做了降維處理。
對於得到的直方圖特徵，有多種方法可以判別其相似性，假設已知人臉直方圖為m
i，待匹配人臉直方圖為s
i，那麼可以通過:
(1)直方圖交叉核方法
該方法的介紹在博文：histogram intersection(直方圖交叉核,pyramid match kernel)
(2)卡方統計方法
該方法的介紹在博文：
卡方檢驗（chi square statistic）
參考文獻：
[1]timo ahonen, abdenour hadid：face recognition with local binary patterns
[2]目標檢測的影象特徵提取之（二）lbp特徵
人臉識別經典演算法二 LBP方法
與第一篇博文特徵臉方法不同，lbp local binary patterns，區域性二值模式 是提取區域性特徵作為判別依據的。lbp方法顯著的優點是對光照不敏感，但是依然沒有解決姿態和表情的問題。不過相比於特徵臉方法，lbp的識別率已經有了很大的提公升。在 1 的文章裡，有些人臉庫的識別率已經達到...
人臉識別經典演算法二 LBP方法
與第一篇博文特徵臉方法 不同，lbp local binary patterns，區域性二值模式 是提取區域性特徵作為判別依據的。lbp方法顯著的優點是對光照不敏感，但是依然沒有解決姿態和表情的問題。不過相比於特徵臉方法，lbp的識別率已經有了很大的提公升。在 1 的文章裡，有些人臉庫的識別率已經達...
人臉識別經典演算法二 LBP方法
與第一篇博文特徵臉方法 不同，lbp local binary patterns，區域性二值模式 是提取區域性特徵作為判別依據的。lbp方法顯著的優點是對光照不敏感，但是依然沒有解決姿態和表情的問題。不過相比於特徵臉方法，lbp的識別率已經有了很大的提公升。在 1 的文章裡，有些人臉庫的識別率已經達...