[發明專利]一種基于CLBP和卷積神經網絡的人臉識別方法

在審

• 申請號: 201911033231.1
• 申請日: 2019-10-28
• 公開（公告）號: CN111079514A
• 公開（公告）日: 2020-04-28
• 發明（設計）人: 嚴靈毓;盛夢涵;王春枝;李敏;姚殊宇
• 申請（專利權）人: 湖北工業大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 王琪

1.一種基于CLBP和卷積神經網絡的人臉識別方法，該方法首先對圖像進行預處理，然后使用CLBP算法提取紋理特征，輸入卷積神經網絡訓練模型，具體包括如下步驟：

步驟1，對所有的訓練樣本和測試樣本進行預處理，使圖像大小統一為N*N；

步驟2，將處理好的圖像輸入CLBP算法中進行紋理特征提取；

步驟3，將提取的訓練樣本CLBP特征作為卷積神經網絡的輸入進行訓練，所述卷積神經網絡包括依次連接的卷積層C1、池化層S2、卷積層C3、池化層S4、卷積層C5、池化層S5、全連接層FC7、全連接層FC8以及分類層Softmax；

步驟4，將測試樣本的CLBP特征值輸入到訓練好的卷積神經網絡中，通過Softmax進行分類識別。

2.根據權利要求1所述的一種基于CLBP和卷積神經網絡的人臉識別方法，其特征在于：所述的步驟2中CLBP算法特征提取的具體步驟如下：

CLBP具有3個描述子：中心描述子CLBP_C、符號描述子CLBP_S和大小描述子CLBP_M，局部差分符號數值變換如下所示：

d_p＝s_p×m_p

m_p＝|d_p|，

其中，d_p是圖像中鄰域像素和中心像素的差值，s_p是d_p的符號，m_p是d_p的大小，描述子CLBP_S和原始的LBP編碼是一致的，只是將編碼值“0”變成了“-1”，其余的兩個描述子CLBP_M、CLBP_C計算方法分別為：

CLBP_C_P，R＝t(g_c，c_I)，

其中c是自適應閾值，這里c的值被設定為m_p的均值，g_c表示中心像素灰度值，c_I表示整幅圖像灰度的平均值，即通過比較中心像素與全圖平均像素值的大小來進行二進制編碼。

3.根據權利要求1所述的一種基于CLBP和卷積神經網絡的人臉識別方法，其特征在于：步驟3中，卷積層C1包括20個卷積核，卷積核大小為30*30；卷積層C3包括20個卷積核，卷積核大小為7*7；卷積層C5包括20個卷積核，卷積核大小為4*4，池化層S2采用28*28最大池化，池化層S4采用7*7最大池化，池化層S6采用2*2最大池化。

4.根據權利要求3所述的一種基于CLBP和卷積神經網絡的人臉識別方法，其特征在于：所述步驟3的具體實現包括如下子步驟：

步驟3.1，將提取到的CLBP紋理特征作為卷積神經網絡的輸入；

步驟3.2，輸入提取的CLBP特征值后，首先進行卷積計算，卷積層C1通過20個卷積核最終得到20個特征圖譜f₁，卷積核大小為30*30；C3通過40個卷積核得到40個特征圖譜f₃，卷積核大小為7*7；C5通過60個卷積核得到60個特征圖譜f₅，卷積核大小為4*4，卷積處理的具體操作如下：

式中，M為卷積神經網絡的層數，p為i的最大值；q為j的最大值；表示第j層的輸出，其中j的最大層q為M層；表示第i層的特征圖譜，其中i的最大層p為M-1層；為連接i,j層的卷積核，最大連接到M層，為j層的偏置，其中j的最大層q為M層；f(·)為激活函數，激活函數選擇為ReLU函數；

步驟3.3，將卷積層得到的特征圖譜輸入到下一層的池化層，進行最大池化采樣，計算公式如下，

y^(l)＝down(y^(l-1))

式中，down為采樣函數，y^(l)表示在第l層池化層上得到的采樣值，在2*2的范圍內采樣出最大的元素；

步驟3.4，經過池化層S2，S4，S6后得到特征值f₂，f₄，f₆，將它們與CLBP特征進行級聯融合，最終得到人臉特征f_融合，將f_融合輸入到softmax分類器中；

步驟3.5，通過softmax分類器計算概率，根據概率值估計輸出分類的概率。