Utilisateur:Eilco EI3/Brouillon
- → N'hésitez pas à publier sur le brouillon un texte inachevé et à le modifier autant que vous le souhaitez.
- → Pour enregistrer vos modifications au brouillon, il est nécessaire de cliquer sur le bouton bleu : « Publier les modifications ». Il n'y a pas d'enregistrement automatique.
Si votre but est de publier un nouvel article, votre brouillon doit respecter les points suivants :
- Respectez le droit d'auteur en créant un texte spécialement pour Wikipédia en français (pas de copier-coller venu d'ailleurs).
- Indiquez les éléments démontrant la notoriété du sujet (aide).
- Liez chaque fait présenté à une source de qualité (quelles sources – comment les insérer).
- Utilisez un ton neutre, qui ne soit ni orienté ni publicitaire (aide).
- Veillez également à structurer votre article, de manière à ce qu'il soit conforme aux autres pages de l'encyclopédie (structurer – mettre en page).
- → Si ces points sont respectés, pour transformer votre brouillon en article, utilisez le bouton « publier le brouillon » en haut à droite. Votre brouillon sera alors transféré dans l'espace encyclopédique.
Etat de l’art des méthodes de calculs de LBP (Local Binary Pattern)
Les motifs binaires locaux (local binary patterns en anglais) sont des caractéristiques utilisées en vision par ordinateur pour reconnaître des textures ou pour la détection d'objets dans des images numériques. Le principe général est de comparer le niveau de luminance d'un pixel avec les niveaux de ses voisins. Cela rend donc compte d'une information relative à des motifs réguliers dans l'image, autrement dit une texture. Selon l'échelle du voisinage utilisé, certaines zones d'intérêt tels des coins ou des bords peuvent être détectées par ce descripteur.
La méthode LBP est courament utilisée pour, par exemple, la reconnaissance faciale.
Historique[modifier | modifier le code]
1992 – David Harwood's développe le LBP lors d'une visite à l'université de Maryland. Le point de départ de ses recherches fût l'idée que des textures à 2 dimensions peuvent être décrites par 2 mesures locales complémentaires : le motif et le contraste.
1993 - Mentionné pour la première fois pour mesurer le contraste local d'une image
1994 - Première application
1996 - Les méthodes de calculs de LBP sont popularisées par Ojala pour analyser des textures.
Fonctionnement[modifier | modifier le code]
Une texture est définie dans le voisinage de rayon d'une image (en niveaux de gris) comme la distribution jointe de P+1 pixels:
T = t(gc,g0,...,gP-1)
où gc est le niveau de gris du pixel (xc,yc) et gi(avec i = 1,...,P-1) celui de P points du voisinage circulaire dont il est le centre. Ainsi définie, la texture peut se représenter, sans perte d'information, par les différences de niveau de gris entre le centre et le pourtour :
T = t(gc,g0-gc,...,gP-1-gc)
Si on suppose que ces différences sont localement indépendantes de la valeur du pixel central, on a :
T = t(gc)t(g0-gc,...,gP-1-gc)
Cette hypothèse d'indépendance est bien entendu discutable puisque le niveau de gris des images est limité en pratique, et que des valeurs grandes ou petites de gc limiteraient les valeurs possibles des différences (les deux phénomènes ne sont donc alors plus indépendants). La petite perte d'information induite par cette hypothèse d'indépendance (i.e négliger les possibles « couplages » pour les valeurs extrêmes) a néanmoins l'appréciable avantage de rendre la définition invariante aux translations dans l'image. Puisque t(gc) reflète l'information globale de luminance de l'image et n'est pas informatif sur la texture locale, on peut négliger ce terme :
T ~ t(g0-gc,...,gP-1-gc)
Ce vecteur de dimension P reflète les différences locales de niveau de gris. Afin de renforcer l'invariance à des changements monotones des niveaux de gris, seul le signe de ces différences est pris en compte :
T ~ t(H(g0-gc),...,H(gP-1-gc))
où H(.) est la fonction de Heaviside. Il ne reste alors qu'à pondérer chaque différence avec un facteur de la forme 2P pour obtenir un code unique, aboutissant au descripteur du motif binaire local en un point (xc,yc) :
LBPP,R(xc,yc) = 2PH(gP-gc)
Pour une image comportant N pixels (xc,c = 0...N-1), ce motif est calculé en chaque point faisant sens (c'est-à-dire où le voisinage peut être défini), ce qui résulte en un descripteur global décrivant la texture de l'image.
