局部二值模式（英文：Local binary patterns，缩写：LBP）是机器视觉领域中用于分类的一种特征，于1994年被提出[1][2]。局部二值模式在纹理分类问题上是一个非常强大的特征；如果局部二值模式特征与方向梯度直方图结合，则可以在一些集合上十分有效的提升检测效果[3]。局部二值模式是一个简单但非常有效的纹理运算符。它将各个像素与其附近的像素进行比较，并把结果保存为二进制数。由于其辨别力强大和计算简单，局部二值模式纹理算子已经在不同的场景下得到应用。LBP最重要的属性是对诸如光照变化等造成的灰度变化的鲁棒性。它的另外一个重要特性是它的计算简单，这使得它可以对图像进行实时分析。
在最简简化的情况下，局部二值模式特征向量可以通过如下方式计算：
- 将检测窗口切分为区块（cells，例如，每个区块16x16像素）。
- 对区块中的每个像素，与它的八个邻域像素进行比较（左上、左中、左下、右上等）。可以按照顺时针或者逆时针的顺序进行比较。
- 对于中心像素大于某个邻域的，设置为1；否则，设置为0。这就获得了一个8位的二进制数（通常情况下会转换为十进制数字），作为该位置的特征。
- 对每一个区块计算直方图。此时，可以选择将直方图归一化；串联所有区块的直方图，这就得到了当前检测窗口的特征向量。此特征向量可以通过诸如支持向量机等机器学习算法来产生一个分类器。
一个有效的扩展被称为“等价模式”[4]，可用于对特征向量降维，以及实现简单的旋转不变算子。其主要根据是一些模式比另一些模式更加常见。当某个LBP只包含从0到1或从1到0的最多两次跳变时，该LBP被定义为一个等价模式。例如，00010000（2次跳变）是一个等价模式，01010100（6次跳变）不是。在计算LBP的直方图时，对于每一个等价模式都各有一个组（bin），而所有非等价模式都被归类到一个单独的组中。使用等价模式，一个区块的特征长度能从256降到59
三个计算不同领域模型的LBP特征的例子