四季的诗句

前言：想要写出一篇令人眼前一亮的文章吗？我们特意为您整理了5篇四季的诗句范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。

四季的诗句范文第1篇

2、碧玉妆成一树高，万条垂下绿丝绦。不知细叶谁裁出，二月春风似剪刀。

3、迟日江山丽，春风花草香。泥融飞燕子，沙暖睡鸳鸯。

4、泉眼无声惜细流，树阴照水爱晴柔。小荷才露尖尖角，早有蜻蜓立上头。

5、待到重阳日，还来就。

四季的诗句范文第2篇

2、9点到9点10分阅读考场注意事项，发放试卷，贴条形码;

3、9点10分到9点40分作文考试阶段;

4、9点40分到10点5分时听力测试阶段;

5、10点5分到10点10分考试暂停5分钟，收答题卡1，即作文和听力;听力结束后完成剩余考项，即阅读和翻译;

四季的诗句范文第3篇

窗外，小草沐浴着阳光，微风轻抚着花儿。秋来了。

又是一堂语文阅读课。全班自由轻快地朗诵着初一第4单元诵读欣赏部分的诗歌。

“老师，书上怎么少了写冬的诗句？”

“是呀，老师，我们补上吧。”大家你一言我一语地议论开来。

我灵机一动：何不利用这一课进行语文教学的拓展延伸呢？

“同学们提得很好，大家说说看，你了解哪些写冬的诗句呢？”

小敏：千山鸟飞绝，万径人踪灭。孤舟蓑笠翁，独钓寒江雪。

小东：忽如一夜春风来，千树万树梨花开。

冬冬：日暮苍山远，天寒白屋贫。柴门闻犬吠，风雪夜归人。

……

“铃──”下课铃响了，学生意犹未尽地站了起来。我趁热打铁说：“同学们，写冬的诗句很多，写四季的诗句则更多，而书中仅各选了一首，是不是显得太少了。下课后，大家分组去找一找，并总结归纳一下，看哪个组找得多……”

“老师，我觉得散文中也有写四季的，而且写得很美，我们组也找一找，好吗？”

学生的话提醒了我：四季本是丰富多彩的，写四季的文章又何尝不是多彩的。我不妨利用这个单元开展一次语文综合实践活动。一个小小的创意在我心头油然而生。

“同学们，本周的活动课，咱们相约开展四季风采赛，怎么样？”“好！”

欢呼声响彻教室。

【准备】老师，这堂课让我们自由活动吧。

星期四下午，又是活动课。

我们相约分头收集整理描绘四季的诗词、散文及成语。由语文科代表组织商量后，全班拟订出本次活动的板块：

1.班级分组，分成4组（春、夏、秋、冬各1组），小组分头活动。

2.利用去图书馆、上网等方式查阅有关资料。

3.组织、整理并讨论小组收集的资料，诵读品味语言之美。

4.制作摘记卡。

5.小组合作设计板块式壁报。

各小组碰头商量了一下，便小鸟般飞出了教室，仅留下沉思的我：学生拥有了主动性就拥有了活力，也就拥有了创造力。充分发挥学生的主动探究、主动学习、合作探究的积极性，才是作为教师的我所必须做的。

【准备】老师，谁来做主持人呢？

第二天晚读课，有学生提出做主持人的问题。于是，我帮他们设计了第二大板块：竞选主持人。我做了以下准备：

1.布置黑板：写上“主持人大赛”5个字，并配以插图，让黑板也展示美。

2.按抽签的方式进行比赛，语文老师兼主持人，让语文老师的主持艺术直接影响学生，激起他们的表现欲望。

3.邀请其他语文老师做本场比赛的评委。

夜幕渐渐降临，而竞选主持人的比赛还进行着，教室里的掌声此起彼伏。我知道，我已把学习语文的种子播洒在学生的心田。

【过程】“我爱多彩的四季”语文综合实践活动课展示

教室里充满了“欢乐颂”的旋律，在一段优美的伴奏中，主持人小南缓缓走入布置好的会场中。在她身后的黑板上，画着4个大红灯笼，“春、夏、秋、冬”4个字刻在红灯笼上，更显得耀眼夺目。旁边，小画家小晨还精心设计了几枝红梅。虽已深秋，有点寒意，但教室里却春意浓浓。一切按计划进行。