Remarque sur les voisinages
Selon l'application visée l'implémentation des voisinages peut être différente. Dans la définition générale donnée ci-dessus, les coordonnées des P points du voisinage de (xc,yc) est donnée par :
(xc + Rcos(2πp/P),yc-Rsin(2πp/P))
la valeur de niveau de gris des points du voisinage qui ne «tombent» pas exactement sur un pixel réel est calculée par interpolation bilinéaire. Dans sa version originale néanmoins, il était proposé d'utiliser directement la valeur du pixel le plus proche du point P.
Extensions[modifier | modifier le code]
Prétraitement :[modifier | modifier le code]
Les extensions suivantes comportent un prétraitement de l’image avant l’application de la méthode LBP.
- Motif binaire local Gabor (LGBP)[1] : Filtrage Gabor avant le calcul de la LBP. Depuis des années, des avancés sur la reconnaissance faciale ont été effectuées à l’aide de visages de base par des apprentissages sous-espaces analytiques et statistiques. Néanmoins, ces approches souffrent encore de problèmes de généralisation. La méthode du motif local binaire Gabor (LGBP) permet d’éviter ce problème. La procédure d’apprentissage n’est pas nécessaire pour construire un modèle facial. Dans cette approche, l’image d’un visage est modélisée dans une séquence d’histogramme liée aux histogrammes des régions locales de tous les motifs binaires magnitude. Pour la reconnaissance, l’histogramme d’intersection est utilisé pour mesurer les similitudes des différents LGBP et les plus proches voisins exploités pour la classification finale.
- La chaîne de prétraitement[2] : Correction gamma, filtrage DoG, masquage(optionnel), égalisation des variations.
- Motif binaire local Heat Kemel (HKLBP)[3] : Les matrices multi-échelle Heat kemel sont créées avant le calcul de la LBP.
- Motif de bord local (LEP)[4] : Détection des bords avant le calcul de la LBP. Le motif du bord local, LEP (Local Edge Pattern) décrit la structure de l’espace de la texture locale d’après l’organisation des limites en pixels. Pour programmer l’histogramme LEP, les extrémités d’une image doivent être obtenues en premier. Cette dernière est obtenue par le détecteur de limites par intensité du niveau du gris. Les valeurs binaires sont ensuite multipliées par le poids binomial correspondant, puis les résultats sont additionnés pour obtenir la valeur LEP.
Topologie du voisinage :[modifier | modifier le code]
Les extensions suivantes diffèrent de la méthode de fonctionnement classique de la LBP par leur prise en compte du voisinage.
- Motif binaire local ligne (LLBP)[5] : Les lignes de direction vertical et horizontale sont utilisées. Le motif binaire local ligne (LLBP), est inspiré à partir du motif binaire local (LBP). Il résume la structure spatiale locale d'une image par le seuillage de la fenêtre locale avec un poids binaire et introduit le nombre décimal comme une présentation de texture. L'idée essentielle du LLBP est d'obtenir d'abord le code binaire de la ligne avec la direction horizontale et verticale séparément. Leur magnitude, qui caractérise la variation de l'intensité de l'image tels que les bords et les coins, est ensuite calculée. Le résultat expérimental est évaluée sur la base de données publique B de Yale faciale, ainsi que sa version élargie et base de données FERET en utilisant l'analyse discriminante linéaire (LDA) comme classification. Les résultats comparatifs ont montré que la LLBP est plus discriminante et insensible aux variations d’illumination et d'expression faciale que d'autres méthodes.
- Motif binaire elliptique (EBP)[6] : Le voisinage elliptique est utilisé.
- Motif binaire local Three-Patch (TPLBP)[7] : Descripteur de patch inspiré par CS-LBP.
- Motif binaire local Four-Patch (FPLBP)[7] : Descripteur de patch inspiré par CS-LBP.
- Motif allongé quinaire (EQP) : Le codage quinaire dans le voisinage elliptique est utilisé.
Seuillage & Codage :[modifier | modifier le code]
Les extensions suivantes diffèrent de la méthode de fonctionnement classique de la LBP soit par leur utilisation : utilisé pour coder l’image ; soit par leur prise en compte d’un seuil différent.
- Motif binaire local amélioré (ILBP)[8] : La moyenne du voisinage local est utilisé pour le seuillage. La fonction ILBP est une amélioration de la fonction LBP qui tient compte à la fois de la forme et des informations de texture locales à la place des informations du niveau de gris. Nous modélisons la classe faciale et non-faciale à l'aide du modèle gaussien multivarié et on les classe sous le cadre bayésien. De nombreuses expériences montrent que la méthode proposée a des perspectives encourageantes.
