[发明专利]一种基于CLBP和卷积神经网络的人脸识别方法

权利要求书

1.一种基于CLBP和卷积神经网络的人脸识别方法，该方法首先对图像进行预处理，然后使用CLBP算法提取纹理特征，输入卷积神经网络训练模型，具体包括如下步骤：

步骤1，对所有的训练样本和测试样本进行预处理，使图像大小统一为N*N；

步骤2，将处理好的图像输入CLBP算法中进行纹理特征提取；

步骤3，将提取的训练样本CLBP特征作为卷积神经网络的输入进行训练，所述卷积神经网络包括依次连接的卷积层C1、池化层S2、卷积层C3、池化层S4、卷积层C5、池化层S5、全连接层FC7、全连接层FC8以及分类层Softmax；

步骤4，将测试样本的CLBP特征值输入到训练好的卷积神经网络中，通过Softmax进行分类识别。

2.根据权利要求1所述的一种基于CLBP和卷积神经网络的人脸识别方法，其特征在于：所述的步骤2中CLBP算法特征提取的具体步骤如下：

CLBP具有3个描述子：中心描述子CLBP_C、符号描述子CLBP_S和大小描述子CLBP_M，局部差分符号数值变换如下所示：

d_p＝s_p×m_p

m_p＝|d_p|，

其中，d_p是图像中邻域像素和中心像素的差值，s_p是d_p的符号，m_p是d_p的大小，描述子CLBP_S和原始的LBP编码是一致的，只是将编码值“0”变成了“-1”，其余的两个描述子CLBP_M、CLBP_C计算方法分别为：

CLBP_C_P，R＝t(g_c，c_I)，

其中c是自适应阈值，这里c的值被设定为m_p的均值，g_c表示中心像素灰度值，c_I表示整幅图像灰度的平均值，即通过比较中心像素与全图平均像素值的大小来进行二进制编码。

3.根据权利要求1所述的一种基于CLBP和卷积神经网络的人脸识别方法，其特征在于：步骤3中，卷积层C1包括20个卷积核，卷积核大小为30*30；卷积层C3包括20个卷积核，卷积核大小为7*7；卷积层C5包括20个卷积核，卷积核大小为4*4，池化层S2采用28*28最大池化，池化层S4采用7*7最大池化，池化层S6采用2*2最大池化。

4.根据权利要求3所述的一种基于CLBP和卷积神经网络的人脸识别方法，其特征在于：所述步骤3的具体实现包括如下子步骤：

步骤3.1，将提取到的CLBP纹理特征作为卷积神经网络的输入；

步骤3.2，输入提取的CLBP特征值后，首先进行卷积计算，卷积层C1通过20个卷积核最终得到20个特征图谱f₁，卷积核大小为30*30；C3通过40个卷积核得到40个特征图谱f₃，卷积核大小为7*7；C5通过60个卷积核得到60个特征图谱f₅，卷积核大小为4*4，卷积处理的具体操作如下：

式中，M为卷积神经网络的层数，p为i的最大值；q为j的最大值；表示第j层的输出，其中j的最大层q为M层；表示第i层的特征图谱，其中i的最大层p为M-1层；为连接i,j层的卷积核，最大连接到M层，为j层的偏置，其中j的最大层q为M层；f(·)为激活函数，激活函数选择为ReLU函数；

步骤3.3，将卷积层得到的特征图谱输入到下一层的池化层，进行最大池化采样，计算公式如下，

y^(l)＝down(y^(l-1))

式中，down为采样函数，y^(l)表示在第l层池化层上得到的采样值，在2*2的范围内采样出最大的元素；

步骤3.4，经过池化层S2，S4，S6后得到特征值f₂，f₄，f₆，将它们与CLBP特征进行级联融合，最终得到人脸特征f_融合，将f_融合输入到softmax分类器中；

步骤3.5，通过softmax分类器计算概率，根据概率值估计输出分类的概率。