[发明专利]一种基于LGBPHS和CNN的大规模人脸识别方法

说明书

本发明公开了一种基于LGBPHS和CNN的大规模人脸识别方法，具体按照以下顺利进行：使用人眼检测器对所有训练图像和测试图像进行归一化处理；通过LGBPHS方法对经步骤1归一化处理后的训练图像和测试图像进行提取，得到K维人脸特征；通过卷积神经网络对经步骤1归一化处理后的训练图像和测试图像进行提取，得到128维人脸特征；将步骤2得到的K维人脸特征和步骤3得到的128维人脸特征进行融合，得到K+128维人脸特征；训练多类SVM对测试图像进行识别。该方法提高了图像旋转和噪声的鲁棒性，改善对宏观纹理和大的外观变化的有效性，提高非实验室环境下人脸识别的准确率。

技术领域

本发明属于图像处理技术领域，特别是涉及一种基于LGBPHS和CNN的大规模人脸识别方法。

背景技术

人脸识别是模式识别、人机交互以及生物特征识别等领域涉及的重要研究方向，目前已成为国内外研究的热点。由于人脸面部可以产生多种表情、不同的观察角度可产生多种姿势、不同的光照条件(白天、晚上、室内和室外等)、面部遮挡物(胡须、头发、口罩、眼镜等)等诸多因素影响，使得人脸的形状非常不稳定，这些使得人脸特征描述成为难题。

很多学者将LBP(Local Binary Pattern,局部二值模式)及其各种变形用于描述人脸面部特征，在人脸识别上取得了优异的表现。此外，Gabor函数与人的初级视觉皮层感知非常相似，Gabor特征也常用来描述人脸特征。融合LBP与Gabor的LGBPHS((Local GaborBinary Pattern Histogram Sequence，局部Gabor二值模式直方图序列))是结合多分辨率空间直方图和局部密度分布的空间信息表示方法，它对于外观变化(旋转、噪声等)的影响具有强鲁棒性，但是对于宏观纹理和大型外观变化时，性能明显下降。

近年来，CNN(Convolutional Neural Network，卷积神经网络)在图像识别领域大放异彩，尤其是在国际知名的ImageNet图像分类大赛上，更是证明了深度神经网络有着良好的识别效率，2012年Hinton的研究小组采用深度学习方法拿到第一名，准确率比第二名高出10％以上。CNN不仅仅是在图像识别领域，在人脸识别、语音识别、自然语言分析等方面均有突破。CNN需要大量的培训数据，能够从数据中学习多个尺度的纹理描述符，对于宏观纹理和大的外观变化均有良好的识别率，但是对图像旋转和噪声不太稳健。

发明内容

本发明的目的是提供一种基于LGBPHS和CNN的大规模人脸识别方法，用以提高人脸识别的准确率。

为了达到上述目的，本发明所采用的技术方案是，一种基于LGBPHS和CNN的大规模人脸识别方法，具体按照以下步骤进行：

步骤1，使用人眼检测器对所有训练图像和测试图像进行归一化处理；

步骤2，通过LGBPHS方法对经步骤1归一化处理后的训练图像和测试图像进行提取，得到K维人脸特征；

步骤3，通过卷积神经网络对经步骤1归一化处理后的训练图像和测试图像进行提取，得到128维人脸特征；

步骤4，将步骤2得到的K维人脸特征和步骤3得到的128维人脸特征进行融合，得到K+128维人脸特征；

步骤5，通过步骤4处理得到的训练图像，训练多类SVM；

步骤6，通过步骤5训练好的多类SVM识别步骤4得到的测试图像。

本发明的技术方案，还具有以下特点：

所述步骤2具体为：

步骤2.1，分别使用M个不同方向、不同尺度的Gabor滤波器与归一化处理后的训练图像或测试图像进行卷积，取卷积结果的幅值部分，得到Gabor幅值图谱；

步骤2.2，通过局部二值模式将每幅Gabor幅值图谱转换为局部Gabor二值模式图谱；