- Motif binaire local robuste (RLBP)[9] : Différences de seuils à un seuil non nul.
- Motif ternaire local (LTP)[10] : Trois valeurs (1, 0 ou −1) sont utilisées pour le codage.
- Motif binaire local probabiliste (PLBP)[11] : le seuillage est remplacé par une fonction probabiliste.
- Motif binaire centralisé (CBP)[12] : Relié à la CS-LBP, utilise le pixel central pour le codage.
- Motif local dérivé (LDP)[13] : Codage de motifs dérivés d’ordres élevés.
- Motif binaire médian (MBP)[14] : La valeur médiane dans le voisinage est utilisée pour le seuillage. Une méthode de classification de texture utilisant une texture métrique binaire est présenté. La méthode consiste à extraire les structures locales et décrire leur répartition par une approche globale. Les primitives de texture sont déterminées par un seuillage localisé comparé à la médiane locale. La signature spatiale locale de l'image seuillée est uniquement codée comme une valeur scalaire, dont l'histogramme permet de caractériser la texture globale. Une approche multi-résolution a été utilisée pour gérer les variations d'échelle. En outre, le système de codage facilite une riche classe de structures équivalentes liés par la rotation de l'image. L'utilisation d'un ensemble de classifications démontre que la méthode proposée améliore de façon significative la capacité de reconnaissance de la texture et surpasse les algorithmes classiques.
- Motif binaire local Mou/Flou (sfLBP)[15],[16] : Le seuillage est remplacé par une fonction d’appartenance floue.
- Motif binaire local bayéssien (BLBP)[17] : L’étiquetage est modélisé comme une probabilité et une optimisation d’un processus.
- Motif binaire local de transition codée (tLBP)[18] : Relation de codage entre les pixels voisins, une valeur binaire de transition codée LBP est composée de comparaisons de pixels voisins dans le sens horaire pour tous les pixels à l'exception du central.
- Motif binaire local de direction codée (dLBP)[18] : Relié à CS-LBP, la dLBP code la variation d'intensité suivant les quatre directions de base à travers le pixel central en deux bits.
- Motif binaire local sémantique (S-LBP) : Rajoute une consistance sémantique à la LBP.
- Motif binaire local de Fourier (F-LBP) : Rajoute une consistance sémantique à la LBP.
- Motif allongé quinaire (EQP) Cinq valeurs (−2,−1, 0, 1, 2) sont utilisées pour le codage.
- Motif allongé ternaire (ELTP) Trois valeurs (-1, 0, 1) sont utilisées pour le codage.
Analyse multi-échelle :[modifier | modifier le code]
Les extensions suivantes diffèrent de la méthode de fonctionnement classique de la LBP par leur utilisation de plusieurs espaces spatiaux.
- Motif binaire local de bloc multi-échelle (MB-LBP)[19] : Compare les valeurs moyennes du pixel dans des petits blocs.
- Motif binaire local multi-échelle dispersé[18] : Exploite la capacité discriminative des fonctionnalités multi-échelle.
- Filtrage gaussien[20] : Filtrage passe-bas multi-échelle avant l’extraction des caractéristiques.
- Cellular automata[20] : Codage compact de plusieurs opérateurs de la LBP à différentes échelles.
- Motif binaire local sur la base d’une pyramide multi-structure[21],[22] : Applique la LBP sur différentes couches d’une image pyramide.
- Motif multi-résolution uniforme[23] : Les points de prélèvement multi-échelles classés en fonction de l'angle d'échantillonnage.
Traitement de rotation :[modifier | modifier le code]
Les extensions suivantes permettent de réaliser un traitement équivalent à la LBP en obtenant des schémas binaires locales non uniformes.
- Motif binaire local adaptif (ALBP)[24] : L’information statistique directionnelle est incorporée.
- Motif binaire local de variance (LBPV)[25] : Construit une rotation d’invariant de l’histogramme de la LBP, et applique une recherche globale.
- Motif binaire local mono-génique (M-LBP)[26] : Intégre la LBP avec deux autres mesures de rotation d’invariants.
Traitement de couleur :[modifier | modifier le code]
Les extensions suivantes diffèrent de la méthode de fonctionnement classique de la LBP par leur intérêt à la couleur.
- Opponent color LBP[27] : Chaque canal de couleur et paires de canaux de couleurs sont utisés.
- Texture et couleur séparées[27] : Les caractéristiques de la texture et la couleur sont calculées séparément.
- Motif binaire local du vecteur de couleur[28] : La LBP des images couleurs calculée considère les pixels comme vecteurs de couleur.
