Local Binary Pattern (LBP) is a sim

Local Binary Pattern (LBP) is a simple yet very efficient texture operator which labels the pixels of an image by thresholding the neighborhood of each pixel and considers the result as a binary number. Due to its discriminative power and computational simplicity, LBP texture operator has become a popular approach in various applications. It can be seen as a unifying approach to the traditionally divergent statistical and structural models of texture analysis. Perhaps the most important property of the LBP operator in real-world applications is its robustness to monotonic gray-scale changes caused, for example, by illumination variations. Another important property is its computational simplicity, which makes it possible to analyze images in challenging real-time settings.

Spatiotemporal LBP

The original LBP operator was defined to only deal with the spatial information. Later, it was extended to a spatiotemporal representation for dynamic texture analysis. For this purpose, the so-called Volume Local Binary Pattern (VLBP) operator was proposed (Zhao and Pietikäinen 2007). The idea behind VLBP consists of looking at dynamic texture as a set of volumes in the (X,Y,T) space where X and Y denote the spatial coordinates and T denotes the frame index (time). The neighborhood of each pixel is thus defined in three dimensional space. Then, similarly to LBP in spatial domain, volume textons can be defined and extracted into histograms. Therefore, VLBP combines motion and appearance together to describe dynamic textures.

To make VLBP computationally simple and easy to extend, an operator based on co-occurrences of local binary patterns on three orthogonal planes (LBP-TOP) was also introduced. LBP-TOP considers three orthogonal planes: XY, XT and YT, and concatenates local binary pattern co-occurrence statistics in these three directions as shown in Figure 1. The circular neighborhoods are generalized to elliptical sampling to fit to the space-time statistics.

Fig. 3 shows example images from three planes. The XY plane represents appearance information, while the XT plane gives a visual impression of one row changing in time and YT describes the motion of one column in temporal space. The LBP codes are extracted for all pixels from the XY, XT and YT planes, denoted as XY-LBP, XT-LBP and YT-LBP, and histograms from these planes are computed and concatenated into a single histogram. In such a representation, a dynamic texture is encoded by an appearance (XY-LBP) and two spatial temporal (XT-LBP and YT-LBP) co-occurrence statistics.



Figure 3: LBP from three orthogonal planes.
Setting the radius in the time axis to be equal to the radius in the space axis is not reasonable for dynamic textures. So we have different radius parameters in space and time to set. In the XT and YT planes, different radii can be assigned to sample neighboring points in space and time. More generally, the radii in axes X, Y and T, and the number of neighboring points in the XY, XT and YT planes can also be different.


Face description using LBP

In the LBP approach for texture classification, the occurrences of the LBP codes in an image are collected into a histogram. The classification is then performed by computing simple histogram similarities. However, considering a similar approach for facial image representation results in a loss of spatial information and therefore one should codify the texture information while retaining also their locations. One way to achieve this goal is to use the LBP texture descriptors to build several local descriptions of the face and combine them into a global description. Such local descriptions have been gaining interest lately which is understandable given the limitations of the holistic representations. These local feature based methods are more robust against variations in pose or illumination than holistic methods.

The basic methodology for LBP based face description proposed by Ahonen et al. (2006) is as follows: The facial image is divided into local regions and LBP texture descriptors are extracted from each region independently. The descriptors are then concatenated to form a global description of the face, as shown in Fig. 4.



Figure 4: Face description with local binary patterns.
This histogram effectively has a description of the face on three different levels of locality: the LBP labels for the histogram contain information about the patterns on a pixel-level, the labels are summed over a small region to produce information on a regional level and the regional histograms are concatenated to build a global description of the face.

It should be noted that when using the histogram based methods the regions do not need to be rectangular. Neither do they need to be of the same size or shape, and they do not necessarily have to cover the whole image. It is also possible to have partially overlapping regions.

The two-dimensional face description method has been extended into spatiotemporal domain (Zhao and Pietikäinen 2007). Fig. 1 depicts facial expression description using LBP-TOP. Excellent facial expression recognition performance has been obtained with this approach.

