[發明專利]一種改進LBP和輕量卷積神經網絡級聯的人臉識別方法

有效

• 申請號: 201811413568.0
• 申請日: 2018-11-23
• 公開（公告）號: CN109583357B
• 公開（公告）日: 2022-07-08
• 發明（設計）人: 高志斌;唐凌;郭嘉;張昊;吳焱揚;黃聯芬;郭杰鋒;林英;吳衛東;肖鋒
• 申請（專利權）人: 廈門大學
• 主分類號: G06V40/16
• 分類號: G06V40/16;G06N3/04;G06N3/08
• 代理公司: 福州元創專利商標代理有限公司 35100
• 代理人: 蔡學俊

1.一種改進LBP和輕量卷積神經網絡級聯的人臉識別方法，其特征在于，包括如下步驟：

步驟S1：對通過開源視覺處理代碼模塊得到的人臉圖像，進行特征點的檢測；獲取特征點的坐標，根據坐標通過開源視覺處理代碼模塊對人臉圖像進行平移、縮放以及旋轉處理，得到一組人臉的正臉圖片，并命名數據庫，訓練集和測試集；對于任意一張人臉圖片，通過對齊分區局部二值模式初次識別測試單元采用對齊分區局部二值算法APLBP進行初次識別，包括三個階段：第一階段為劃分人臉主要區域和次要區域，第二階段為計算APLBP像素特征值，第三階段為采用APLBP算法進行第一次識別；

步驟S2：對于經所述對齊分區局部二值模式初次識別測試單元得到的人臉圖片，通過級聯的方式，利用輕量化卷積神經網絡進行再次識別，通過卷積池化進一步處理提取特征，通過計算人臉相似度的度量值進行比較，識別出最佳匹配人臉；

步驟S3：對輕量化卷積神經網絡中的卷積層中的卷積做并行運算，加快操作速度，實現加速；

步驟S4：計算平均識別率單元通過計算所有測試集的識別率，加權求得總體樣本的平均識別率，并輸出結果；

在所述步驟S1中，還包括如下步驟：

步驟S11：所述特征點的坐標用于反映眼睛、鼻子、嘴巴、人臉輪廓；將得到的人臉的正臉圖片命名為數據庫A，同時將數據庫A中的人臉圖片分為M組，每組N張圖片，每一組中都有每個人的一張不同的人臉圖片；在M組圖片中隨機取出2組作為訓練樣本，作為判斷人臉身份的參照基準，剩下M-2組作為測試樣本；

步驟S12：劃分人臉主要區域和次要區域；

步驟S121：對于一張待測人臉，建立坐標系，獲取人臉五個主要特征點的坐標，包括：左眼睛、右眼睛、鼻子、左嘴角以及右嘴角，并記為cp＝{(x₁,y₁),…,(x₅,y₅)}；

步驟S122：分別以每一個主要特征點為中心，設置窗口偏移長度w，根據w計算五個主要特征區域，且令w為恒定值；記主要特征區域的左上角坐標設為右下角坐標設為其計算公式為：

步驟S13：計算APLBP像素特征值；

步驟S131：對于人臉圖像的主要區域，采用圓形算子提取其中心點LBP像素特征值；對于人臉圖像的次要區域，采用圓形算子提取其中心點LBP像素特征值，其中R₁＜R₂且P₁＞P₂；記g_c(x,y)為待求點，其坐標為(x,y)，由圓形LBP特征值的計算公式得，該點的LBP特征值如下：

步驟S132，將這個圓形鄰域以圓心為中心點，以步長為一個像素單位進行滑動，分別計算每個區域內的LBP特征值，得到原始圖像的LBP特征圖；對于原始圖像中的邊緣部分，記LBP像素特征值為0，得到整張圖像的LBP像素特征值，并組成LBP特征圖；

步驟S14：采用APLBP算法進行第一次識別；

對于數據庫A中的訓練樣本，用APLBP算法計算其中所有圖片的LBP特征圖；將LBP特征圖進行分塊處理，獲取每一個模塊的直方圖；根據直方圖分別計算訓練集圖片的特征矢量Δg_train，其特征矢量計算公式為：在測試集中任意選取一張圖片，計算其特征矢量Δg_test，并計算Δg_test與訓練集中所有圖片特征矢量的人臉相似度的度量值，獲取與測試集中該圖片距離最近的K個訓練樣本的人臉，并將這K個人臉圖片傳入下一層。

2.根據權利要求1所述的一種改進LBP和輕量卷積神經網絡級聯的人臉識別方法，其特征在于，在所述步驟S2中，還包括如下步驟：

步驟S21：輕量化卷積神經網絡識別算法；

根據上一層中過濾下來的K個人臉圖片，通過輕量化卷積神經網絡在嵌入式板卡上進行特征提取，并進行比較測試；使用輕量化卷積神經網絡提取訓練樣本中的N個人臉的特征，計算該測試集中測試樣本與該N個人臉的人臉相似度的度量值，將其中距離最小的人臉作為識別結果；若測試樣本的標簽與對應的識別出的訓練樣本的標簽相同，則記為一次識別正確，否則記為一次識別錯誤。