人臉識別-局部二值模式（Local Binary Patterns，LBP）

局部二值模式（Local binary patterns LBP）是計算機視覺領域里用于分類的視覺算子。LBP，一種用來描述圖像紋理特征的算子，該算子由芬蘭奧盧大學的T.Ojala等人在1996年提出（《A comparative study of texturemeasures with classificatio1n based o1n featured distributio1ns》）。2002年，T.Ojala等人在PAMI上又發(fā)表了一篇關于LBP的文章（《Multiresolutio1n gray-scale androtatio1n invariant texture classificatio1n with local binary patterns》）。這一文章非常清楚的闡述了多分辨率、灰度尺度不變和旋轉不變、等價模式的改進的LBP特征。LBP的核心思想就是：以中心像素的灰度值作為閾值，與他的領域相比較得到相對應的二進制碼來表示局部紋理。開發(fā)過程中，我們可以通過設置“輸入圖像尺寸”、或“小臉尺寸限制”、或“人臉數(shù)量上限”的方式來加速算法。

圖像特征的提取是比較關鍵的一步（上文所說的模式空間向特征空間的跨越），但對于圖像處理來說也是比較初級的一步。目前關于圖像特征提取的方法有很多，但其實我們想一想，通常而言圖像的特征還是可以歸類的，例如顏色特征、紋理特征、空間關系特征、形狀特征等，每一種特征都有匹配的方法，其中有一些比較經(jīng)典、好用的方法，例如HOG特征法，LBP特征法，Haar特征法等，小編當然不可能一一講解，所以這里選取其中一種——HOG特征法。這些識別方式都要求人員近距離操作，當使用者雙手被占用時則顯得極不方便，同時也帶來卡片或密碼丟失、遺忘，復1制以及被盜用的隱患和成本高的問題。

常規(guī)的人臉屬性識別算法識別每一個人臉屬性時都是一個獨立的過程，即人臉屬性識別只是對一類算法的統(tǒng)稱，性別識別、年齡估計、姿態(tài)估計、表情識別都是相互獨立的算法。但的一些基于深度學習的人臉屬性識別也具有一個算法同時輸入性別、年齡、姿態(tài)等屬性值的能力。人臉識別技術研究開發(fā)了一種近實時的計算機系統(tǒng)，可以定位和追1蹤人的頭部，然后通過比較面部特征和已知個體的特征來識別該人。以在基本保證算法效果的前提下，將模型大小和運算速度優(yōu)化到移動端可用的狀態(tài)。