[发明专利]一种改进LBP和轻量卷积神经网络级联的人脸识别方法

说明书

本发明涉及一种改进LBP和轻量卷积神经网络级联的人脸识别方法，提供：对齐分区局部二值模式初次识别测试单元，APLBP与轻量化卷积神经网络级联的二次识别测试单元，APLBP识别测试单元，轻量化卷积神经网络并行流水线模块加速单元，计算平均识别率单元。将采集的人脸图像划分为主要区域和次要区域，对于人脸图像的主要区域与次要区域，提取中心点LBP像素特征值；通过级联的关系对APLBP识别并提取出的相似图像再加入轻量级卷积神经网络进行二次识别。充分融入了APLBP算法的速度优势和轻量化卷积神经网络的精度优势，通过对轻量化卷积神经网络的卷积层中耗时大的矩阵乘加运算使用并行模块进行加速，从而达到速度和准确率的双向提升。

技术领域

本发明涉及人脸识别技术领域，特别是一种改进LBP和轻量卷积神经网络级联的人脸识别方法。

背景技术

人脸识别技术现今正逐步走向成熟，其在动车进站、餐厅付款等场合已经开始大规模使用，但其在算法、识别时间和识别效率方面仍有待改进。

现有的人脸识别算法有基于人脸特征点的识别算法，基于神经网络的人脸识别算法，基于 LBP(局部二值模式)的人脸识别算法等。基于神经网络的人脸识别算法现在出现的有很多种，几乎都是基于卷积神经网络来设计的，卷积神经网络其主要包括以下几个层级，输入层、卷积层、池化层、全连接层和softmax层。目前主流的卷积神经网络有Alexnet、VGG-Face和DeepID，虽然目前通过深度学习应用卷积神经网络在人脸识别方面都取得了很好的效果，但是其伴随的网络都非常深和复杂，模型都非常的庞大，对硬件资源的消耗也很巨大，对嵌入式端来说是非常不适用的。而基于LBP的人脸识别算法，其运用到的是对图像纹理特征的提取，使得光照对识别的影响降得很低，但其算法缺点也很多仍有很多待改进的地方。

相较之下此方法及装置将改进的LBP算法和轻量级卷积神经网络LCNN进行级联，不但能够提高人脸识别的速度，还能利用LCNN其以一个较小的模型得到不错的识别率的优点将之运用在嵌入式端既能合理的运用硬件资源还能得到不错的硬件加速效果，同时在嵌入式端做进一步的改进，通过使用ARM+FPGA的板子(如zynq系列)，图像的采集和预处理在ARM上完成，而在FPGA上做可以并行流水线处理的部分，并在神经网络的卷积层做运算加速。

发明内容

本发明的目的在于提供一种改进LBP和轻量卷积神经网络级联的人脸识别方法，以克服现有技术中存在的缺陷。

为实现上述目的，本发明的技术方案是：包括：一种改进LBP和轻量卷积神经网络级联的人脸识别方法，也即，一种基于改进LBP和LCNN(Lookup-based ConvolutionalNeural Network) 级联的人脸识别方法，提供：

对齐分区局部二值模式初次识别测试单元，用于划分人脸的主要区域和次要区域，通过采用APLBP算法计算人脸图片的APLBP像素特征值，并通过计算人脸相似度的度量值进行第一次识别，得到多张相似的人脸图片；

APLBP与轻量化卷积神经网络级联的二次识别测试单元，用于对经所述对齐分区局部二值模式初次识别测试单元得到的人脸图片，通过级联的方式，在轻量化卷积神经网络进行卷积池化处理提取特征，并根据计算人脸相似度所获取的度量值进行比较，识别出最佳匹配人脸；

轻量化卷积神经网络并行流水线模块加速单元，用于对轻量化卷积神经网络中的各个卷积层中的卷积做并行运算，以加快操作速度；

计算平均识别率单元，通过计算所有测试集的识别率，加权求得总体样本的平均识别率，输出人脸检测结果。

优选地，还包括如下步骤：