基于局部二值模式和深度学习人脸识别.docVIP

基于局部二值模式和深度学习人脸识别 　　摘要：针对人脸识别中深度学习直接提取人脸特征时忽略了其局部结构特征的问题，提出一种将分块局部二值模式（LBP）与深度学习相结合的人脸识别方法。首先，将人脸图像分块，利用均匀LBP算子分别提取图像各局部的LBP直方图特征，再按照顺序连接在一起形成整个人脸的LBP纹理特征； 其次，将得到的LBP特征作为深度信念网络（DBN）的输入，逐层训练网络，并在顶层形成分类面； 最后，用训练好的深度信念网络对人脸样本进行识别。在ORL、YALE和FERET人脸库上的实验结果表明，所提算法与采用支持向量机（SVM）的方法相比，在小样本的人脸识别中有很好的识别效果。 　　关键词：人脸识别；局部二值模式特征；深度学习；深度信念网络； 特征提取 　　中图分类号： TP391 文献标志码：A 　　Abstract：In order to solve the problem that deep learning ignores the local structure features of faces when it extracts face feature in face recognition， a novel face recognition approach which combines block Local Binary Pattern （LBP） and deep learning was presented. At first， LBP features were extracted from different blocks of a face image， which were connected together to serve as the texture description for the whole face. Then， the LBP feature was input to a Deep Belif Network （DBN）， which was trained level by level to obtain classification capability. At last， the trained DBN was used to recognize unseen face samples. On ORL， YALE and FERET face databases， the experimental results show that the proposed method has a better recognition performance compared with Support Vector Machine （SVM） in small sample face recognition. 　　Key words： face recognition； Local Binary Pattern （LBP） feature； deep learning； deep belief network； feature extraction 　　0 引言 　　近年来，基于人脸特征描述和像素的人脸特征提取方法都取得了优异的效果。子空间方法是基于像素的人脸特征提取的典型代表， 其主要方法包括主成分分析方法（Principal Component Analysis， PCA）、线性判别方法（Linear Discriminant Analysis， LDA）、独立成分分析方法（Independent Component Analysis， ICA）等。Sirovich等[1]将PCA运用于人脸识别系统中，且提出了经典的基于主成分分析的“特征脸（Eigenface）”方法。特征脸方法的应用大大降低了特征维度和图像像素之间的相关性，但是由于PCA的降维方法本身不是以分类为目的，单纯应用于模式分类的人脸识别中，效果并不是特别理想。LDA利用Fisher鉴别准则函数[2]寻找类内和类间散布比值最大的一组空间变换关系。Belhumeur等[3]结合PCA和LDA提出的Fisher脸方法解决了人脸识别的小样本问题，但是样本类内散布零空间的许多鉴别信息却因此损失。ICA是基于样本的所有阶的统计信息，其统计特征相互独立，因此其时间和空间复杂度均高于PCA。而人脸特征描述方法主要包括局部二值模式（Local Binary Pattern， LBP）、Gabor变换以及方向梯度直方图方法（Histogram of Oriented Gradient， HOG）等。LBP具有旋转不变性和灰度不变性，分类性能好，但是在人脸的表达上具有较高的维数，影响识别速度。利用Gabor小波函数