Since the publication of the LBP based face description, the methodology has already attained an established position in face analysis research and applications. A notable example is illumination-invariant face recognition system proposed by Li et al. (2007), combining NIR imaging with LBP features and Adaboost learning. Zhang et al. (2005) proposed the extraction of LBP features from images obtained by filtering a facial image with 40 Gabor filters of different scales and orientations, obtaining outstanding results. Hadid and Pietikäinen (2009) used spatiotemporal LBPs for face and gender recognition from video sequences, while Zhao et al. (2009) adopted the LBP-TOP approach to visual speech recognition achieving leading-edge performance without error-prone segmentation of moving lips.


Extensions and applications

The LBP methodology has led to significant progress in texture analysis. It is widely used all over the world both in research and applications. Due to its discriminative power and computational simplicity, the method has been very successful in many such computer vision problems which were not earlier even regarded as texture problems, such as face analysis and motion analysis (Pietikäinen et al. 2011). For a bibliography of LBP-related research and links to many papers, see http://www.cse.oulu.fi/MVG/LBP_Bibliography.

To increase the applicability of LBP, various extensions and modifications of it have been proposed. For example, Liao et al. (2009) proposed dominant local binary patterns which make use of the most frequently occurred patterns of LBP to improve the recognition accuracy. The use of interest region descriptors (such as SIFT) to various computer vision problems has been of great interest recently. For this purpose, a novel descriptor combining the strengths of SIFT and LBP was proposed (Heikkilä et al. 2009), in which center-symmetric local binary patterns (CS-LBP) were used to replace the gradient operator used by the SIFT operator. Mäenpää and Pietikäinen (2004) proposed an opponent color LBP, and investigated joint and separate use of color and texture in classification. The combination of the LBPs and Gabor features has been investigated (Tan et al. 2007, Wang et al. 2009).

The first texture-based method for background subtraction was proposed by Heikkilä and Pietikäinen (2006). Each pixel is modeled as a group of adaptive local binary pattern histograms that are calculated over a circular region around the pixel. The was shown to be tolerant to illumination variations, the multimodality of the background, and the introduction or removal of background objects. Furthermore, the method is capable for real-time processing. A preprocessing algorithm based on the LBPs has been developed to handle variations in illumination in a face authentication system (Heusch et al. 2006). The use of LBPs in the recognition of actions was considered by (Kellokumpu et al. 2010). The use of LBPs in the facial age classification has been investigated (Wang et al. 2009). Other related LBP-based approaches to these problems have been proposed recently.

In addition to face and facial expression recognition, the LBP has also been used in many other applications of biometrics, including eye localization, iris recognition, fingerprint recognition, palmprint recognition, gait recognition and facial age classification. References to many of these works can be found from the LBP bibliography.

References

Kết quả (Việt) 1:

