lbp（local binary pattern，區域性二值模式）是一種用來描述影象區域性紋理特徵的運算元；它具有旋轉不變性和灰度不變性等顯著的優點。它是首先由t. ojala, m.pietikäinen, 和d. harwood 在2023年提出，用於紋理特徵提取。而且，提取的特徵是影象的區域性的紋理特徵；
1、lbp特徵的描述
（1）圓形lbp運算元：半徑為r的圓形區域內含有p個取樣點的lbp運算元，其中，r可以是小數，對於沒有落到整數字置的點，根據軌道內離其最近的兩個整數字置畫素灰度值，利用雙線性差值的方法可以計算它的灰度值。
（2）lbp旋轉不變模式：不斷旋轉圓形鄰域得到一系列初始定義的 lbp 值，取其最小值作為該鄰域的 lbp 值。
（3）lbp等價模式：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）
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2^p種減少為 p ( p-1)+2種，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。
2、lbp特徵用於檢測的原理
lbp運算元在每個畫素點都可以得到乙個lbp「編碼」，那麼，對一幅影象（記錄的是每個畫素點的灰度值）提取其原始的lbp運算元之後，得到的原始lbp特徵依然是「一幅」（記錄的是每個畫素點的lbp值）。
lbp的應用中，如紋理分類、人臉分析等，一般都不將lbp圖譜作為特徵向量用於分類識別，而是採用lbp特徵譜的統計直方圖作為特徵向量用於分類識別。
因為，從上面的分析我們可以看出，這個「特徵」跟位置資訊是緊密相關的。直接對兩幅提取這種「特徵」，並進行判別分析的話，會因為「位置沒有對準」而產生很大的誤差。後來，研究人員發現，可以將一幅劃分為若干的子區域，對每個子區域內的每個畫素點都提取lbp特徵，然後，在每個子區域內建立lbp特徵的統計直方圖。如此一來，每個子區域，就可以用乙個統計直方圖來進行描述；整個就由若干個統計直方圖組成；
例如：一幅100* 100畫素大小的，劃分為1010=100個子區域（可以通過多種方式來劃分區域），每個子區域的大小為1010畫素；在每個子區域內的每個畫素點，提取其lbp特徵，然後，建立統計直方圖；這樣，這幅就有1010個子區域，也就有了1010個統計直方圖，利用這10*10個統計直方圖，就可以描述這幅了。之後，我們利用各種相似性度量函式，就可以判斷兩幅影象之間的相似性了；
3、對lbp特徵向量進行提取的步驟
（1）首先將檢測視窗劃分為16×16的小區域（cell）；
（2）對於每個cell中的乙個畫素，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，3*3鄰域內的8個點經比較可產生8位二進位制數，即得到該視窗中心畫素點的lbp值；
（3）然後計算每個cell的直方圖，即每個數字（假定是十進位制數lbp值）出現的頻率；然後對該直方圖進行歸一化處理。
（4）最後將得到的每個cell的統計直方圖進行連線成為乙個特徵向量，也就是整幅圖的lbp紋理特徵向量；
然後便可利用svm或者其他機器學習演算法進行分類了。
4、lbp用在人臉識別中
lbp在人臉識別中比較出名，從原始碼上來看，人臉識別中lbph的使用主要是用來進行直方圖的比較，通過直方圖的比較來判斷目標的類別。在opencv的基於lbp的人臉識別的實現中使用的lbp特徵是extendes lbp，即圓形lbp特徵。
lbph訓練主要是提取輸入的影象的lbph儲存，當進行識別時，遍歷儲存的lbph，找到輸入影象與訓練影象方差最小的lbph，將其對應的類別作為識別的類別輸出。
opencv與人臉識別
人臉識別最近幾年比較流行，不接觸還以為是什麼高階什麼 今天學學記錄一下其實除去訓練模型不好做，利用opencv還是很容易實現的，就來玩玩人臉識別。人臉檢測器 預設 haarcascade frontalface default.xml 人臉檢測器 快速harr haarcascade frontal...
基於LBP的人臉識別技術
lbp介紹 得到lbp影象後，將影象切割成7 7 49塊 之所以要切成49小塊，是為了保留空間資訊，比如眼睛的位置資訊 嘴巴的位置資訊等等。對於每一小塊，統計其直方圖。注意，不需要統計0 255所有位置的直方圖，只需要對特定的58個位置進行統計 之所以選擇這58個位置，是因為這些位置迴圈跳變不超過兩...
LBP 和深度學習，人臉識別
最近讀了一篇關於lbp和dbn的文章，感覺思路挺好的，如有不當之處望指正！這是一篇在非限制條件下，基於深度學習的人臉識別演算法。將lbp紋理特徵作為深度網路的輸入，通過逐層貪婪訓練網路，獲得良好的網路引數，並用訓練好的網路對測試樣本進行 文章通過lbp提取非限制條件下人臉影象的紋理特徵並利用dbn進...