LBP--->鉴别模式
应用到热红外人脸识别
1、文献构思整理：
引子：实际问题---红外人脸识别 (会碰到光照变化、化妆、照片欺诈情况下) 存在鲁棒性问题
关键：关键技术---特征提取技术>>>鲁棒性
2、分节整理：
引言：
1、 整体统计特征类：
（1）借鉴伍作者的基于线性鉴别的特征提取方法
（2）借鉴华的PCA+LDA特征提取(低分辨图像)
2、 局部统计特征类：
（1）参考李的基于LBP(局部二值)特征提取方法→用于降低环境温度对红外人脸识别的影响
（2）但上面存在未考虑鉴别特征对识别的贡献→if 特征维数过高，存在较大冗余问题
（3）改进，针对维数高问题，Ojala提出LBP均匀模式(用全部模式中部分)→解决维数过大 256---取59个
（4）但，上面通过经验判断导致无法提取模式不一定占主导地位→因而，Liao提出LBP的主导模式(类似PCA)
（5）但，上面未考虑不同特征有的鉴别信息，不一定最适合识别的模式。该部分具有思维难度，比较难想，因为，如何从LBP总模式中，提取适合识别的部分模式(鉴别模式)对提高红外人脸识别的鲁棒性，很重要-----在以上基础，受Fang使用全局类间可分准则思想的影响→有了文中的在LBP的PS(模式选择)基础上引入SD(可分性标准)，即根据LBP模式对识别贡献的不同，构建LBP的鉴别模式，简言之，可分性标准(限制条件)来选合适的模式。
白话说：LBP众多模式中 ⭐⭐选最适合识别的模式⭐⭐
局部二进制模式：
算子LBP中的鉴别模式：
两个问题：
1、提取人脸图像特征的目的?：
（1）降低图像的维数，减小分类时计算的复杂程度
（2）选出最具鉴别能力的特征提高分类性能
2、最优表示图像的特征，一定适合作为识别的特征?：
答：不一定，举个简单的例子
（1）均匀LBP模式主要从图像表示的角度出发提取自然图像中占主导地位的结构信息。→但，该模式用于人脸图像的特征表示时，并不一定是主导模式，而且主导地位的结构信息不一定是最适合识别的模式。
===怎么办？===
文中做了以下几个工作：---目标：加入模式识别分类限制条件
1> 独立性： 将LBP众多模式中考虑模式之间的独立性 类外增大间距
2> 聚合性： 类内增大间距
3> 限制性： 引入一种基于LBP模式直方图的可分性准则，对每一模式定义一个可分性值
白话：对众多模式加入权重分数
Step 1: 求LBP模式直方图中的某一维Hi(i=1,2,...2.^P)如下：
Step 2:求直方图H第i维的可分性值SD(i)：
1》计算第i维中所有训练样本中，直方图中Hi的类间分布距离
2》计算训练样本中，直方图Hi的类内分布距离
3》定义LBP不同模式的可分性值：
上述公式中LBP直方图每一维(模式)都分配了一个SD值，后期对LBP直方图进行
模式选择时，可以降序排序，然后选择前N个模式作为最后的特征。
文中算法 VS LDA：
LDA方法是将原始数据→变换到了另一个低维空间
文中特征选择只是在同一个空间(对LBP模式编码)的特征抽取；
Step 3: 提取训练样本所有模式中的主导模式(>=80%)：
1》统计训练样本中所有样本的不同模式总分布直方图，即所有样本的累加后得到的直方图，而不是某一幅样本的直方图
2》按SD值的大小对总分布直方图排序，得到排序后的总分布直方图
3》确定获取主导模式的个数
实验结果分析：
实验数据库：
（1）同一条件下采集的1000张照片，50person/每人20张照片--同时态数据
（2）不同环境温度下采集的165张，环境温度:--时延数据
对比算法有效性：(其他特征提取方法进行了对比测试)
结论：
(文中创新性)文中分析LBP的均匀模式提取红外人脸局部特征的基础上， 为了充分利用不同模式具有的鉴别信息，提出了模式选择算法，以提取更具鉴别能力的特征。 (结构优化)为了利用人脸中的空间位置信息，在LBP模式编码的基础上，结合分块和统计直方图技术，得到了一个新的红外人脸识别方法。(实验效果)自建人脸数据库的测试结果表明， 本文提出的红外人脸识别方法优于传统的基于LBP、PCA + LDA的人脸识别方法， 可应用于实际红外人脸识别系统。
(以上三部分也是经典的三段式)
3、心得链接：
心得：KISS(Keep It Simple Stupid, 简约质朴)原则，无论什么时候都是人类的追求和向往；文献由专业内司空见惯的LBP入手，一步步推演深入，发现LBP身上优点和缺点，针对缺点(鉴别模式特征的可分性应用到识别上由于没有重点的选择，效果比较差)通过一定的标准限制(可分性标准)进行最合适的鉴别模式。
作者解决问题的思路:从易到难。
习以为常的LBP---LBP均匀模式(对比用)---可分性标准选择合适的鉴别模式---结合空间位置信息(包括分块和直方图拼接技术)。