Mô hình nhị phân địa phương (LBP) là một đơn giản nhưng rất hiệu quả kết cấu toán tử mà nhãn các điểm ảnh của một hình ảnh bởi thresholding các khu phố của mỗi điểm ảnh và xem xét kết quả như một số nhị phân. Do discriminative sức mạnh và tính toán đơn giản của nó, nhà điều hành kết cấu LBP đã trở thành một cách tiếp cận phổ biến trong các ứng dụng. Nó có thể được xem như là một cách tiếp cận thống nhất theo truyền thống khác nhau thống kê và cấu trúc mô hình phân tích kết cấu. Có lẽ là tài sản quan trọng nhất của các nhà điều hành LBP trong thế giới thực ứng dụng là của nó mạnh mẽ để thay đổi màu xám quy mô monotonic gây ra, ví dụ, bởi biến thể chiếu sáng. Bất động sản quan trọng khác là tính toán đơn giản của nó, mà làm cho nó có thể phân tích các hình ảnh trong thách thức cài đặt thời gian thực.Spatiotemporal LBPCác nhà điều hành LBP ban đầu được định nghĩa để chỉ đối phó với thông tin không gian. Sau đó, nó đã được kéo dài đến một đại diện spatiotemporal cho phân tích kết cấu năng động. Cho mục đích này, các nhà điều hành cái gọi là khối lượng địa phương nhị phân mô hình (VLBP) đã được đề xuất (triệu và Pietikäinen năm 2007). Ý tưởng đằng sau VLBP bao gồm nhìn năng động kết cấu như là một tập hợp các khối lượng tại (X, Y, T) không gian nơi X và Y biểu thị toạ độ không gian và T là bắt các chỉ số khung (thời gian). Các khu phố của mỗi điểm ảnh do đó được định nghĩa trong không gian ba chiều. Sau đó, tương tự với LBP trong không gian tên miền, khối lượng textons có thể được định nghĩa và chiết xuất vào histograms. Vì vậy, VLBP kết hợp chuyển động và xuất hiện với nhau để mô tả năng động kết cấu.Để làm cho VLBP computationally đơn giản và dễ dàng để mở rộng, một nhà điều hành dựa trên các sự kiện đồng của địa phương nhị phân Hoa văn trên ba chiếc máy bay trực giao (LBP-TOP) cũng được giới thiệu. LBP-TOP sẽ xem xét ba chiếc máy bay trực giao: XY, XT và YT, và concatenates địa phương nhị phân mẫu thống kê đồng xảy ra trong những hướng dẫn này ba như minh hoạ trong hình 1. Các khu phố tròn được tổng quát để lấy mẫu hình elip để phù hợp với số liệu thống kê không thời gian.Hình 3 cho thấy hình ảnh ví dụ từ ba chiếc máy bay. Máy bay XY đại diện cho thông tin xuất hiện, trong khi máy bay XT cho một ấn tượng trực quan của một hàng thay đổi trong thời gian và YT mô tả chuyển động của một cột trong thời gian không gian. LBP mã được khai thác cho các điểm ảnh tất cả từ những chiếc máy bay XY, XT và YT, biểu hiện như XY-LBP, XT-LBP và YT-LBP, và histograms từ những chiếc máy bay được tính và nối vào một biểu đồ duy nhất. Trong đó một đại diện, kết cấu năng động được mã hóa bởi một xuất hiện (XY-LBP) và hai không gian thời gian (XT-LBP và YT-LBP) xảy ra đồng thống kê.Hình 3: LBP từ ba chiếc máy bay trực giao.Thiết lập các bán kính trong trục thời gian phải bằng bán kính trong trục space không phải là hợp lý cho động kết cấu. Vì vậy, chúng tôi có bán kính khác nhau tham số trong không gian và thời gian để thiết lập. Trong những chiếc máy bay XT YT, bán kính khác nhau có thể được chỉ định để mẫu giáp ranh điểm trong không gian và thời gian. Nói chung, bán kính trong trục X, Y và T, và số lượng các điểm lân cận trong những chiếc máy bay XY, XT và YT cũng có thể là khác nhau.Mô tả mặt bằng cách sử dụng LBPTrong phương pháp tiếp cận LBP xếp hạng kết cấu, lần xuất hiện của các mã LBP trong một hình ảnh được tập hợp lại thành một biểu đồ. Việc phân loại sau đó được thực hiện bởi máy tính đơn giản biểu đồ tương. Tuy nhiên, xem xét một cách tiếp cận tương tự cho mặt hình ảnh đại diện kết quả trong một mất mát của thông tin không gian và do đó một nên codify thông tin kết cấu trong khi cũng duy trì vị trí của họ. Một cách để đạt được mục tiêu này là sử dụng bộ mô tả kết cấu LBP để xây dựng một số địa phương mô tả của khuôn mặt và kết hợp chúng thành một mô tả toàn cầu. Các mô tả địa phương đã đạt được lợi ích gần đây đó là dễ hiểu cho những hạn chế của các đại diện toàn diện. Các phương pháp tính năng địa phương dựa mạnh mẽ hơn so với các biến thể trong tư thế hoặc chiếu sáng hơn phương pháp toàn diện.Các phương pháp cơ bản cho mô tả mặt LBP dựa trên đề xuất bởi Ahonen et al. (2006) là như sau: hình ảnh trên khuôn mặt được chia thành các khu vực địa phương và LBP kết cấu descriptor được chiết xuất từ mỗi khu vực một cách độc lập. Bộ mô tả sau đó nối để tạo thành một mô tả toàn cầu của khuôn mặt, như minh hoạ trong