[发明专利]一种基于CLBP和卷积神经网络的人脸识别方法

说明书

本发明公开了一种基于CLBP和卷积神经网络的人脸识别方法，全面考虑了特征的鲁棒性、可辨别性和代表性，去除了影响不大的冗余信息，明显提高了人脸识别的准确性。主要步骤为通过CLBP算法提取人脸图像的纹理特征，将得到的特征作为卷积神经网络的输入，经过卷积池化处理后，在全连接层中将提取的特征进行级联融合，最后利用Softmax分类器分类识别。本发明与传统的人脸识别方法相比，能够更加高效的解决实际问题，具有一定的实用价值。

技术领域

本发明属于数字图像处理的应用领域，具体涉及一种基于CLBP(completed localbinary pattern CLBP)和卷积神经网络的人脸识别方法。

背景技术

随着社会的发展以及技术的进步，人们对快速、高效的自动身份验证的要求日益迫切，生物识别技术在科研领域得到了极大的重视和发展。在人与人的接触中，人脸所包含的视觉信息占据了重要地位，它无疑是区分人与人之间差异的最重要特征之一。人脸识别属于计算机科研领域的一项热门技术，它是一种基于生物特征的识别技术，利用计算机从图像或图像序列中检测出人脸，并判断其身份。

随着人脸识别应用越来越广泛，人脸识别技术将面临越来越多的挑战，对其稳定性和精度要求也越来越高。所以如何有效的解决人脸识别技术难题，使其具有强鲁棒性、高识别率、规模巨大的人脸识别系统具有十分重要的意义。

人脸识别平常分为三个部分：人脸检测、特征提取、人脸验证。人脸特征提取在全部人脸识别过程当中相当关键，它决定人脸验证结果的优劣。其中，基于局部二值模式(LBP)特征的方法运算速度快，并且能有效地描述图像纹理特征，受到广泛关注和研究。但是LBP算法对噪声敏感，且只考虑了中心像素与邻域像素的差值符号特征，没有考虑差值幅度，丢失了一部分数据信息。为了使LBP特征提取更加充分，本发明选择了CLBP算法，CLBP提取的特征比较全面且具有较强的鉴别能力，将其应用在纹理分类中，取得了较高的识别率。

卷积神经网络可以对二维图像进行处理，从大量样本中，学习到相应特征。依靠局部感知、权值共享、降采样三种方式降低了传统神经网络模型的参数量和复杂度。其不随平移、旋转、尺度缩放等形式变化而变化的性质，被广泛应用于图像处理中。本发明考虑CLBP特征不仅具有良好的继承性与尺度不变性，因此提出一种基于CLBP和卷积神经网络的人脸识别方法。

发明内容

本发明为了解决上述技术问题，提出了一种基于CLBP和卷积神经网络的人脸识别方法，能明显提高人脸识别准确率。

本发明所采用的技术方案是：一种基于CLBP和卷积神经网络的人脸识别方法，该方法对图像进行预处理，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，该方法包括如下步骤：

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。

进一步的，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