- LBP de couleur à multi-échelle[29] : les valeurs de la LBP sont calculées à partir de différents canaux de couleur.
Sélection de caractéristiques et apprentissage :[modifier | modifier le code]
Les extensions suivantes diffèrent de la méthode de fonctionnement classique de la LBP par leur prise en compte d’une spécificité ou en se référant à un modèle apprit par le système.
- Motif binaire local avec la distance Hamming[30] : Motifs non-uniformes incorporés dans les motifs uniformes.
- Filtrage rapide de corrélation[31] : Utilisé pour la sélection du motif locale binaire.
- Motif symétrique[32] : Sélectionne les motifs qui contiennent un nombre important de 0 et 1.
- Décision des trois motifs binaires locaux[33] : Utilise la decision de trois algorithmes pour apprendre les motifs LBP discriminatif.
- Renforcer les bacs du motif binaire local[34] : AdaBoost est utilisé pour l’apprentissage discriminatif des histogrammes des bacs de la LBP.
- Renforcer les regions du motif binaire local[35] : AdaBoost est utilisé pour la selection des régions locales et réglages de la LBP.
- Analyse linaire discriminante (LDA)[36],[37] : Projete les caractéristiques de la LBP à multi-échelle en un espace compact.
- Ensemble de morceaux FDA[38] : Construit un ensemble de morceaux FDA pour construire un espace compact LGBP de fonctions.
- Vecteur commun discriminant Kernel[39] : Appliqué au Gabor et aux caractéristiques de la LBP après la projection PCA.
- AdaBoost-LDA[40] : Sélectionne les caractéristiques discriminantes de la LBP d’un grand regroupement de caractéristiques à multi-échelle.
- Espace dual LDA[41] : Sélectionne les caractéristiques discriminantes de la LBP.
- Laplacien PCA[42] : Sélectionne les caractéristiques discriminantes de la LBP.
- Locality Preserving Projections[43] : Applique Locality Preserving Projections (LPP) aux caractéristiques de la LBP.
- Motif binaire local dominant (DLBP)[44] : Fait usage des motifs de la LBP les plus fréquemment utilisés.
- Motif binaire local prolongé[45] : Analyse les structures et les probabilités occurrentes de motifs non-uniforme.
- FSC-LBP[46] : Le critère de la séparation Fisher est utilisé pour l'apprentissage des types de motifs les plus fréquents.
- Les faisceaux de recherches[47] : Utilisé pour la sélection des sous-ensembles des motifs locale binaire.
- Moindre carrées partiels (PLS)[48] : Réduction de la dimension des PLS pour sélectionner des caractéristiques discriminantes.
Descripteurs complémentaires :[modifier | modifier le code]
Les extensions suivantes combinent plusieurs descripteurs :
- Motif binaire local prolongé[49],[50] : Code les différences du niveau de gris local et aussi les motifs LBP ordinaires.
- LBP et Gabor[51],[52] : Joint les deux méthodes : LBP et Gabor.
- Haar-LBP[28] : Combine les idées du Haar et des caractéristiques de la LBP.
- Motif binaire local complété (CLBP)[53] : Utilise la différence locale de la transformée du signe de magnitude.
- HOG-LBP[54] : Combine la LBP avec l'histogramme de l'opérateur de gradients orientés.
- HOG-LBP-LTP[48] : Combinant la LBP, HOG et les opérateurs LTP.
Autres méthodes inspirées par la LBP :[modifier | modifier le code]
- Motif local binaire de volume (VLBP) : VLBP considère une texture dynamique comme un ensemble de volumes dans l'espace (X, Y, T) où X et Y indiquent les coordonnées spatiales et T désigne l'indice du cadre. Le voisinage d'un pixel est ainsi défini dans un espace tridimensionnel, et les textons de volume peuvent être extraits dans des histogrammes.
- Descripteur de la loi de Weber (WLD)[55] : Codifie l’excitation différentielle et les composantes d’orientation.
- Qualification locale de phase (LPQ)[33] : Qualification de la phase de la transformée de Fourier dans un voisinage local.
- Estimateur de densité GMM[56] : Evite les erreurs de quantification de la LBP.
Applications utilisant les extensions de LBP[modifier | modifier le code]
Reconnaissance faciale[modifier | modifier le code]
Un système de reconnaissance faciale est une application logicielle visant à reconnaître une personne grâce à son visage de manière automatique.