hình 4.Hình 4: Đối mặt với các mô tả với địa phương nhị phân.Biểu đồ này có hiệu quả có một mô tả của khuôn mặt trên ba cấp độ khác nhau của địa phương: nhãn LBP cho biểu đồ chứa thông tin về các mô hình về mức điểm ảnh, các nhãn được tóm tắt trong một khu vực nhỏ để sản xuất thông tin về cấp vùng và khu vực histograms được nối để xây dựng một mô tả toàn cầu của khuôn mặt.Cần lưu ý rằng khi sử dụng biểu đồ dựa trên phương pháp vùng không phải là hình chữ nhật. Không phải họ có phải là cùng một kích thước hoặc hình dạng, và họ không nhất thiết phải bao gồm toàn bộ ảnh. Nó cũng có thể có một phần sự chồng lấn các vùng.Phương pháp mô tả hai chiều mặt đã được mở rộng vào phạm vi spatiotemporal (triệu và Pietikäinen năm 2007). Hình 1 Mô tả mô tả nét mặt bằng cách sử dụng LBP-TOP. Xuất sắc nét mặt công nhận hiệu suất đã thu được với cách tiếp cận này.Kể từ khi công bố LBP dựa trên mô tả mặt, các phương pháp đã đã đạt được một vị trí được thành lập trong mặt phân tích nghiên cứu và ứng dụng. Một ví dụ đáng chú ý là bất biến chiếu sáng mặt công nhận hệ thống đề xuất bởi Li et al. (2007), kết hợp hình ảnh NIR với tính năng LBP và Adaboost học tập. Trương et al. (2005) đề xuất khai thác tính năng LBP từ hình ảnh thu được bằng cách lọc một hình ảnh mặt với 40 bộ lọc Gabor quy mô khác nhau và định hướng, có được kết quả xuất sắc. Hadid và LBPs spatiotemporal Pietikäinen (2009) được sử dụng để nhận dạng khuôn mặt và giới tính từ chuỗi video, trong khi triệu tử Dương et al. (2009) thông qua cách tiếp cận LBP-TOP để nhận dạng giọng nói trực quan để đạt được hiệu suất cạnh hàng đầu mà không có lỗi dễ bị phân khúc của di chuyển đôi môi.Tiện ích mở rộng và ứng dụngCác phương pháp LBP đã dẫn đến sự tiến bộ đáng kể trong phân tích kết cấu. Nó được dùng rộng rãi trên khắp thế giới, cả về nghiên cứu và ứng dụng. Do discriminative sức mạnh và tính toán đơn giản của nó, các phương pháp đã rất thành công trong nhiều máy tính tầm nhìn vấn đề như vậy mà đã không ngay cả trước đó được coi là vấn đề kết cấu, chẳng hạn như mặt phân tích và phân tích chuyển động (Pietikäinen et al. năm 2011). Cho một tài liệu tham khảo liên quan đến LBP nghiên cứu và liên kết đến nhiều giấy tờ, xem http://www.cse.oulu.fi/MVG/LBP_Bibliography.Để tăng các ứng dụng của LBP, nhiều tiện ích mở rộng và sửa đổi của nó đã được đề xuất. Ví dụ, Liêu và ctv (2009) được đề xuất thống trị địa phương nhị phân mô hình mà làm cho sử dụng của mẫu LBP, xảy ra thường xuyên nhất để cải thiện độ chính xác nhận dạng. Sử dụng quan tâm đến vùng descriptor (chẳng hạn như SIFT) để nhiều máy tính tầm nhìn vấn đề đã quan tâm rất lớn mới. Cho mục đích này, một mô tả tiểu thuyết kết hợp những thế mạnh của SIFT và LBP được đề xuất (Heikkilä et al 2009), trong đó địa phương Trung tâm đối xứng đôi mô hình (CS-LBP) được sử dụng để thay thế các nhà điều hành gradient được sử dụng bởi các nhà điều hành SIFT. Mäenpää và Pietikäinen (2004) đã đề xuất một màu sắc đối thủ LBP, và nghiên cứu sử dụng phối hợp và riêng biệt của màu sắc và kết cấu trong phân loại. Sự kết hợp của LBPs và Gabor tính năng đã điều tra (Tan et al. 2007, Wang et al. năm 2009).Kết cấu dựa trên phương pháp đầu tiên cho nền trừ được đề xuất bởi Heikkilä và Pietikäinen (2006). Mỗi điểm ảnh được mô phỏng như là một nhóm histograms thích nghi mô hình địa phương nhị phân được tính toán trên một khu vực vòng tròn xung quanh các điểm ảnh. Các hiển thị được khoan dung để biến thể chiếu sáng, multimodality của nền, và giới thiệu hoặc loại bỏ các đối tượng nền. Hơn nữa, phương pháp này là có khả năng cho thời gian thực chế biến. Một thuật toán tiền xử lý dựa trên các LBPs đã được phát triển để xử lý các biến thể trong chiếu sáng trong một hệ thống xác thực mặt (Heusch et al. 2006). Sử dụng LBPs trong sự công nhận của hành động được xem xét bởi (Kellokumpu et al. 2010). Việc sử dụng của LBPs trong thời đại trên khuôn mặt phân loại đã điều tra (Wang et al. năm 2009). Khác liên quan đến LBP dựa trên phương pháp tiếp cận để những vấn đề này đã được đề xuất mới.Ngoài khuôn mặt và biểu hiện trên khuôn mặt công nhận, LBP cũng đã được dùng trong nhiều ứng dụng khác của sinh trắc học, bao gồm cả mắt địa phương hoá, iris công nhận, nhận dạng vân tay, palmprint công nhận, dáng đi công nhận và phân loại mặt tuổi. Tài liệu tham khảo để nhiều người trong số những tác phẩm có thể được tìm thấy từ thư mục LBP.Tài liệu tham khảo

