[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

本發明公開了一種基于CLBP和卷積神經網絡的人臉識別方法，全面考慮了特征的魯棒性、可辨別性和代表性，去除了影響不大的冗余信息，明顯提高了人臉識別的準確性。主要步驟為通過CLBP算法提取人臉圖像的紋理特征，將得到的特征作為卷積神經網絡的輸入，經過卷積池化處理后，在全連接層中將提取的特征進行級聯融合，最后利用Softmax分類器分類識別。本發明與傳統的人臉識別方法相比，能夠更加高效的解決實際問題，具有一定的實用價值。

技術領域

本發明屬于數字圖像處理的應用領域，具體涉及一種基于CLBP(completed localbinary pattern CLBP)和卷積神經網絡的人臉識別方法。

背景技術

隨著社會的發展以及技術的進步，人們對快速、高效的自動身份驗證的要求日益迫切，生物識別技術在科研領域得到了極大的重視和發展。在人與人的接觸中，人臉所包含的視覺信息占據了重要地位，它無疑是區分人與人之間差異的最重要特征之一。人臉識別屬于計算機科研領域的一項熱門技術，它是一種基于生物特征的識別技術，利用計算機從圖像或圖像序列中檢測出人臉，并判斷其身份。

隨著人臉識別應用越來越廣泛，人臉識別技術將面臨越來越多的挑戰，對其穩定性和精度要求也越來越高。所以如何有效的解決人臉識別技術難題，使其具有強魯棒性、高識別率、規模巨大的人臉識別系統具有十分重要的意義。

人臉識別平常分為三個部分：人臉檢測、特征提取、人臉驗證。人臉特征提取在全部人臉識別過程當中相當關鍵，它決定人臉驗證結果的優劣。其中，基于局部二值模式(LBP)特征的方法運算速度快，并且能有效地描述圖像紋理特征，受到廣泛關注和研究。但是LBP算法對噪聲敏感，且只考慮了中心像素與鄰域像素的差值符號特征，沒有考慮差值幅度，丟失了一部分數據信息。為了使LBP特征提取更加充分，本發明選擇了CLBP算法，CLBP提取的特征比較全面且具有較強的鑒別能力，將其應用在紋理分類中，取得了較高的識別率。

卷積神經網絡可以對二維圖像進行處理，從大量樣本中，學習到相應特征。依靠局部感知、權值共享、降采樣三種方式降低了傳統神經網絡模型的參數量和復雜度。其不隨平移、旋轉、尺度縮放等形式變化而變化的性質，被廣泛應用于圖像處理中。本發明考慮CLBP特征不僅具有良好的繼承性與尺度不變性，因此提出一種基于CLBP和卷積神經網絡的人臉識別方法。

發明內容

本發明為了解決上述技術問題，提出了一種基于CLBP和卷積神經網絡的人臉識別方法，能明顯提高人臉識別準確率。

本發明所采用的技術方案是：一種基于CLBP和卷積神經網絡的人臉識別方法，該方法對圖像進行預處理，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，該方法包括如下步驟：

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。

進一步的，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