Ces systèmes sont généralement utilisés à des fins de sécurité pour déverrouiller ordinateur/mobile/console, mais aussi en domotique. Ils sont appréciés car considérés comme peu invasifs, en comparaison avec les autres systèmes biométriques ( empreintes digitales, reconnaissance de l'iris...). Le fonctionnement de ces systèmes se base sur une ou plusieurs caméras pour reconnaître l'utilisateur.
Ils peuvent également être utilisés afin de faciliter la vie de l'utilisateur, comme le font par exemple certains réseaux sociaux sur internet (Facebook, Google+ ) ou certaines applications mobiles (NameTag, FaceRec ) pour identifier des visages sur des images. Ces systèmes se basent alors sur des photos/vidéos d'une ou plusieurs personnes.
Voici quelques extensions de la LBP qui permettent d’obtenir ce résultat :
- Motif binaire local Gabor (LGBP)[52]
- La chaîne de prétraitement[10]
- Motif binaire local Heat Kemel (HKLBP)[3]
- Motif binaire local ligne (LLBP)[5]
- Motif binaire elliptique (EBP)[6]
- Motif binaire local Three-Patch (TPLBP)[7]
- Motif binaire local Four-Patch (FPLBP)[7]
- Motif binaire local amélioré (ILBP)[8]
- Motif binaire local robuste (RLBP)[9]
- Motif ternaire local (LTP)[10]
- Motif binaire local probabiliste (PLBP)[11]
- Motif binaire centralisé (CBP)[12]
- Motif local dérivé (LDP)[13]
- Motif binaire local de bloc multi-échelle (MB-LBP)[19]
- Motif binaire local multi-échelle dispersé[18]
- Motif binaire local prolongé[49][50]
- Haar-LBP[28]
- Motif binaire local avec la distance Hamming[30]
- Filtrage rapide de corrélation[31]
- Motif symétrique[32]
- Décision des trois motifs binaires locaux[33]
- Renforcer les bacs du motif binaire local[34]
- Renforcer les regions du motif binaire local[35]
- Analyse linaire discriminante (LDA)[36][37]
- Ensemble de morceaux FDA[38]
- Vecteur commun discriminant Kernel[39]
- AdaBoost-LDA[40]
- Espace dual LDA[41]
- Laplacien PCA[42]
- Locality Preserving Projections[43]
Analyse des Textures[modifier | modifier le code]
Le but de l'analyse de texture est de formaliser les descriptifs de la texture par des paramètres mathématiques qui serviraient à l'identifier. Dans ce sens, les critères visuels qui ont été retenues pour la texture sont : le contraste, la granularité, l'orientation, la forme, la finesse, la régularité et la rugosité. Une multitude de méthodes, de variantes et de combinaisons de méthodes ont déjà été proposées. Voici quelques extensions de la LBP qui permettent de la réaliser :
- Motif de bord local (LEP)[4]
- Motif binaire médian (MBP)[14]
- Motif binaire local Mou/Flou (sfLBP)[15][16]
- Motif binaire local bayéssien (BLBP)[17]
- Filtrage gaussien[20]
- Cellular automata[20]
- Motif binaire local sur la base d’une pyramide multi-structure[21][22]
- Motif binaire local multi-échelle dispersé[18]
- Motif binaire local adaptif (ALBP)[24]
- Motif binaire local de variance (LBPV)[25]
- Motif binaire local mono-génique (M-LBP)[26]
- Opponent color LBP[27]
- Texture et couleur séparées[27]
- Motif binaire local du vecteur de couleur[28]
- Motif binaire local complété (CLBP)[53]
- Motif binaire local dominant (DLBP)[44]
- Motif binaire local prolongé[45]
- FSC-LBP[46]
- Les faisceaux de recherches[47]
- Motif local binaire de volume (VLBP)
- Descripteur de la loi de Weber (WLD)[55]
- Qualification locale de phase (LPQ)[33]
- Estimateur de densité GMM[56]
Détection de mouvement et forme[modifier | modifier le code]
Le détecteur de mouvement fait partie du système d'alarme anti-intrusion : il reconnait la présence de volume et son déplacement dans un champ grâce à l'infrarouge.