主持人：同学们，“春游芳草地，夏赏绿荷池。秋饮黄花酒，冬吟白雪诗。”四季景色千姿百态，美不胜收。春花秋月，夏云冬雪，有多少诗人曾陶醉于美的意境之中，多少词人曾为之挥笔抒情。“万紫千红总是春”、“五月榴花照眼明”、“霜叶红于二月花”、“梅雪争春未肯降，骚人搁笔费评章”。世上不是缺少美，而是缺少发现美的眼睛。这一个星期以来，我们用自己的眼睛去寻找美，用笔描绘美，现在，该是展示的时候了，大家准备好了吗？

主持人：今天的活动分为7大板块：

1.各小组交流写四季的诗词；

2.各小组汇报本组收集的有关四季的成语；

3.各组代表诵读名家的散文，其他同学加以评价；

4.各组展示本组的绘画作品，并用一段文字加以描绘；

5.小组评议，哪组说得最好，并说说理由；

四季的诗句范文第4篇

[关键词]数据 搜集 整理 统计 动机 方法 活动 经验 思想

[中图分类号] G623.5 [文献标识码] A [文章编号] 1007-9068（2016）11-034

数学教学中，如何才能有效发展学生的数据分析观念，使学生具备一定的统计能力呢？笔者认为，在“数据的收集与整理（二）”教学中，教师应做到以下几点。

一、激发参与动机，体验统计必要

实践证明，要想让学生积极思考，深入探究学习，所学的内容就必须具备吸引人和有需求这两个特点。因此，教师在教学中要善于采取有效的策略，使学生体验到统计的必要性，这样学生参与学习的欲望才会更强烈。

教学片断：

师：同学们，你们喜欢到游乐场玩吗？想坐摩天轮吗？（喜欢）最近游乐场开展了6～12岁儿童生日当天凭借有效证件免费坐摩天轮的活动，你们想参加吗？（想）那你们知道我们班同学几月份参加这个活动最省钱吗？

生1：那就需要知道哪个月出生的人数最多。

师：怎样才能知道这个结果呢？

生2：每个人把自己的出生日期写下来，交给班长统计。

生3：可以让同学们分工统计，如有人统计1月份出生的人数，有人统计2月份出生的人数，有人统计3月份出生的人数……

师：大家的方法都很好。那么，有没有一种简便、快速的统计方法呢？

生4：可以让每个小组分别承担统计任务，明确分工以后，把统计出的数据进行汇总就行了。

……

【分析与思考：上述教学中，教师从游乐场游玩这个话题引入，有效激发了学生的学习兴趣，使学生体验到统计的必要性，产生强烈参与探究的欲望。】

二、亲身参与活动，积累统计经验

史宁中教授说过：“只有亲身经历，才能获得丰富的经验。”因此，在统计的教学中，各种数据的获得教师都要让学生亲自去收集、去研究、去总结，这样不仅能使学生学到数学知识，而且可以让学生积累必要的数学活动经验。

教学片断：

师：刚才大家提出了小组分工统计的方法，那么，怎样安排统计才更合理呢？

生5：一年有12个月，把这12个月根据小组的个数进行平均分配，最后把各组统计的结果收集起来，再进行汇总。

师：说得不错。那么，你知道在这个收集、汇总的过程中，需要注意些什么吗？请大家先以小组为单位完成统计，最后交流应该注意的事项。

生6：小组在统计时要有专人负责，如有人说、有人记录、有人检查等，以保证数据收集的准确性。

生7：小组成员完成收集统计结果后，后面的就交给汇总人员，汇总人员需要注意有人记录、有人读、有人检察，以防出错与遗漏。

……

【分析与思考：上述教学中，教师把收集数据的任务让学生亲自动手完成，并让学生把自己的汇总结果说一说。这样教学，不仅帮助学生学会了数学知识，而且使学生积累了基本的数学活动经验，提高了教学效果。】

三、注重方法渗透，感悟统计思想

新课标在统计教学方面更着眼于数据的分析，直指统计教学的核心。因此，在统计的教学中，教师不仅要让学生掌握统计的方法，还要引导学生学会对数据进行分析，注重方法渗透，使学生在运用中感悟统计思想。

教学片断：

师（多媒体显示统计结果）：看来，分组统计的方法的确可以帮助我们大大节省了时间，有效提升统计的效率。现在大家一起来看看统计的结果。你们瞧，同样是统计，大家统计的结果为什么不一样呢？

