[發明專利]一種基于LBP和深度學校的非限制條件下人臉識別方法在審
| 申請號： | 201611050314.8 | 申請日： | 2016-11-25 |
| 公開（公告）號： | CN106778512A | 公開（公告）日： | 2017-05-31 |
| 發明（設計）人： | 徐海黎;沈標;劉熙;田強;韋勇 | 申請（專利權）人： | 南京藍泰交通設施有限責任公司;南通大學 |
| 主分類號： | G06K9/00 | 分類號： | G06K9/00;G06N3/08 |
| 代理公司： | 北京一格知識產權代理事務所(普通合伙)11316 | 代理人： | 滑春生 |
| 地址： | 210019 江蘇省南京市建鄴*** | 國省代碼： | 江蘇;32 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 一種 基于 lbp 深度 學校 限制 條件 下人 識別 方法 | ||
1.一種基于LBP和深度學校的非限制條件下人臉識別方法，其特征在于，具體方法步驟如下：
分別用雙線性內插法將測試樣本和訓練樣本降維至32×32，并進行直方圖均衡化等歸一化預處理；
對訓練樣本和測試樣本進行分塊并提取每個子塊的LBP紋理特征，將每個子塊的特征連接起來形成樣本的LBP紋理特征，其中LBP紋理特征提取時樣本分塊為4×5，半徑R為1，像素數P為8，此時所提取的LBP 紋理特征和像素級特征維數相當；
將訓練樣本的LBP紋理特征作為DBN可視層輸入，對深度網絡進行逐層訓練，以獲取最優網絡參數，文中DBN層數選為2層：第1層學習率為0.002，迭代次數為40；第2層為0.003，迭代次數為40；
當深度網絡訓練完后，將測試樣本的LBP紋理特征作為DBN可視層輸入，利用優化后的網絡由下向上多層次地學習和提取測試樣本的抽象特征，在網絡最頂層進行SoftMax回歸分類，獲得測試樣本的類標值，并計算正確識別率。
2.根據權利要求1所述的一種基于LBP和深度學校的非限制條件下人臉識別方法，其特征在于，所述DBN的訓練過程如下：
1）對第一層RBM，以LBP紋理特征為輸入，對RBM進行無監督訓練，獲得該層最優的參數；
高層RBM以低一層RBM 輸出數據為輸入，對RBM進行無監督訓練，獲得RBM網絡最優的參數值；
3) 最后利用全局訓練的方法對訓練好的各層參數微調，使DBN收斂到全局最優。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于南京藍泰交通設施有限責任公司;南通大學，未經南京藍泰交通設施有限責任公司;南通大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201611050314.8/1.html，轉載請聲明來源鉆瓜專利網。