Pour cela, il peut utiliser les extensions de la LBP suivants :
- Motif binaire local de transition codée (tLBP)[18]
- Motif binaire local de direction codée (dLBP)[18]
- Motif binaire local sémantique (S-LBP)
- Motif binaire local de Fourier (F-LBP)
- Motif multi-résolution uniforme[23]
- LBP de couleur à multi-échelle[29]
- HOG-LBP[54]
- HOG-LBP-LTP[48]
- Moindre carrées partiels (PLS)[48]
Analyse d’image médicale[modifier | modifier le code]
Dans le monde médical, on utilise certaines extensions de la LBP afin de détecter des cellules malades. En voici quelques-unes :
- Motif allongé quinaire (EQP)
- Motif allongé quinaire (EQP)
- Motif allongé ternaire (ELTP)
Outils équivalents[modifier | modifier le code]
Matrice de cooccurrence[modifier | modifier le code]
Les LBP sont invariantes quelques soit l'illumination. De cette manière, il est possible de réaliser l'invariance contre les variations de la luminance globale d'une image. Un autre avantage est que, dans des textures naturelles, les différences ont tendance à avoir une plus faible variabilité des niveaux de gris absolus, ce qui entraîne des distributions plus compactes. Weszka et al. (1976) ont proposé l'utilisation de la différence moyenne, l'entropie des différences, une mesure de contraste, et un second moment angulaire. Valkealahti & Oja (1998) ont présenté une méthode dans laquelle des distributions de cooccurrence multidimensionnelles sont utilisées. Dans leur approche, les niveaux de gris du voisinage local sont recueillis dans une distribution de grande dimension, dont la dimension est réduite par quantification vectorielle. Par exemple, si les huit voisins sont utilisés, une distribution de valeurs de gris à neuf dimensions (huit voisins et le pixel lui-même) est créée au lieu des huit matrices bidimensionnelles de cooccurrence. Une version améliorée de cette méthode a été plus tard utilisée par Ojala et al. (2001) avec des différences de niveau de gris. En regardant la dérivation de LBP, il est évident que LBP peut être considéré comme une spécialisation de la méthode de la différence multidimensionnelle des niveaux de gris signés. La réduction de dimension est directement obtenue en ne considérant que les signes des différences, ce qui rend l'utilisation d'une quantification vectorielle inutile. Une comparaison complète de la LBP d'origine, la LBP/C, GLCM, GLD, et bien d'autres méthodes a été effectuée par Ojala et al. (1996) et Ojala (1997). En conclusion, Ojala (1997) écrit : « Sur les 22 opérateurs de texture locaux considérés dans les expériences de classification, LBP a été généralement supérieur à d'autres mesures, fournissant d'excellents résultats en particulier pour les textures déterministes. »
Liens[modifier | modifier le code]
Références[modifier | modifier le code]
Matti Pietikäinen, Abdenour Hadid, Guoying Zhao, Timo Ahonon Computer Vision Using Local Binary Patterns
- Zhang, W., Shan, S., Gao, W., Chen, X., Zhang, H.: Local Gabor binary pattern histogram sequence (LGBPHS): A novel non-statistical model for face representation and recognition
- Tan, X., Triggs, B.: Enhanced local texture feature sets for face recognition under difficult lighting conditions.
- Li, X., Hu, W., Zhang, Z., Wang, H.: Heat kernel based local binary pattern for face representation. IEEE Signal Process. Lett. 17, 308–311 (2010
- Yao, C.H., Chen, S.Y.: Retrieval of translated, rotated and scaled color textures. Pattern Recognit. 36(4), 913–929 (2003)
- Petpon, A., Srisuk, S.: Face recognition with local line binary pattern. In: Proc. International Conference on Image and Graphics, pp. 533–539 (2009)
- Liao, S., Chung, A.C.S.: Face recognition by using enlongated local binary patterns with average maximum distance gradient magnitude. In: Computer Vision—ACCV 2007. Lecture Notes in Computer Science, vol. 4844, pp. 672–679. Springer, Berlin (2007)
- Wolf, L., Hassner, T., Taigman, Y.: Descriptor based methods in the wild. In: Proc. ECCV Workshop on Faces in Real-Life Images, pp. 1–14 (2008)
- Jin, H., Liu, Q., Lu, H., Tong, X.: Face detection using improved LBP under Bayesian framework. In: Proc. International Conference on Image and Graphics, pp. 306–309 (2004)
- Heikkilä, M., Pietikäinen, M.: A texture-based method for modeling the background and detecting moving objects. IEEE Trans. Pattern Anal. Mach. Intell. 28(4), 657–662 (2006)