生8：因为统计的对象不同，所以统计的结果就不同。

师：这个结果一定会不同吗？

生9：不一定，应该根据具体的情况和统计结果进行汇总。

师：那么，从这个学习过程中，你明白了什么？

生10：在进行数据的收集与整理时，要具体问题具体分析，且收集的数据要力求准确，这样才能确保统计的数据无遗漏、无差错。

……

【分析与思考：上述教学，教师引导学生学会从数据汇总中发现问题、总结规律，这样不仅使学生明白在数据统计与整理方面应该注意的问题，而且有效提升了学生的数据分析能力。】

四季的诗句范文第5篇

关键词： 局部二值模式； 人脸识别； 纹理特征； 空域信息

中图分类号： TN919?34 文献标识码： A 文章编号： 1004?373X（2014）22?0030?04

Face recognition based on local quaternize pattern

YUN Nan， FENG Zhi?yong

（Tianjin University， Tianjin 300072， China）

Abstract： As a classic description method of texture features， local binary pattern （LBP） has been widely used in fields of texture classification and face recognition. However， the existing algorithms do not make full use of the surrounding spatial information but only exploit a circular neighborhood. To overcome the disadvantage， a novel descriptor which applies differential structure information between different circular neighborhoods to do joint description is proposed. It has four possible values at each coordinate in the circular neighborhood. Thus the model is called local quaternize pattern （LQP）. Extensive experiment results on a popular face recognition dataset FERET show the effectiveness of the proposed method.

Keywords： local binary pattern； face recognition； texture feature； spatial information

0 引 言

局部二值模式（LBP）作为经典的纹理特征描述方法广泛应用于纹理分类[1?3]和人脸识别[4?5]等领域。该特征算子不仅简单高效，而且对图像整体灰度单调变化具有鲁棒性。其原因在于LBP并非从单一像素点的角度来描述纹理，而是用一个局部区域的模式来进行描述图像的微观结构，例如微点、微线、微斑点、微折线等。由于这种微结构很好地刻画了图像中的微纹理，因而具有较强的判别和区分能力。

近年来，大量的针对LBP局部微观结构改进的算法被提出。例如，Liao等人通过实验统计来选择局部微结构中的主要结构，从而提出了主要局部二值模式（Dominant LBP）算子[6]。Zhang等人提出了局部衍生模式（Local Derivative Pattern， LDP），使用多种形状的微结构模板来提取高阶的LBP信息[7]。这样，LBP实际上就是LDP的局部一阶偏导模式。Tan和Triggs通过设定阈值将邻域与中心相似的状态作为一种中间态[8]，扩展局部邻域关系为三种状态，并提出了局部三值模式（Local Ternary Patterns，LTP），对光照变化有较好的鲁棒性。Guo等人深入地分析了LBP中局部邻域点与中心点灰度差值的计算过程，指出LBP方法表示的局部二值关系对应着差值的符号信息[3]。通过分别利用差值的符号信息和幅值信息计算局部二值模式，提出了一套新的完整的图像描述模型（Completed Modeling of Local Binary Pattern，CLBP）。在CLBP中，图像的局部区域由局部差分符号?幅度变换（LDSMT）来表示。为了使符号部分和幅度部分那部分信息更能够表征局部差分值，将局部差分值由符号部分和幅度部分分别进行重建。

在人脸识别方面，LBP算子也表现出了不错的性能。例如，Ahonen等人将人脸图像划分为几个互不重叠的区域，并分别求取其LBP直方图，然后将各区域直方图连接起来作为人脸的特征[4]。张文超等人将LBP与Gabor小波相结合，提出了基于Gabor直方图序列的人脸识别方法[5]。Zhang等人提出了一种级联LBP人脸识别方法，通过改变局部区域的位置和窗口大小提取LBP特征集，并采用AdaBoost级联学习的方法选择LBP特征[9]。Jin等人提出了一种改进的LBP算子，该算子将局部形状和纹理信息相结合，并采用多元高斯混合模型建立人脸模型，用贝叶斯分类器进行人脸识别[10]。

1 局部二值模式介绍

对于一幅给定的图像，定义纹理描述符号T为纹理图像中某一像素点[gc]与周围邻域的[P]个像素点之间的联合分布：

[T=t（gc，g0，...，gP-1） ] （1）

式中：[gc]是邻域中心像素点的灰度值，[gp（p=0，1，2，…，P-1）]是以中心像素点为圆心，[R（R>0）]为半径的圆形邻域上均匀分布的[P]个坐标点处的灰度值，[gp]的坐标为[（-Rsin（2πpP），Rcos（2πpP））]。

