[发明专利]基于LBP和深度学习的人脸识别方法

说明书

本发明涉及了一种基于井字形LBP和深度学习相结合的人脸识别方法，属于人工智能技术领域，针对传统局部二值模式(LBP)特征提取不充分和分类器拟合的问题，提出一种基于局部纹理特征的井字形局部二值模式(LBP)和深度学习的人脸识别方法，利用改进的LBP算法提取人脸图像局部纹理特征，建立LBP直方图；然后构建基于深度信念网络的深度学习架构，将LBP直方图输入到深度信念网络中，采用无监督逐层训练法和有监督BP算法去训练网络，实现网络的自学习和自优化，得到网络参数；最后，利用DBN分类、识别人脸图像。本发明能够提取到具有区分性的人脸图像纹理特征，验证了该算法在识别率的优越性并且具有较强的鲁棒性。

技术领域

本发明涉及人工智能技术领域，具体的说，是涉及一种基于LBP和深度学习的人脸识别方法。

背景技术

人脸识别是一种基于人脸面部特征的身份识别技术，受到了来自各个领域的极大的瞩目。近年来，基于深度学习思想的方法得到了极大的发展和应用，在计算机视觉和物体识别等研究领域中取得了突破性的成果，为计算机科学向智能化方向发展提供了算法上的支持。目前深度学习的方法被越来越多的研究者引入到人脸识别相关研究领域中，取得了诸多令人满意的成果。2006年，Hinton提出DBN算法，是一种具有代表性的深度学习方法，其优点是有较强的函数表征能力，已成功应用于手写数字识别、动态人体检测等诸多领域。局部二值模式(LBP)是由Ojala等提出的一种有效纹理描述子，能够刻画出人脸图像的亮点、暗点、边缘等局部微模式及其分布情况，且计算简单、运算速度快，具有光照和旋转不变性。LBP算子在动态纹理识别表情分析、人脸识别等方面得到广泛应用。

申请公布号CN 105550658 A的发明专利公开了一种基于高维LBP与卷积神经网络特征融合的人脸对比方法，该方法比单独使用高维LBP或CNN能够得到更高的准确率，更好的鲁棒性，能够达到实时人脸比对的速率。申请公布号CN 105139426 A的发明专利公开了一种基于非下采样小波变换和LBP的视频运动目标检测方法，具有变换的平移不变性的优点，同时降低了计算的复杂度提高了运算速度。但是，以上专利在识别准确率方面取得的结果尚不尽如人意。

发明内容

针对传统局部二值模式(LBP)特征提取不充分和分类器拟合的问题，本发明提供一种有利于提取人脸图像更有用的纹理信息的基于LBP和深度学习的人脸识别方法。

本发明所采取的技术方案是：

一种基于LBP和深度学习的人脸识别方法，包括如下步骤：

对人脸图像训练样本进行分块处理，采用经典的均匀分块方式，对图像分块太大例如4×4，会包含一些干扰和噪声影响分块效果，对图像分块太小例如16×16，会加大相邻区域的阈值，影响特征表达效果，所以样本分块为8×8。

对人脸图像训练样本进行分块处理，将样本分块为8×8，采用井字形LBP提取每一个子块的井字形LBP直方图，将每个子块的直方图首尾相连形成样本总体直方图；

将训练样本的井字形LBP特征输入到DBN的可视层，训练第一个RBM，将第一个RBM的输出作为第二个RBM的输入训练第二个RBM，重复该过程直到训练完所有的RBM，以获取最优网络参数，用BP算法微调整个网络参数。

所述井字形LBP是在8个采样点的原始LBP基础上拓展为16个采样点的井字形LBP，具有更广的采样范围，能够提取到更有用的人脸图像纹理信息。

计算井字形LBP编码值公式是：

X_i是内层的采样点，Y_i是外层的采样点。

将样本的井字形LBP特征向量输入到DBN的可视层，逐层训练DBN，避免深度网络对于不利信息的处理，最后完成对人脸图像的分类识别。

本发明相对现有技术的有益效果：