[发明专利]一种适用于光照、姿态、表情变化的人脸识别方法

摘要

本发明公开了一种适用于光照、姿态、表情变化的人脸识别方法，本方法首先从ORL、Extend Yale B和CMU‑PIE人脸图像库中获取人脸图像并进行分块处理；其次，采用中心对称局部二值模式提取人脸图像各子块的纹理特征；再其次，将纹理特征形成纹理特征统计直方图，并输入到深度信念网络的可视层；最后，通过深度学习完成人脸图像的分类与识别。在此基础上，通过在人脸图像库的人脸识别实验，得出了不同人脸库人脸图像最佳的分块方式与最佳深度信念网络隐藏单位数，完成了与多种人脸识别方法的对比实验。本发明采用中心对称局部二值模式用于特征提取，能够降低特征提取的计算复杂度，具有较高的识别率，对于微小的光照、姿态和表情变化的影响具有一定的抑制作用。

主权项

1.一种适用于光照、姿态、表情变化的人脸识别方法，其特征在于，该方法包括以下步骤：S1、获取人脸图像：从人脸图像库中下载人脸图像；S2、将所有的人脸图像分为训练集和测试集，并对其进行分块处理，每张图像分为个子块；S3、利用中心对称局部二值模式的编码规则，对每个子块提取其纹理特征值，特征值用表示；S4、建立中心对称局部二值模式纹理特征直方图，利用统计直方图表示各子块的局部纹理特征；第个字块的直方图表示为：                                  (1)公式(1)中，，为子块中中心对称局部二值模式纹理特征值等于的频率，，为，即为16；S5、将各子块的特征直方图有序相连形成中心对称局部二值模式提取人脸图像的特征；S6、将步骤S5得到的纹理特征向量输入到深度信念网络的可视层，可视层与隐藏层根据公式的联合分布如下：                (2)公式(2)中，为中心对称局部二值模式提取的纹理特征，是深度信念网络对输入特征学习的不同层次的高级特征，本发明隐藏层设置为2层，由公式(2)可得可视层与两层隐藏层的联合分布，如下：                          (3)公式(3)中，为可视层，为第一个隐藏层，为第二个隐藏层，根据可视层的可视单元与第一个隐藏层的隐藏单元的关系可得第一层隐藏层的隐藏单元的激活概率，如下：                              (4)公式(4)中，为可视单元，为可视单元数，为隐藏单元，为激活函数，为第个可视单元与第个隐藏单元连接的权重值；S7、利用深度信念网络迭代算法进行权重优化，得到的最优训练网络，迭代次数为，最优网络的判断依据为训练集的最大生成概率函数值最大，最大生成概率函数如下：                            (5)公式(5)中，为权重矩阵，为训练集中中心对称局部二值模式纹理特征矩阵，其中，；通过调整，学习率为0.001；S8、将步骤S7得到的最优网络顶层利用分类器分类后，获得测试样本的类别标签。