LBP特徵是用在紋理影象分析中的常用檢測運算元，LBP(local binary pattern)區域性二值模型，簡單的講，該運算元對一個區域性3×3的區域進行變換，將區域性區域中心畫素和周圍的8個畫素點進行比較，如果周圍的畫素值大於中心的值，則設周圍的畫素點為1，否則為0，這樣8個畫素點可以就可以組成一個二進位制序列，將該二進位制的作為該區域性區域中心的LBP值。然後再進行紋理分析，在實際的操作過程中，不一定僅僅用3×3區域性區域進行LBP變換。

後來，LBP特徵被用在了人臉檢測與識別的過程中。將人臉分成N個矩形區域，對影象進行LBP變換，求出每個區域的LBP直方圖，將這N個直方圖拼接成一個新的直方圖，並用該直方圖的特徵表示人臉的特徵。Figure2描述了特徵向量求出的詳細過程

但是該方法易受到噪聲的影響，影象的噪聲一般不會出現很大的塊狀噪聲，LBP特徵是對區域性3×3的畫素點進行變換，如果我們用區域性3×3的矩形進行變換，點噪聲的問題就變的不明顯，不會影響檢測的效能。如figure3所示，求取每個矩形內的影象畫素和做為矩形的特徵值，將每個矩形的特徵值與中心矩形的特徵值進行比較，重新進行LBP編碼，並將LBP編碼做為該區域性區域的特徵值，利用boost學習演算法，學習出一個分類器，便可以進行人臉檢測和識別。

該特徵相對於haar特徵有以下優點:

一：不用進行光照歸一化處理，因此也不用求取影象的方差，計算量小。

二：分類器檔案佔用的儲存空間小，便於在嵌入式裝置上儲存。

三：計算過程簡單，沒有複雜的除法和特殊運算，便於硬體實現。

四：相對於haar特徵，該特徵檢測的時間短，檢測的實時性好。