假设图像的差值[gp-gc]独立于[gc]，则可以将纹理描述符T表示为：

[T≈t（gc）t（g0-gc，g1-gc，...，gP-1-gc） ] （2）

为了使图像描述子具有图像灰度值平移不变性，只考虑局部圆形邻域的像素的灰度值与中心像素的灰度值之间差值的符号部分，此时纹理描述符号T可以近似等于：

[T≈t（s（g0-gc），s（g1-gc），…，s（gP-1-gc）），s（x）=1， x≥00， x

当为每个[s（gp-gc）]分配一个系数[2p]时，式（3）可以变成一个刻画图像局部纹理空间结构的局部二值模型：

[LBPP，R=p=0P-1s（gp-gc）2p ] （4）

从式（4）中可以看出：局部二值模型反映了局部邻域的像素的灰度值被中心像素点的灰度值二值化。在得到图像每个像素点的LBP之后，可以计算该图像的LBP特征直方图，其公式如下：

[H（k）=i=1Ij=1Jf（LBPP，R（i，j），k）， k∈[0，K] ，f（x，y）=1， x=y0， otherwise ] （5）

式中[K]表示LBP模型的最大值。

当图像旋转时，p坐标点的灰度值[gp]将在以[gc]为圆心，R为半径的圆周上移动。然而，[g0]总是对应着以[gc]像素为中心，坐标为[（0，R）]的位置，因此，当旋转图像时，[g0]的值将会发生改变，[LBPP，R]将会随之发生改变。为了消除旋转的影响，Ojala等人对[LBPP，R]进行了改进[2]，定义一种具有旋转不变性的LBP，即[LBPriP，R]：

[LBPriP，R=min{ROR（LBPiP，R）i=0，1，2，…，P-1} ] （6）

式中：[ROR（x，i）]表示将[x]循环右移i比特位。可知当P=8时，[LBPri8，R]共有36个不同的取值，即有36种基本模型。在基本LBP模型中，一些特定的二进制模型是基本LBP模型的基础，起主导作用。通过实验发现，这些特定的LBP模型相比其他的LBP模型出现的几率要高，有时甚至高达90%，这些基础的LBP模型称作均匀模型。这些均匀模型有一个共同的特性，这个特性就是其二进制编码的空间跳变次数较少。

2 所提出的局部四值模式

通过上面的分析，不难发现现有LBP特征描述子仅利用周围一个圆形邻域的信息，并没有充分利用到周围邻域的信息。基于此问题，本文提出了一种更加充分地利用圆形邻域周围信息，区分力更强的图像描述子。基本思想是针对现有LBP仅仅使用图像中某一像素点与其圆形邻域的微分信息的不足，在其基础上进一步利用不同圆形邻域之间的微分信息，然后将两种微分信息进行联合，从而得到更具有区分力的特征描述子。

对于图像中某一个像素点，取其两个半径不同的圆形邻域，其半径分别设为RS和RB，圆形邻域上P个均匀分布的点。当P=8时，两个半径不同的圆形邻域的情况如图1所示。

图1 不同半径的圆形邻域

首先，求出中心像素点与圆形邻域RS之间的差值。同LBP一样，只取符号部分，则圆形邻域RS上每个坐标点位置处对应的二元取值可以表示为：

[BSC（p）=sgSp-gp， s（x）=1， x≥00， x

然后，将圆形邻域RS和圆形邻域RB之间的灰度信息进行比较，以便得到邻域间相关位置处对应的二元取值，结果表示如下：

[BBS（p）=sgBp-gSp， s（x）=1， x≥00， x

接着将[BSC（p）]和[BBS（p）]联合在一起，形成一种对局部纹理描述更深刻的描述子[LQP]：[LQPP，R=p=0P-12BSC（p）+BBS（p）2p =p=0P-12s（gSp-gc）+s（gBp-gSp）2p， s（x）=1， x≥00， x

从式（9）中可以看出中心像素点的圆形邻域上每个坐标点取值有四种可能，即00，01，10，11，如图2所示。图中四种不同颜色表示4种不同的取值情况。由于该模型圆形邻域上每个坐标处有4种不同可能的取值情况，因此将这种模型称为局部四值模式（Local Quaternize Pattern，LQP）。

