1994年，T。 Ojala、M。Pietikäinen和D。 Harwood[13]最先提出了局部二值模式，其最开始被用来辅助图像局部对比度，后来成为一种用来描述图像局部纹理特征的算子，能够适应图像旋转的变化，在光照的变化下也具有一定的鲁棒性，具有计算简单，容易实现，识别效率高等显著优点，并广泛应用于纹理分类、特征表示等领域。基本LBP算子在很多情况下不能满足人们对识别效果的要求，存在一些不足，例如对图像进行分块时分块数量直接影响了识别的质量，分块太多会造成区域太小，得不到应有的统计信息，分块太少会使计算复杂度升高，LBP中不同区域对人脸识别的贡献显然是不一样的，关键部位如眼睛、鼻子等部位应当占有更多的权重，不加区别地对待显然是不科学的。因此有了不断的改进和发展，有多种变型，其识别效果和性能得到了不断提升，它的一些缺点也得到了一定的修正。如完整的局部二值模式(CLBP)[14]、中值二值模式[15]、贝叶斯局部二值模式[16]、显性局部二值模式[17]等等。

值得一提的是，微软亚洲研究院提出的关键特征点上的高维 LBP特征，配合稀疏回归判别特征提取的方法，在允许利用有标签外部数据且非限定的测试条件下，在LFW数据集上取得了 95。17% 的平均分类精度，可见基本的LBP算子经过一系列的改进配合其它方法，可以取得非常不错的识别效果。

2。1。2  基本LBP算子

基本LBP通过比较中心像素与其邻域内其它像素之间的大小关系并记录，从而提取到图像的纹理信息。例如图2。1(a)所示的3×3的邻域内，以中心像素128为标准，比较邻域内其它8个像素和中心像素的大小关系，如果其像素值大于或等于中心像素值，则在此位置记为1，否则记为0。由此，我们得到8位二进制数字记录邻域像素与中心像素的大小关系，如图2。1(b)所示。最后，将二进制数串01110000(这里按照从左上角开始顺时针的顺序记录)转化为相应的十进制数112即为该点的LBP值，该值代表了这个邻域的纹理信息。其中，8位二进制数的记录顺序是任意的，只要在处理中保持一致即可。

对一个局部区域的纹理分布定义如下：

其中表示邻域中心点的灰度值，表示领域中其它等距分布的P个点的灰度值。这样，该邻域的LBP值即可由下式计算得到：

基本LBP算子具有灰度不变性，因为光照的变化只会影响某个区域整体的像素变化，而不会对单个像素点产生影响，所以邻域中像素的大小关系不会被改变，即LBP算子能适应光照的变化。

图2。1  基本LBP算子计算

2。2  LBP算子的改进和变型

2。2。1  圆形LBP算子

基本的LBP算子可以扩展到不同大小的取样半径和此半径下不同像素点的数目。Ojala[18]等人提出，可以将3×3的正方形邻域扩展到任意大小的领域，并用一个以中心点为圆心的圆来采样，采样点的数目同样是任意的，可以根据需求进行调整。使用(P,R)表示，其中R表示采样点的半径，P表示在此半径下取样的数目。如图2。2所示在5×5的邻域内，从左到右采样方式依次为(8,1)、(16,2)、(8,2)，对于图中每个采样点位置可以通过下式进行计算：文献综述

其中，为邻域中心点坐标，，为某个采样点的坐标。由该式子计算得到的坐标值并不一定是整数，可由双线性插值计算得到该点的像素值：

圆形的LBP算子克服了基本LBP算子只能在固定大小邻域内取点的缺点，能够满足不同尺度的纹理特征的提取，并具有了旋转不变性。

图2。2  圆形LBP算子