人脸识别能力主要的核心点在什么地方？
01人工设计的LBP特征在说LBP特征之前，我们先回顾一下特征设计，特征设计最重要的是鲁棒性。比如说一张图片可能被加了不同的光照，有一些角度旋转，或者是被放大缩小。那么怎样使得这个特征在不同的光照旋转或尺度变化中，具有稳定的表达呢？这是特征设计中一个很重要的问题。说完这个问题以后，我们再看一下LBP特征的具体方法：给定一张图像，能够提取图像中间的每一个像素点以及周围8个与它相邻的像素点。
将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0。这样，3*3邻域内的8个点经比较可产生8位二进制数，即得到该窗口中心像素点的LBP值，来反映该区域的纹理信息。试想一下，LBP特征怎样与我们刚才说的鲁棒性相对应？我们看一下光照的鲁棒性：因为LBP特征其实是在某一个像素点以及它的临域来取值，这个时候如果外界施加了很强的光照，我们可以认为在局部的小区域内，它的光照施加值或者施加的幅度是一致的，这样就形成了局部的光照不变性。
而对于旋转或尺度，如果按照一定的规则来构建二进制串的话，它其实是有旋转不变性。对于尺度来说，就相当于用图像的一个像素点以及它的邻域来构建LBP特征，如果它的尺度发生变化，仍然是可以通过图像中间的某一区域块，以及它的邻域区和邻域块来构建LBP特征。当我们定义了LBP特征以后，人脸识别的特征提取如下图所示。
首先需要把输入的原始图像转换成LBP图像，其次在LBP图像上进行分块，对于每一块构建一个值的直方图，最后再把所有区域的直方图一次连接到一起作为特征向量接受下一级的处理。这里面区域的划分以及LBP图的形成，都有很多不同的变种，这些工作在原始LBP的技术上面也得到了充分的发展。但是很容易看出，LBP特征其实会有很多问题，比如图片中的人脸出现了一定的侧脸，形成的直方图很有可能与原始的直方图有很大差异性，或者被拍者出现了一些极端的表情，原始的分块方式很可能就不再适用。
总而言之，简单的LBP特征对真实复杂的人脸识别难以适应，复杂的特征非常依赖于专家经验，难以设计。02神经网络特征当机器拥有强大的计算能力，我们更多地会采用自动学习的神经网络特征。神经网络特征其实是模拟了人类的细胞或者神经元的传导机制，包括一些权重的连接，对输入信号的处理等。从局部到中层再到高层，类似于一个不断融合和汇总过程。
