1樓：jenniferYang
LBP其實只是一種區域性二值特徵而已。可以去光照，方向的影響。一般用在人臉識別中，提取紋理特徵。
個人覺得在人臉識別系統裡也只能有乙個預處理的作用，之後還是需要用到經典的降維方法提取更加容易區分的人臉特徵進行識別。
2樓：吳半止
只能說LBP或者LBPH比較容易實現，據說哈佛的網路束或者SVM更加靈，SVM麼…無腦堆樣本麼，國內有face++挺厲害，估計也用到了機器學習
3樓：三門峽農業專家
用High Dimensional LBP識別效果很好，也很好實現。具體可參考Blessing of Dimensionality: High-dimensional Feature and Its Efficient Compression for Face Verification, CVPR13年MSRA的結果，非常逆天。
4樓：劉留
Labeled Face in Wild專案有一張排名表：http://
vis-www.cs.umass.edu/lfw/results.html
現階段準確率較高的演算法都是資料驅動（Data Driven）的。
5樓：yafeng deng
LBP嚴格來講是一種特徵提取方式，如陳義所言。就特徵提取方式而言，目前最成熟最常用的是gabor特徵。這兩種特徵，gabor效果更加魯棒，lbp的特點是運算速度快，便於在嵌入式等平台執行。
一般如果條件允許，二者會進行結合，包括定義結合特徵（比如LGBP,LGXP等），特徵級融合和決策級融合。
而影響人臉識別演算法最終效果的因素還包括：鑑別特徵提取方式（主流是PCA+LDA），特徵點定位精度（眼睛定位或臉部器官輪廓特徵點定位），以及最終距離的計算方式（歐式，MQDF，以及各種融合，和閾值機制）。
對於LBP本身，是一種紋理描述方法，在紋理分類，特徵表示，物體檢測等領域都有應用。此外，lbp本身還有很多變種，包括block-based lbp(lab)，volume lbp（在相鄰幀時域進行編碼）等，是一種使用簡單，運算速度快的特徵，有很多應用。
6樓：派森
LBP根據畫素周邊8個臨近畫素的灰度值，和中心灰度值比較，得到乙個八位的編碼（大於為1，小於為0）
然後根據這樣的編碼的直方圖來做分類
這是最簡單的LBP，現在還有很多變種，比如擴大臨域範圍，更複雜的編碼方式等。
算是比較流行的feature，因為對光照不敏感。
模式識別機器學習的發展方向？
超越 既然對模式識別 機器學習這方面比較感興趣，那麼建議從卷積神經網路這一類開始學，例如 1 卷積神經網路 卷積神經網通過採用卷積，極大規模地減少了引數的數量。卷積神經網路 2 深度殘差網路 深度殘差網路的主要特色，就是下圖中的恒等通路。深度殘差網路 3 深度殘差收縮網路 深度殘差收縮網路 1 2 ...
資料探勘 人工智慧 模式識別等學科的公共數學基礎有哪些？（比如貝葉斯網路）
校苑數模 有乙個遞進的層次關係 深度學習是用的各種神經網路 CNN RNN，每乙個神經元是乙個小的機器學習演算法 機器學習用到比較多的演算法有 K均值演算法 邏輯回歸 隨機森林演算法 馬爾可夫 SVM 貝葉斯等 其中貝葉斯，隨機森林等屬於概率論與數理統計的範疇 K均值演算法 邏輯回歸 馬爾可夫 SV...
求問模式識別和機器學習，以及深度學習的最基礎的前置課程有什麼？
泰克尼客 Python幾天就ok了，好好複習本科的幾門數學課，高數，線代，概率，千萬別丟。這是基礎中的基礎。讀研階段，矩陣泛函也要學紮實。 WILL 先說下我和題主理解的稍有不同的吧，這三個概念其實相關性很大，模式識別約等於機器學習，深度學習是在機器學習基礎之上發展而來的，尤其是神經網路，是需要機器...