1. LBP（局部二进制模式）：
  1. 是机器视觉中常用到的一种特征，可有效处理光照变化。
  2. 算法：对图像中的某一像素点的灰度值与某领域的像素点的灰度值比较，如果领域的值比该点大，则赋值为1，反之赋值为0，然后从左上角开始顺时针可以得到一个bit chain然后再转为10进制。即将一个像素点与领域的差值关系用一个数表示，而光照变化引起像素值同增同减不会改变LBP的大小，尤其对于局部区域。
  3. 缺点：只能处理单张的二维图像。
  1. LBP-TOP：
  1. 提出原因：LBP只能处理单张的二维图像，所以提出了LBP-TOP，目前已被广泛用于基于视频的人脸表情识别
  2. 一个图像序列，给出三个正交平面的纹理图，X-Y 就是正常看到的图像，X-T 是每一行沿着时间轴扫描而过的纹理，Y-T 是每一列沿着时间轴扫描而过的图像。
  3. 算法：在这三个平面都提取 LBP 特征，然后把三个平面的 LBP 特征连接起来，就是 LBP-TOP。一般是图像分块之后再计算，所以LBP-TOP是一种高维特征。
  4. CV：
  1. 对质的分析，如分类识别或身份确认，或行为分析（如人员入侵，徘徊，遗留物，人群聚集等）
  2. 对量的分析：商场人数统计，对准确度要求不太高
  3. 特点：应用场景复杂，识别物体类型多，形状不规则，规律性不强，所以深度学习较适合cv。
  4. 侧重对量的分析，如测量零件直径，对准确度要求高
  5. 对质的分析：零件自动分拣
  6. 特点：场景相对简单固定，同一应用中识别类型少，规则，有规律，对准确度、处理速度要求较高，所以不适合采用深度学习。