图2 LQP模型

由于LQP的比特位数是LBP的比特位数的两倍，如果直接使用LBP相同的方式建立相关的查找表，其输出值的个数将会很大，从而导致形成的图像特征直方图的维度较高。同时，对于LQP中两种微分信息而言，中心像素与较小邻域间的差分信息比较大邻域与较小邻域间的差分信息更重要。基于上述两种原因，使用以下方法建立LQP的特征直方图。

首先，根据圆形邻域RS的LBP划分方法将[BSC（p）]形成的P比特二进制数[BSC]划分成N1个bins，其中N1-1个bins为归一化的bins。按照相同的方法，将[BBS（p）]形成的P比特二进制数[BBS]划分成N2个bins，同样，其中N2-1个bins为归一化的bins。然后，对于[BSC]属于归一化的情况，将它与[BBS]进行异或运算形成一个新的P比特的二进制数[BBSC]；对于[BSC]不属于归一化的情况，不管[BBS]取何值，都将这些情况归为一类情况。

接着，定义一个变量[U（BBSC）]，它表示[BBSC]的空间跳变次数。当[BBS]属于N2-1个归一化的情况时，将[U（BBSC）≤2]的情况归为一类，将[U（BBSC）>2]的归为一类；当[BBS]不属于N2-1个归一化情况时，将[U（BBSC）=2]的情况归为一类，将[U（BBSC）≠2]的情况归为一类。这样，[BSC]中的N1-1个归一化情况的每种情况将会扩展为4种，总共有[4（N1-1）]种情况。最后，将得到LQP的2P比特组成的二进制数的查找表，这个查找表共有[4（N1-1）+1]个输出值。利用这个查找表，便可以得到图像的LQP描述子的图像直方图。

使用LGP进行图像模式分类的过程如图3所示。算法分为训练部分和测试部分。训练部分的主要目的是为了得到大量有关样本的相关特征，以便与测试样本的相关特征进行对比，进而将测试样本划归到与它相似度最高的样本所属的类中去。具体地，对于一个测试图像样本，首先从图像中提取特征。然后计算特征的直方图。将该直方图与训练样本中的直方图特征进行对比，得到训练训练样本特征和测试样本特征之间的相似度度量值。根据度量值的大小，利用最近邻分类原则，将测试样本分类为对应的类别并输出该类别的类别标签。在相似度测量上，本文使用基于卡方距离的相似度测量的方法。

图3 基于LGP的图像模式分类框架图

3 人脸识别实验

实验采用FERET数据库[11]进行人脸识别性能的测试，该数据库是目前世界上最权威的人脸数据库，是由美国国防部项目支持的。它是一个使用十分广泛的被用来评估人脸识别算法的数据库，该数据库包含1 199个人的14 051幅在不同的光照条件、表情、姿态以及不同时期的人的人脸图像。该人脸数据库分为训练集、原型图像集和不同的测试集，其训练集分别为fa（正常的人脸表情）和fb（变化的人脸表情）；原型图像集则包含1 196个人的正面图像；测试集分为4个，分别为fb、fc、DupI和DupII。总的来看，FERET数据库包含下面5个子集：

fa子集：用作字典集，它包含了1 196个人的正面图像；

fb子集（1 195张图像）：相对于fa子集而言，该子集存在一定的表情变化；

fc子集（194张图像）：相对于fa子集而言，该子集存在一定的光照变化；

Dup I子集（722张图像）：该子集的图像是在fa子集的图像拍摄一定时间后进行拍摄的；

DupⅡ子集（234张图像）：DupI的子集，该子集的图像的拍摄时间相对于fa子集中的其他图像的拍摄时间至少晚1年。实验中将fa作为字典集，其余4个子集作为测试集，以测试描述子在不同条件下人脸识别的性能。由于FERET的图像是人的上半身照片，需要将它进行裁剪以得到只包含人脸部分的图像。在实验中对图像进行归一化，统一裁剪成大小为128×128的图像。

为了验证所提方法的有效性，将所提LQP算法与文章[4]提出的使用LBP的方法进行对比。同文献[4]中对人脸进行分块计算特征一样，本文也将使用这种方法计算人脸的特征。在人脸识别的过程中，将人脸图像分成[R1，R2，…，Rm]个子区域，以便增加图像的空间信息，使识别的准确率更高。图4给出了人脸图像被分别分成[7×7，5×5，3×3]个子矩形区域的示意图。首先，分别计算每个子区域的描述子特征直方图；然后，将这些直方图连接在一起，形成描述子关于人脸图像的特征直方图。