Kết quả (Việt) 2:

Pattern Binary địa phương (LBP) là một nhà điều hành kết cấu đơn giản nhưng rất hiệu quả mà nhãn các điểm ảnh của ảnh, bằng ngưỡng khu phố của mỗi điểm ảnh và xem xét những kết quả như là một số nhị phân. Do sức mạnh của nó phân biệt và đơn giản tính toán, LBP hành kết cấu đã trở thành một phương pháp phổ biến trong các ứng dụng khác nhau. Nó có thể được xem như là một phương pháp tiếp cận thống nhất để các mô hình thống kê và kết cấu truyền thống khác nhau của phân tích kết cấu. Có lẽ là tài sản quan trọng nhất của các nhà điều hành LBP trong các ứng dụng thực tế là tính bền vững của nó để thay đổi độ xám đơn điệu gây ra, ví dụ, bằng cách biến ánh sáng. Một đặc tính quan trọng là sự đơn giản tính toán của nó, mà làm cho nó có thể phân tích hình ảnh trong cài đặt thời gian thực đầy thử thách. LBP spatiotemporal Nhà điều hành LBP ban đầu đã được xác định để chỉ đối phó với các thông tin không gian. Sau đó, nó đã được mở rộng đến một đại diện spatiotemporal để phân tích kết cấu năng động. Với mục đích này, cái gọi là Volume Local Binary Pattern (VLBP) điều hành đã được đề xuất (Zhao và Pietikäinen 2007). Ý tưởng đằng sau VLBP gồm nhìn vào kết cấu năng động như một bộ tập sách trong (X, Y, T) không gian trong đó X và Y biểu thị tọa độ không gian và T là các chỉ số khung hình (thời gian). Do đó các vùng lân cận của mỗi điểm ảnh được xác định trong không gian ba chiều. Sau đó, tương tự như LBP trong miền không gian, textons khối lượng có thể được xác định và trích xuất vào biểu đồ. Do đó, kết hợp VLBP chuyển động và xuất hiện cùng nhau để mô tả kết cấu năng động. Để làm VLBP tính toán đơn giản và dễ dàng mở rộng, một nhà điều hành dựa trên sự hợp lần xuất hiện của các mẫu nhị phân cục bộ trên ba mặt phẳng trực giao (LBP-TOP) cũng đã được giới thiệu. LBP-TOP xem xét ba mặt phẳng trực giao: XY, XT và YT, và nối số liệu thống kê mô hình nhị phân đồng xảy ra tại địa phương trong ba hướng như thể hiện trong hình 1. Những vùng lân cận tròn được khái quát hóa để lấy mẫu elip để phù hợp với số liệu thống kê không gian-thời gian. Hình. 3 cho thấy ví dụ hình ảnh từ ba chiếc máy bay. Chiếc máy bay XY đại diện cho thông tin xuất hiện, trong khi các máy bay XT cho một ấn tượng thị giác của một hàng thay đổi theo thời gian và YT mô tả các chuyển động của một cột trong không gian thời gian. Các mã LBP được trích xuất cho tất cả các điểm ảnh từ các XY, XT và YT máy bay, ký hiệu là XY-LBP, XT-LBP và YT-LBP, và biểu đồ từ những máy bay này được tính toán và nối vào một biểu đồ duy nhất. Trong một đại diện như vậy, một kết cấu động được mã hóa bởi sự xuất hiện (XY-LBP) và hai thời thống kê đồng xảy ra (XT-LBP và YT-LBP) không gian. Hình 3:. LBP từ ba mặt phẳng trực giao Thiết bán kính trong trục thời gian để được bình đẳng với bán kính trong các trục không gian là không hợp lý cho kết cấu năng động. Vì vậy, chúng ta có các thông số bán kính khác nhau trong không gian và thời gian để thiết lập. Trong XT và YT