1.交叉驗證 有時亦稱循環估計， 是一種統計學上將數據樣本切割成較小子集的實用方法。於是可以先在一個子集上做分析， 而其它子集則用來做後續對此分析的確認及驗證。 一開始的子集被稱爲訓練集。而其它的子集則被稱爲驗證集或測試集。交叉驗證的目標是定義一個數據集到“測試”的模型在訓練階段，以便減少像過擬合的問題，得到該模型將如何衍生到一個獨立的數據集的提示。
2.LBP(local binary pattern)局部二值模式 它是一種紋理描述算子，主要在聲音和圖像上有較好的應用，比如對圖像上的點p0（i，j），對於臨近的8個像素按照逆時針或者順時針排列，紛紛與之比較，若大於p0，則爲1，若小於則爲0，然後得到一個8位的二進制數，可轉化成一個十進制整數值，作爲LBP的值。
但是由於實時拍照時，圖像可能會運動，此時隨着8個像素因旋轉而變化使得LBP值變化，爲了得到旋轉不變的LBP算子，對圖進行降維，降維的實質是對二進制模式循環移位，然後取最小值LBP做爲LBP值，此時更具有魯棒性。
局部二值模式特徵向量可以通過如下方式計算：
- 將檢測窗口切分爲區塊（cells，例如，每個區塊16x16像素）。
- 對區塊中的每個像素，與它的八個鄰域像素進行比較（左上、左中、左下、右上等）。可以按照順時針或者逆時針的順序進行比較。
- 對於中心像素大於某個鄰域的，設置爲1；否則，設置爲0。這就獲得了一個8位的二進制數（通常情況下會轉換爲十進制數字），作爲該位置的特徵。
- 對每一個區塊計算直方圖。
- 此時，可以選擇將直方圖歸一化；
- 串聯所有區塊的直方圖，這就得到了當前檢測窗口的特徵向量。
此特徵向量可以通過諸如支持向量機等機器學習算法來產生一個分類器。
一個有效的擴展被稱爲“等價模式”，可用於對特徵向量降維，以及實現簡單的旋轉不變算子。其主要根據是一些模式比另一些模式更加常見。當某個LBP只包含從0到1或從1到0的最多兩次跳變時，該LBP被定義爲一個等價模式。例如，00010000（2次跳變）是一個等價模式，01010100（6次跳變）不是。在計算LBP的直方圖時，對於每一個等價模式都各有一個組（bin），而所有非等價模式都被歸類到一個單獨的組中。使用等價模式，一個區塊的特徵長度能從256降到59。
但是LBP算子的方向信息還有待解決。