- Tan, X., Triggs, B.: Enhanced local texture feature sets for face recognition under difficult lighting conditions. In: Analysis and Modeling of Faces and Gestures. Lecture Notes in Computer Science, vol. 4778, pp. 168–182. Springer, Berlin (2007)
- Tan, N., Huang, L., Liu, C.: A new probabilistic local binary pattern for face verification. In: Proc. IEEE International Conference on Image Processing, pp. 1237–1240 (2009)
- Fu, X., Wei, W.: Centralized binary patterns embedded with image Euclidean distance for facial expression recognition. In: Proc. International Conference on Natural Computation, vol. 4, pp. 115–119 (2008)
- Zhang, B., Gao, Y., Zhao, S., Liu, J.: Local derivative pattern versus local binary pattern: Face recognition with high-order local pattern descriptor. IEEE Trans. Image Process. 19(2), 533–544 (2010)
- Hafiane, A., Seetharaman, G., Zavidovique, B.: Median binary pattern for texture classification. In: Proc. International Conference on Image Analysis and Recognition, pp. 387–398 (2007)
- Ahonen, T., Pietikäinen, M.: Soft histograms for local binary patterns. In: Proc. Finnish Signal Processing Symposium, p. 4 (2007)
- Iakovidis, D.K., Keramidas, E., Maroulis, D.: Fuzzy local binary patterns for ultrasound texture characterization. In: Proc. International Conference on Image Analysis and Recognition, pp. 750–759 (2008)
- He, C., Ahonen, T., Pietikäinen, M.: A Bayesian local binary pattern texture descriptor. In: Proc. International Conference on Pattern Recognition, pp. 1–4 (2008)
- Trefny, J., Matas, J.: Extended set of local binary patterns for rapid object detection. In: Proc. Computer Vision Winter Workshop, pp. 1–7 (2010)
- Liao, S., Zhu, X., Lei, Z., Zhang, L., Li, S.Z.: Learning multi-scale block local binary patterns for face recognition. In: Proc. International Conference on Biometrics, pp. 828–837 (2007)
- Mäenpää, T., Pietikäinen, M.: Multi-scale binary patterns for texture analysis. In: Scandinavian Conference on Image Analysis. Lecture Notes in Computer Science, vol. 2749, pp. 885–892. Springer, Berlin (2003)
- He, Y., Sang, N., Gao, C.: Pyramid-based multi-structure local binary pattern for texture classification. In: Proc. Asian Conference on Computer Vision, vol. 3, pp. 1435–1446 (2010)
- Turtinen, M., Pietikäinen, M.: Contextual analysis of textured scene images. In: Proc. British Machine Vision Conference, pp. 849–858 (2006)
- Kellokumpu, V., Zhao, G., Pietikäinen, M.: Dynamic texture based gait recognition. In: Advances in Biometrics. Lecture Notes in Computer Science, vol. 5558, pp. 1000–1009. Springer, Berlin (2009)
- Guo, Z.H., Zhang, L., Zhang, D., Zhang, S.: Rotation invariant texture classification using adaptive LBP with directional statistical features. In: Proc. International Conference on Image Processing, pp. 285–288 (2010)
- Guo, Z.H., Zhang, L., Zhang, D.: Rotation invariant texture classification using LBP variance (LBPV) with global matching. Pattern Recognit. 43(3), 706–719 (2010)
- Zhang, L., Zhang, L., Guo, Z., Zhang, D.: Monogenic-LBP: A new approach for rotation invariant texture classification. In: Proc. International Conference on Image Processing, pp. 2677–2680 (2010)
- Mäenpää, T., Pietikäinen, M.: Classification with color and texture: Jointly or separately? Pattern Recognit. 37, 1629–1640 (2004)
- Porebski, A., Vandenbroucke, N., Macaire, L.: Haralick feature extraction from LBP images for color texture classification. In: Proc. Workshop on Image Processing Theory, Tools and Applications, pp. 1–8 (2008)
- Zhu, C., Bichot, C.-E., Chen, L.: Multi-scale color local binary patterns for visual object classes recognition. In: Proc. International Conference on Pattern Recognition, pp. 3065–3068 (2010)
- Yang, H.,Wang, Y.: A LBP-based face recognition method with Hamming distance constraint. In: Proc. International Conference on Image and Graphics, pp. 645–649 (2007)
- Shan, C., Gong, S., Mcowan, P.: Appearance manifold of facial expression. In: Proc. IEEE ICCV Workshop on Human-Computer Interaction (HCI), pp. 221–230 (2005)
- Lahdenoja, O., Laiho, M., Paasio, A.: Reducing the feature vector length in local binary pattern based face recognition. In: Proc. International Conference on Image Processing, vol. 2, pp. 914–917 (2005)
