扩展二进制梯度模式 ，一种基于微观和宏观结构的二进制梯度模式，用于视频监控领域的人脸识别
人脸识别是生物识别方法之一，具有广泛的应用领域，如执法、取证、生物识别认证、监控和健康监测等。
人脸识别还被用于通过移动钱包进行支付认证，社交媒体公司如Facebook也使用人脸识别算法来进行图像标记。
它的一个优点是在被验证者和摄像机之间无需接触。随着计算能力的提高，人脸识别领域已经提出了大量的研究方法和技术。
事实上一个稳健的人脸识别系统必须能够处理各种真实生活场景或自由条件，如姿势、光照、图像或相机质量、遮挡、旋转和平移等。
该系统还必须在样本有限的情况下能够表现出极好的性能。在监控应用中，一种典型的方法是从视频中采样出现的人脸，然后将其与从高质量目标人脸图像生成的人脸模型进行匹配。
特征提取是从人脸中捕获感兴趣的特征，并将其表示为特征向量的过程。提取过程通常由人脸描述器完成。该描述器必须能够处理多种变化，如光照、遮挡、表情和图像质量。
实际上多年来提出了许多人脸描述器，如尺度不变特征变换、加速鲁棒特征、局部二值模式和梯度方向直方图。
在人脸特征表示方面，多个描述器围绕着全局和局部特征表示发展而来。基于全局的特征提取方法，如主成分分析、线性判别分析和独立成分分析，通过将每个人脸图像转化为高维特征向量来保留人脸的统计信息。
与此同时基于局部的特征将输入图像分割成较小的补丁，并从每个补丁中提取微小的纹理细节，然后将这些特征融合以形成全局形状信息。
基于局部的特征提取通过在像素和补丁级别上强制空间局部性，在表情和遮挡等方面显示出鲁棒性。
比如说局部特征描述符对表情和遮挡中的局部变形具有鲁棒性。局部二值模式 就是一个基于该原理工作的特征提取方法，它取得了相当不错的性能，但是具有启发式的性质。
最近局部二值模式因其作为一种强大的纹理描述符的声誉而引起了广泛的关注。局部二值模式通过对中心像素及其邻域的强度进行阈值处理来提取图像的局部空间结构。
这个操作的结果被称为局部二值模式，然后使用整个图像上的二值模式分布来形成局部二值模式直方图向量或特征向量。
邻域像素在一个圆上进行采样，不在像素中心上的任何邻居像素的强度通过插值计算。
由于 局部二值模式 的一些缺点，例如产生的直方图较长，因此占用内存较多，对图像的旋转和噪声非常敏感，并且它只捕获了纹理细节，忽略了纹理的整体结构，从而导致了额外的辨别能力的缺失。
基于对多个数据库的一系列结果，针对各个描述符，BGPM被证明是每个数据库中最好的描述符。
BGPM描述符在抗击光照变化和局部扭曲方面具有不变性，同时降低了向量的维度。二进制梯度模式的紧凑表示使其在任何空间分辨率下使用的模式标签远远少于局部二值模式。
例如在一个空间分辨率的系统中，二进制梯度模式直方图只需要9个条柱，其中8个条柱用于表示结构性模式，1个条柱用于表示非结构性模式，而局部二值模式则需要59个条柱。二进制梯度模式和BGPM被证明具有很强的空间局部性和方向性属性，从而实现了有效的区分。
尽管二进制梯度模式在处理时间方面表现高效，并在多个数据库中取得了出色的结果，但它从未在适当的监控数据库中进行过测试，该数据库包含了不同相机质量拍摄的低分辨率非正面人脸图像。
与其他大多数基于局部结构的描述符一样，二进制梯度模式只利用了微观结构的信息，然而利用宏观结构来补充微观结构特征，可以获得更完整的图像表示，尤其是在监控应用中，噪声、遮挡和头部位置可能会影响描述符的性能。
此次提出了一种扩展二进制梯度模式描述符，将宏观结构信息融入到二进制梯度模式描述符中，以提高单一参考人脸识别问题的整体描述符性能。
在SCface数据库上进行的一系列实验结果表明，将微观结构和宏观结构提取的信息融合起来能够提升二进制梯度模式描述符的性能。
所提出的扩展二进制梯度模式描述符采用了基于补丁和基于圆形的拓扑结构进行测试，总体而言基于圆形的拓扑结构在识别率方面优于基于补丁的拓扑结构。
