[发明专利]一种改进LBP和轻量卷积神经网络级联的人脸识别方法

权利要求书

1.一种改进LBP和轻量卷积神经网络级联的人脸识别方法，其特征在于，包括如下步骤：

步骤S1：对通过开源视觉处理代码模块得到的人脸图像，进行特征点的检测；获取特征点的坐标，根据坐标通过开源视觉处理代码模块对人脸图像进行平移、缩放以及旋转处理，得到一组人脸的正脸图片，并命名数据库，训练集和测试集；对于任意一张人脸图片，通过对齐分区局部二值模式初次识别测试单元采用对齐分区局部二值算法APLBP进行初次识别，包括三个阶段：第一阶段为划分人脸主要区域和次要区域，第二阶段为计算APLBP像素特征值，第三阶段为采用APLBP算法进行第一次识别；

步骤S2：对于经所述对齐分区局部二值模式初次识别测试单元得到的人脸图片，通过级联的方式，利用轻量化卷积神经网络进行再次识别，通过卷积池化进一步处理提取特征，通过计算人脸相似度的度量值进行比较，识别出最佳匹配人脸；

步骤S3：对轻量化卷积神经网络中的卷积层中的卷积做并行运算，加快操作速度，实现加速；

步骤S4：计算平均识别率单元通过计算所有测试集的识别率，加权求得总体样本的平均识别率，并输出结果；

在所述步骤S1中，还包括如下步骤：

步骤S11：所述特征点的坐标用于反映眼睛、鼻子、嘴巴、人脸轮廓；将得到的人脸的正脸图片命名为数据库A，同时将数据库A中的人脸图片分为M组，每组N张图片，每一组中都有每个人的一张不同的人脸图片；在M组图片中随机取出2组作为训练样本，作为判断人脸身份的参照基准，剩下M-2组作为测试样本；

步骤S12：划分人脸主要区域和次要区域；

步骤S121：对于一张待测人脸，建立坐标系，获取人脸五个主要特征点的坐标，包括：左眼睛、右眼睛、鼻子、左嘴角以及右嘴角，并记为cp＝{(x₁,y₁),…,(x₅,y₅)}；

步骤S122：分别以每一个主要特征点为中心，设置窗口偏移长度w，根据w计算五个主要特征区域，且令w为恒定值；记主要特征区域的左上角坐标设为右下角坐标设为其计算公式为：

步骤S13：计算APLBP像素特征值；

步骤S131：对于人脸图像的主要区域，采用圆形算子提取其中心点LBP像素特征值；对于人脸图像的次要区域，采用圆形算子提取其中心点LBP像素特征值，其中R₁＜R₂且P₁＞P₂；记g_c(x,y)为待求点，其坐标为(x,y)，由圆形LBP特征值的计算公式得，该点的LBP特征值如下：

步骤S132，将这个圆形邻域以圆心为中心点，以步长为一个像素单位进行滑动，分别计算每个区域内的LBP特征值，得到原始图像的LBP特征图；对于原始图像中的边缘部分，记LBP像素特征值为0，得到整张图像的LBP像素特征值，并组成LBP特征图；

步骤S14：采用APLBP算法进行第一次识别；

对于数据库A中的训练样本，用APLBP算法计算其中所有图片的LBP特征图；将LBP特征图进行分块处理，获取每一个模块的直方图；根据直方图分别计算训练集图片的特征矢量Δg_train，其特征矢量计算公式为：在测试集中任意选取一张图片，计算其特征矢量Δg_test，并计算Δg_test与训练集中所有图片特征矢量的人脸相似度的度量值，获取与测试集中该图片距离最近的K个训练样本的人脸，并将这K个人脸图片传入下一层。

2.根据权利要求1所述的一种改进LBP和轻量卷积神经网络级联的人脸识别方法，其特征在于，在所述步骤S2中，还包括如下步骤：

步骤S21：轻量化卷积神经网络识别算法；

根据上一层中过滤下来的K个人脸图片，通过轻量化卷积神经网络在嵌入式板卡上进行特征提取，并进行比较测试；使用轻量化卷积神经网络提取训练样本中的N个人脸的特征，计算该测试集中测试样本与该N个人脸的人脸相似度的度量值，将其中距离最小的人脸作为识别结果；若测试样本的标签与对应的识别出的训练样本的标签相同，则记为一次识别正确，否则记为一次识别错误。