máy bay, bán kính khác nhau có thể được chỉ định để lấy mẫu các điểm lân cận trong không gian và thời gian. Tổng quát hơn, bán kính trong các trục X, Y, T, và số lượng các điểm lân cận trong XY, XT và YT máy bay cũng có thể là khác nhau. Đối mặt với mô tả cách sử dụng LBP Trong cách tiếp cận LBP phân loại kết cấu, các lần xuất hiện của các mã LBP trong một hình ảnh được thu thập vào một biểu đồ. Sau đó phân loại được thực hiện bằng cách tính tương histogram đơn giản. Tuy nhiên, xem xét một cách tiếp cận tương tự cho kết quả đại diện hình ảnh khuôn mặt trong một sự mất mát của các thông tin không gian và do đó ta nên hệ thống hóa các thông tin kết cấu trong khi giữ lại cũng vị trí của chúng. Một cách để đạt được mục tiêu này là sử dụng các mô tả kết cấu LBP để xây dựng một số mô tả địa phương của khuôn mặt và kết hợp chúng thành một mô tả toàn cầu. Giới thiệu địa phương như đã đạt được sự quan tâm gần đây là điều dễ hiểu cho những hạn chế của cơ quan đại diện toàn diện. Những phương pháp này dựa trên tính năng địa phương đang mạnh mẽ hơn chống lại sự biến đổi tư thế hoặc chiếu sáng hơn các phương pháp toàn diện. Các phương pháp cơ bản cho LBP dựa mô tả khuôn mặt của Ahonen et al. (2006) như sau: Các hình ảnh khuôn mặt được chia thành các khu vực địa phương và mô tả kết cấu LBP được rút ra từ mỗi vùng độc lập. Các mô tả sau đó được nối để tạo thành một mô tả toàn cầu của khuôn mặt, như thể hiện trong hình. 4. Hình 4:. Mô tả mặt với mô hình nhị phân địa phương biểu đồ này có hiệu quả có một mô tả của các khuôn mặt trên ba cấp độ khác nhau của các địa phương: các nhãn LBP cho các biểu đồ chứa thông tin về các mô hình trên một pixel-level, các nhãn được tóm tắt qua một khu vực nhỏ để tạo ra thông tin về cấp độ khu vực và các biểu đồ khu vực được nối để xây dựng một mô tả toàn cầu của khuôn mặt. Cần lưu ý là khi sử dụng các phương pháp biểu đồ dựa trên các khu vực không cần phải là hình chữ nhật. Không làm họ cần phải có cùng kích thước hoặc hình dạng, và họ không nhất thiết phải bao gồm toàn bộ hình ảnh. Nó cũng có thể có vùng chồng lấn một phần. Các phương pháp mô tả khuôn mặt hai chiều đã được mở rộng sang miền spatiotemporal (Zhao và Pietikäinen 2007). Hình. 1 mô tả mô tả khuôn mặt biểu hiện sử dụng LBP-TOP. Hiệu suất công nhận biểu hiện trên khuôn mặt xuất sắc đã đạt được với phương pháp này. Kể từ khi công bố các LBP dựa mô tả khuôn mặt, các phương pháp đã đạt được một vị trí thành lập trong nghiên cứu phân tích khuôn mặt và các ứng dụng. Một ví dụ đáng chú ý là hệ thống nhận diện khuôn mặt sáng bất biến bởi Li et al. (2007), kết hợp với các tính năng chụp ảnh NIR LBP và học AdaBoost. Zhang et al. (2005) đề xuất việc khai thác các tính năng LBP từ các hình ảnh thu được bằng cách lọc một hình ảnh khuôn mặt với 40 bộ lọc Gabor các quy mô khác nhau và định hướng, đạt kết quả xuất sắc. Hadid và Pietikäinen (2009) sử dụng LBPs spatiotemporal cho khuôn mặt và giới công nhận từ chuỗi video, trong khi Zhao et