參考http://blog.csdn.net/xidianzhimeng/article/details/19634573
https://wenku.baidu.com/view/d03494a687c24028905fc34b.html
LBP指局部二值模式，英文全稱：Local Binary Pattern，是一種用來描述圖像局部特征的算子，LBP特征具有灰度不變性和旋轉不變性等顯著優點
LBP是一種圖像紋理特征提取算法，是一種局部特征，是照片分類和人臉檢索研究中采用較多的特征提取算法之一。在圖像物體識別領域，常用的特征描述子包括：HOG、SIFT、SURT、Wavelet、Gabor、DCT等，具體選擇哪種算子需要根據目標對象決定。人臉識別中，LBP和Gabor是效果較好的兩組特征。gabor效果比LBP效果魯棒，但是LBP運算速度快，編譯在嵌入式等平台運行。一般如果條件允許，二者會進行結合，包括定義結合特征（比如LGBP,LGXP等），特征級融合和決策級融合。
特征提取是希望將資料中重要的資訊提取出來，去除雜訊的影響，以提升分類的准確率。不同的特征提取方法有不同的效果，LBP的特性是較能排除光照變化且運算速度快。LBP的核心觀念是計算每個像素和周圍像素間”相對”的關系。通常光照對圖中的物件帶來的影響是全局的，也就是說照片中的物體的明暗程度，都往同一個方向改變，可能是變亮或變暗，只是改變的幅度會因為距離光源的遠近而有所不同。所以基本上局部相鄰(Local)的像素間，受光照影響后數值也許會改變，但是相對大小不會改變。
1.原始LBP
LBP特征是根據相鄰的像素點與中間相鄰點相比的大小確定值為1或0，即如果相鄰像素的值大於或等於中間像素的值，則值為1；如果小於則值為1.然后對每個像素點的領域信息進行整合，變為領域個位的數的編碼。然后對一個塊中所有像素的編碼進行直方圖的統計，得到LBP特征
注意：對於鄰域像素順序的規定並沒有明確，默認為水平方向左側為起始點，逆時針旋轉
其公式定義為：
s(x)函數就是計算相鄰位置像素與中間位置像素的差值，大於或等於中間值，即x為正數或0時返回1；否則為0。
p即該中間像素依據的鄰近像素的個數，如上面的例子p為8，左上角的值對應的十進制值的計算為0*2(p-1) = 0*2(8-1) = 0，其下面位置的值為1*20 = 1，最后各個位置計算得到值LBP(xc,yc) = 19,即這個中心點(xc,yc)的LBP值
總結：這個方法可以很好地捕捉到圖像中的細節，但是固定的近鄰區域對於尺寸變化的編碼失效。為了適應不同尺度的紋理特征，將3*3的固定領域擴展到了任意領域，並用圓形代替正方形
2.圓形LBP
改進后的LBP算子允許在半徑為R的圓形領域有多個像素點
LBPpR表示在半徑為R的圓內有p個像素點
在上面的圖像中，第一幅圖像的圓半徑為1，采樣的點為8個；第二幅圖像的圓半徑為2，采樣的點為16個；第三副圖像的圓半徑為2，采樣的點為8個
一般來說，當領域采樣點個數相同時，半徑越小，圖像紋理越精細；當半徑相同時，領域采樣點個數越少，圖像亮度越低，區分度變差。如半徑都是3的區域，分別划分為4個和8個采樣點，4個采樣點只有24種灰度值，區分度肯定沒有28種灰度值的好
這樣子采樣點的坐標計算如下：
當近鄰點不在圖像的坐標上時，其對應的像素值使用雙線性插值算法計算，可見最鄰近插值算法和雙線性插值算法——圖像縮放
3.旋轉不變性
此時的LBP特征是灰度不變的，但是不是旋轉不變的。同一幅圖像，進行旋轉后，其特征將會有很大的差別，因為像素位置發生了變化。
實現旋轉不變形的方法：不斷旋轉圓形領域得到所有可能的初始定義的LBP值，然后取其中的最小值作為該領域的值
即上圖的例子中對應的LBP特征都是00001111，對應的十進制為15
4.等價模式（uniform pattern）
一個LBP算子可以產生不同的二進制模式，對於LBPpR將會產生2p種模式。比如3*3領域內有8個點，則有28種模式；7*7領域內則有236種模式
如此多的二值模式對於信息的提取、識別都是不利的。如果使用這樣的LBP模式的統計直方圖表示圖像的信息，過多的模式種類將使得數據量多大，且直方圖過於稀疏
解決辦法： 對LBP算子的模式種類進行降維
Ojala認為，在實際圖像中，絕大多數LBP模式最多只包含兩次從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所對應的循環二進制數從0到1或從1到0最多有兩次跳變時，該LBP所對應的二進制就稱為一個等價模式類。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）
另一種說法是說其實00000111也算是兩次跳變，因為這是個圓形模式，理解即可
通過這樣的改進，二進制模式的種類大大減少，而不會丟失任何信息。模式數量由原來的2P種減少為 P*( P-1)+2種，其中P表示鄰域集內的采樣點數。對於3×3鄰域內8個采樣點來說，二進制模式由原始的256種減少為58種，這使得特征向量的維數更少，並且可以減少高頻噪聲帶來的影響。
當然，最后還要加上一種混合模式，所以最后的公式為P*( P-1)+2+1 = P*( P-1)+3，所以對於3×3鄰域內8個采樣點來說，最終的模式數量為59種
通過LBP特征的定義，可見LBP特征對光照變化是魯棒的，效果如圖：
5.LBPH
LBPH，Local Binary Patterns Histograms，即LBP特征的統計直方圖，LBPH將LBP特征與圖像的空間信息結合在一起。
計算該統計直方圖的步驟如下：
- 計算圖像的LBP特征圖像，即上面的所說的計算方式，為每個坐標計算其的LBP(xc,yc)值
- 然后將整個LBP特征圖像進行分塊，Opencv中默認將LBP特征圖像分成8行8列64塊區域
- 然后分別計算每塊區域的特征圖像的直方圖，即統計該區域中所有像素點的LBP(xc,yc)值（該值有[0,2p-1]的2p種情況，p為采樣點個數）的分布情況，假設該區域中有3個點的LBP(xc,yc)值為20，則統計該LBP(xc,yc)值=20對應的分布值為3。這樣最后一個區域就能夠得到一個（1*2p）大小的特征向量，即直方圖分布情況。最后將所有區域的直方圖結果，即特征向量進行歸一化
- 最后將所有區域的特征向量按分塊的空間順序一次排列成一行，形成LBP特征向量，大小為1*（2p*64），這個特征向量就能夠用來表示一張圖像了
當采樣點數p為8時，如果使用的是原始模式的LBP，對應的LBP(xc,yc)值個數為28 = 256，則最后得到的LBP特征向量的維度為256*64 = 16384維；如果使用的是等價模式，則最后的特征向量的維度為59*64=3776維。可以看出，使用等價模式特征，其特征向量的維度大大減少，這意味着使用機器學習方法進行學習的時間將大大減少，而性能上沒有受到很大影響
最后可以使用卡方來計算兩個圖像對應的兩個直方圖的差異：
