[发明专利]一种基于LBP和深度学校的非限制条件下人脸识别方法

摘要

本发明公开了一种基于LBP和深度学校的非限制条件下人脸识别方法，包括测试样本、训练样本、预处理、LBP纹理特征、DBN深度学习和识别结果。其优点在于本发明采用的LBP和DBN相结合的非限制条件下人脸识别，在LFW人脸库上的实验结果表明，能够自下而上自动提取非限制条件下人脸图像的有效特征；将LBP与DBN相结合，克服了DBN不能学习到人脸图像局部结构特征的缺点，使得DBN学习到的抽象特征受光照、微小平移等的影响较小；本发明在受姿态、光照、表情、遮挡等综合因素影响的非限制条件下具有较好的识别效果，同时在受多种因素影响的Yale 库和光照因素影响的Yale‑B 库上取得较高的识别率。

主权项

一种基于LBP和深度学校的非限制条件下人脸识别方法，其特征在于，具体方法步骤如下：分别用双线性内插法将测试样本和训练样本降维至32×32，并进行直方图均衡化等归一化预处理；对训练样本和测试样本进行分块并提取每个子块的LBP纹理特征，将每个子块的特征连接起来形成样本的LBP纹理特征，其中LBP纹理特征提取时样本分块为4×5，半径R为1，像素数P为8，此时所提取的LBP 纹理特征和像素级特征维数相当；将训练样本的LBP纹理特征作为DBN可视层输入，对深度网络进行逐层训练，以获取最优网络参数，文中DBN层数选为2层：第1层学习率为0.002，迭代次数为40；第2层为0.003，迭代次数为40；当深度网络训练完后，将测试样本的LBP纹理特征作为DBN可视层输入，利用优化后的网络由下向上多层次地学习和提取测试样本的抽象特征，在网络最顶层进行SoftMax回归分类，获得测试样本的类标值，并计算正确识别率。