[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

本發明涉及一種改進LBP和輕量卷積神經網絡級聯的人臉識別方法，提供：對齊分區局部二值模式初次識別測試單元，APLBP與輕量化卷積神經網絡級聯的二次識別測試單元，APLBP識別測試單元，輕量化卷積神經網絡并行流水線模塊加速單元，計算平均識別率單元。將采集的人臉圖像劃分為主要區域和次要區域，對于人臉圖像的主要區域與次要區域，提取中心點LBP像素特征值；通過級聯的關系對APLBP識別并提取出的相似圖像再加入輕量級卷積神經網絡進行二次識別。充分融入了APLBP算法的速度優勢和輕量化卷積神經網絡的精度優勢，通過對輕量化卷積神經網絡的卷積層中耗時大的矩陣乘加運算使用并行模塊進行加速，從而達到速度和準確率的雙向提升。

技術領域

本發明涉及人臉識別技術領域，特別是一種改進LBP和輕量卷積神經網絡級聯的人臉識別方法。

背景技術

人臉識別技術現今正逐步走向成熟，其在動車進站、餐廳付款等場合已經開始大規模使用，但其在算法、識別時間和識別效率方面仍有待改進。

現有的人臉識別算法有基于人臉特征點的識別算法，基于神經網絡的人臉識別算法，基于 LBP(局部二值模式)的人臉識別算法等。基于神經網絡的人臉識別算法現在出現的有很多種，幾乎都是基于卷積神經網絡來設計的，卷積神經網絡其主要包括以下幾個層級，輸入層、卷積層、池化層、全連接層和softmax層。目前主流的卷積神經網絡有Alexnet、VGG-Face和DeepID，雖然目前通過深度學習應用卷積神經網絡在人臉識別方面都取得了很好的效果，但是其伴隨的網絡都非常深和復雜，模型都非常的龐大，對硬件資源的消耗也很巨大，對嵌入式端來說是非常不適用的。而基于LBP的人臉識別算法，其運用到的是對圖像紋理特征的提取，使得光照對識別的影響降得很低，但其算法缺點也很多仍有很多待改進的地方。

相較之下此方法及裝置將改進的LBP算法和輕量級卷積神經網絡LCNN進行級聯，不但能夠提高人臉識別的速度，還能利用LCNN其以一個較小的模型得到不錯的識別率的優點將之運用在嵌入式端既能合理的運用硬件資源還能得到不錯的硬件加速效果，同時在嵌入式端做進一步的改進，通過使用ARM+FPGA的板子(如zynq系列)，圖像的采集和預處理在ARM上完成，而在FPGA上做可以并行流水線處理的部分，并在神經網絡的卷積層做運算加速。

發明內容

本發明的目的在于提供一種改進LBP和輕量卷積神經網絡級聯的人臉識別方法，以克服現有技術中存在的缺陷。

為實現上述目的，本發明的技術方案是：包括：一種改進LBP和輕量卷積神經網絡級聯的人臉識別方法，也即，一種基于改進LBP和LCNN(Lookup-based ConvolutionalNeural Network) 級聯的人臉識別方法，提供：

對齊分區局部二值模式初次識別測試單元，用于劃分人臉的主要區域和次要區域，通過采用APLBP算法計算人臉圖片的APLBP像素特征值，并通過計算人臉相似度的度量值進行第一次識別，得到多張相似的人臉圖片；

APLBP與輕量化卷積神經網絡級聯的二次識別測試單元，用于對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，在輕量化卷積神經網絡進行卷積池化處理提取特征，并根據計算人臉相似度所獲取的度量值進行比較，識別出最佳匹配人臉；

輕量化卷積神經網絡并行流水線模塊加速單元，用于對輕量化卷積神經網絡中的各個卷積層中的卷積做并行運算，以加快操作速度；

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，輸出人臉檢測結果。

優選地，還包括如下步驟：