- Ojansivu, V., Heikkilä, J.: Blur insensitive texture classification using local phase quantization. In: Proc. International Conference on Image and Signal Processing, pp. 236–243 (2008)
- Raja, Y., Gong, S.: Sparse multiscale local binary patterns. In: Proc. British Machine Vision Conference, 2006
- Zhang, G., Huang, X., Li, S., Wang, Y., Wu, X.: Boosting local binary pattern (LBP)-based face recognition. In: Proc. Advances in Biometric Person Authentication, pp. 179–186 (2005)
- Chan, C.H., Kittler, J.V., Messer, K.: Multispectral local binary pattern histogram for component-based color face verification. In: Proc. IEEE Conference on Biometrics: Theory, Applications and Systems, pp. 1–7 (2007)
- Chan, C.-H., Kittler, J., Messer, K.: Multi-scale local binary pattern histograms for face recognition. In: Proc. International Conference on Biometrics, pp. 809–818 (2007)
- Shan, C., Gritti, T.: Learning discriminative LBP-histogram bins for facial expression recognition. In: Proc. British Machine Vision Conference, p. 10 (2008)
- Tan, X., Triggs, B.: Fusing Gabor and LBP feature sets for kernel-based face recognition. In: Analysis and Modeling of Faces and Gestures. Lecture Notes in Computer Science, vol. 4778, pp. 235–249. Springer, Berlin (2007)
- Ho An, K., Jin Chung, M.: Cognitive face analysis system for future interactive TV. IEEE Trans. Consum. Electron. 55(4), 2271–2279 (2009)
- Zhao, D., Lin, Z., Tang, X.: Contextual distance for data perception. In: Proc. International Conference on Computer Vision, pp. 1–8 (2007)
- Zhao, D., Lin, Z., Tang, X.: Laplacian PCA and its applications. In: Proc. International Conference on Computer Vision, pp. 1–8 (2007)
- Roy, A., Marcel, S.: Haar local binary pattern feature for fast illumination invariant face detection. In: Proc. British Machine Vision Conference, 2009
- Liao, S., Law, M., Chung, C.S.: Dominant local binary patterns for texture classification. IEEE Trans. Image Process. 18, 1107–1118 (2009)
- Zhou, H., Wang, R., Wang, C.: A novel extended local-binary-pattern operator for texture analysis. Inf. Sci. 178, 4314–4325 (2008)
- Guo, Y., Zhao, G., Pietikäinen, M., Xu, Z.: Descriptor learning based on Fisher separation criterion for texture classification. In: Proc. Asian Conference on Computer Vision, pp. 1491– 1500 (2010)
- Mäenpää, T., Ojala, T., Pietikäinen, M., Soriano, M.: Robust texture classification by subsets of local binary patterns. In: Proc. 15th International Conference on Pattern Recognition, vol. 3, pp. 947–950 (2000)
- Hussain, S., Triggs, B.: Feature sets and dimensionality reduction for visual object detection. In: Proc. British Machine Vision Conference, pp. 112.1–112.10 (2010)
- Huang, D., Wang, Y., Wang, Y.: A robust method for near infrared face recognition based on extended local binary pattern. In: Advances in Visual Computing. Lecture Notes in Computer Science, vol. 4842, pp. 437–446. Springer, Berlin (2007)
- Huang, Y., Wang, Y., Tan, T.: Combining statistics of geometrical and correlative features for 3d face recognition. In: Proc. British Machine Vision Conference, pp. 879–888 (2006)
- Tan, X., Triggs, B.: Fusing Gabor and LBP feature sets for kernel-based face recognition. In: Analysis and Modeling of Faces and Gestures. Lecture Notes in Computer Science, vol. 4778, pp. 235–249. Springer, Berlin (2007)
- Zhang, W., Shan, S., Gao, W., Chen, X., Zhang, H.: Local Gabor binary pattern histogram sequence (LGBPHS): A novel non-statistical model for face representation and recognition. In: Proc. International Conference on Computer Vision, vol. 1, pp. 786–791 (2005)
- Guo, Z.H., Zhang, L., Zhang, D.: A completed modeling of local binary pattern operator for texture classification. IEEE Trans. Image Process. 19(6), 1657–1663 (2010)
- Wang, X., Han, T.X., Yan, S.: An HOG-LBP human detector with partial occlusion handling. In: Proc. International Conference on Computer Vision, pp. 32–39 (2009)
- Chen, J., Shan, S., He, C., Zhao, G., Pietikäinen, M., Chen, X., Gao,W.: WLD: A robust local image descriptor. IEEE Trans. Pattern Anal. Mach. Intell. 32(9), 1705–1720 (2010)
- Lategahn, H., Gross, S., Stehle, T., Aach, T.: Texture classification by modeling joint distributions of local patterns with Gaussian mixtures. IEEE Trans. Image Process. 19, 1548–1557 (2010)