图4 人脸图像分解成[7×7，5×5，3×3]个子矩形区域

在实验过程中，改变子矩形区域的个数，LQP的两个圆形邻域半径RS和RB的大小以及圆形邻域上像素点的个数，观察描述子的相关规律。

表1为LQP和LBP在FERET人脸数据库上的实验数据。在表1中，（8，2），（8，3）分别表示中心像素点圆形邻域S的半径为2、圆周上取8个坐标点，中心像素点圆形邻域B的半径为3、圆周上去8个坐标点；LBP表示[LBPu28，2]，即归一化的LBP；LBP2表示[LBPu28，2]和[LBPu28，3]的直方图连接在一起；[（n×n），n=4，5，…，9]表示将大小为128×128的人脸图像分成[n×n]个子区域，分别求出每个子区域的直方图，然后连接它们。在表1中，加入了图像描述子LBP2的主要目的是观察当原始LBP描述子利用与LQP描述子相同的邻域信息时，LBP2的性能与LQP的性能谁更好，以更有效地证明LQP描述子的正确性。从表1中，可以得出以下结论：

（1） 总体来看，LQP描述子人脸识别的正确率相对于LBP和LBP2的人脸识别的正确率要高。但是在不同的情况下，LQP性能的提升不同，例如，对于探测集fb而言，LQP性能的提高不如其他探测集，这可能是因为LQP的区分力更强，它在一定程度上会将表情的变化当做干扰因素。但是，从整体上看，LQP描述相对于LBP描述子具有更好的人脸识别性能。

（2） 当人脸被划分成[n×n]个子区域时，由于增加了图像的空间信息，相关图像描述的人脸识别性能得到大幅提升。但是，随着n的进一步增大，由于子区域过小，不同图像对应的相同子区域所含的相同信息过少，其性能将会逐渐变差。由表1可以看出当n取8时，LQP描述子的性能基本达到最优。

4 结 语

针对现有LBP特征算子没有充分利用周围邻域的信息的不足，提出一种利用不同圆形邻域之间的微分信息进行联合描述的特征描述子，称为局部四值模式（Local Quaternize Pattern，LQP）。LQP通过在LBP的基础上引入二阶信息和邻域多值信息增强了邻域信息的利用能力。通过在人脸识别数据库FERET上的大量实验，证明了所提算法的有效性。LQP的不足之处在于不能够应对人脸光照、表情等因素的剧烈变化等情况，这也是人脸识别中的挑战性问题。因此，未来工作将集中于如何设计对光照等更加鲁棒的LQP特征算子。

参考文献

[1] OJALA T， PIETIK?INEN M， M?ENP?? T. Multiresolution gray?scale and rotation invariant texture classification with local binary patterns [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2002， 24（7）： 971?987.

[2] OJALA T， PIETIK?INEN M， HARWOOD D. A comparative study of texture measures with classification based on featured distributions [J]. Pattern Recognition， 1996， 29（1）： 51?59.

[3] GUO Z， ZHANG L， ZHANG D. A completed modeling of local binary pattern operator for texture classification [J]. IEEE Transactions on Image Processing， 2010， 19（6）： 1657?1663.

[4] AHONEN T， HADID A， PIETIK?INEN M. Face recognition with local binary patterns： application to face recognition [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2006， 28（12）： 2037? 2041.

[5] 张文超，山世光，张洪明，等.基于局部Gabor变化直方图序列的人脸描述与识别[J].软件学报，2006，17（12）：2508?2517.

[6] LIAO S， LAW M， CHUNG A. Dominant local binary patterns for texture classification [J]. IEEE Transactions on Image Processing， 2009， 18（5）： 1107?1118.

[7] ZHANG Bao?chang. GAO Yong?sheng， ZHAO San?qiang， et al. Local derivative pattern versus local binary pattern： face recognition with high?order local pattern descriptor [J]. IEEE Transactions on Image Processing， 2010， 19（2）： 533?544.

[8] TAN X， TRIGGS B. Enhanced local texture feature sets for face recognition under difficult lighting conditions [J]. IEEE Transactions on Image Processing， 2010， 19（6）：1635?1650.

[9] ZHANG G， HUANG X， LI S， et al. Boosting local binary pattern （LBP）?based face recognition[C]// Proceedings of Advances in Biometric Person Authentication： 5th Chinese Conference on Biometric Recognition. Cuangzhou， China： [s.n.]， 2004： 179?186.