al. (2009) đã thông qua phương pháp tiếp cận LBP-TOP để nhận dạng giọng nói trực quan đạt được hiệu suất hàng đầu cạnh mà không có phân khúc dễ bị lỗi di chuyển đôi môi. Phần mở rộng và các ứng dụng Phương pháp LBP đã dẫn đến những tiến bộ đáng kể trong phân tích kết cấu. Nó được sử dụng rộng rãi trên khắp thế giới cả trong nghiên cứu và ứng dụng. Do sức mạnh của nó phân biệt và đơn giản tính toán, phương pháp này đã rất thành công trong nhiều vấn đề như tầm nhìn máy tính mà không được trước đó thậm chí được coi là vấn đề kết cấu, chẳng hạn như phân tích khuôn mặt và phân tích chuyển động (Pietikäinen et al. 2011). Đối với một danh mục sách của nghiên cứu LBP-liên quan và các liên kết đến nhiều giấy tờ, xem http://www.cse.oulu.fi/MVG/LBP_Bibliography. Để tăng khả năng ứng dụng của LBP, mở rộng khác nhau và thay đổi của nó đã được đề xuất. Ví dụ, Liao et al. (2009) đã đề xuất mô hình nhị phân cục bộ chi phối mà làm cho việc sử dụng thường xuyên nhất xảy ra mô hình của LBP để cải thiện tính chính xác nhận. Việc sử dụng các mô tả khu vực quan tâm (như SIFT) đến các vấn đề máy tính tầm nhìn khác nhau đã được quan tâm rất lớn gần đây. Với mục đích này, một cuốn tiểu thuyết mô tả kết hợp thế mạnh của SIFT và LBP đã được đề xuất (Heikkilä et al. 2009), trong đó trung tâm đối xứng mô hình nhị phân địa phương (CS-LBP) đã được sử dụng để thay thế cho các nhà điều hành Gradient sử dụng bởi các nhà điều hành SIFT. Mäenpää và Pietikäinen (2004) đưa ra một màu sắc đối thủ LBP, và điều tra sử dụng chung và riêng biệt về màu sắc và kết cấu trong phân loại. Sự kết hợp của các LBPs và các tính năng Gabor đã được nghiên cứu (Tân et al. 2007, Wang et al. 2009). Các phương pháp kết cấu đầu tiên dựa trên nền tảng cho phép trừ đã được đề xuất bởi Heikkilä và Pietikäinen (2006). Mỗi điểm ảnh được mô phỏng như một nhóm các biểu đồ thích nghi mô hình nhị phân cục bộ được tính toán trên một khu vực hình tròn xung quanh điểm ảnh. Đã được chứng minh là có khả năng chịu biến thể chiếu sáng, các multimodality của nền, và việc giới thiệu hoặc loại bỏ các đối tượng nền. Hơn nữa, phương pháp này có khả năng xử lý thời gian thực. Một thuật toán tiền xử lý dựa trên LBPs đã được phát triển để xử lý các biến trong chiếu sáng trong một hệ thống xác thực khuôn mặt (Heusch et al. 2006). Việc sử dụng các LBPs trong việc công nhận các hành động được coi là của (Kellokumpu et al. 2010). Việc sử dụng các LBPs trong việc phân loại độ tuổi trên khuôn mặt đã được nghiên cứu (Wang et al. 2009). Phương pháp tiếp cận dựa trên LBP khác có liên quan đến những vấn đề này đã được đề xuất gần đây. Ngoài ra để đối mặt và nhận dạng khuôn mặt biểu hiện, LBP cũng đã được sử dụng trong nhiều ứng dụng khác của sinh trắc học, bao gồm cả nội địa hóa mắt, nhận dạng mống mắt, nhận dạng vân tay, nhận dạng palmprint, dáng đi công nhận và phân loại độ tuổi trên khuôn mặt. Tài liệu tham khảo rất nhiều các công trình có thể được tìm thấy từ các thư mục LBP. Tài liệu tham khảo