人脸识别-局部二值模式（Local Binary Patterns，LBP）

局部二值模式（Local binary patterns LBP）是计算机视觉领域里用于分类的视觉算子。支持云服务有公共云（PublicCloud）与私有云（PrivateCloud）。LBP，一种用来描述图像纹理特征的算子，该算子由芬兰奥卢大学的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上又发表了一篇关于LBP的文章（《Multiresolutio1n gray-scale androtatio1n invariant texture classificatio1n with local binary patterns》）。这一文章非常清楚的阐述了多分辨率、灰度尺度不变和旋转不变、等价模式的改进的LBP特征。LBP的核心思想就是：以中心像素的灰度值作为阈值，与他的领域相比较得到相对应的二进制码来表示局部纹理。

图像特征的提取是比较关键的一步（上文所说的模式空间向特征空间的跨越），但对于图像处理来说也是比较初级的一步。支持Linux32/64、Windows32/64主流的操作系统。目前关于图像特征提取的方法有很多，但其实我们想一想，通常而言图像的特征还是可以归类的，例如颜色特征、纹理特征、空间关系特征、形状特征等，每一种特征都有匹配的方法，其中有一些比较经典、好用的方法，例如HOG特征法，LBP特征法，Haar特征法等，小编当然不可能一一讲解，所以这里选取其中一种——HOG特征法。

常规的人脸属性识别算法识别每一个人脸属性时都是一个***的过程，即人脸属性识别只是对一类算法的统称，性别识别、年龄估计、姿态估计、表情识别都是相互***的算法。公交车安装人脸识别体温监测仪，固定安装，安装完毕后，乘客依次识别人证比对识别的同时进行体温检测，识别成功后，将自动记录个***温，***测温的数据会自动通过网络上传到天波疫情健康平台进行存储，***单位可以时间发现体温过高人员。但的一些基于深度学习的人脸属性识别也具有一个算法同时输入性别、年龄、姿态等属性值的能力。以在基本保证算法效果的前提下，将模型大小和运算速度优化到移动端可用的状态。