[发明专利]一种适用于光照、姿态、表情变化的人脸识别方法

说明书

本发明公开了一种适用于光照、姿态、表情变化的人脸识别方法，本方法首先从ORL、Extend Yale B和CMU‑PIE人脸图像库中获取人脸图像并进行分块处理；其次，采用中心对称局部二值模式提取人脸图像各子块的纹理特征；再其次，将纹理特征形成纹理特征统计直方图，并输入到深度信念网络的可视层；最后，通过深度学习完成人脸图像的分类与识别。在此基础上，通过在人脸图像库的人脸识别实验，得出了不同人脸库人脸图像最佳的分块方式与最佳深度信念网络隐藏单位数，完成了与多种人脸识别方法的对比实验。本发明采用中心对称局部二值模式用于特征提取，能够降低特征提取的计算复杂度，具有较高的识别率，对于微小的光照、姿态和表情变化的影响具有一定的抑制作用。

技术领域

本发明涉及人脸识别技术领域，尤其涉及一种适用于光照、姿态、表情变化的人脸识别方法。

背景技术

在这个信息化迅速发展的时代，身份验证被广泛应用于生活的方方面面，如机场、火车等实名制检测系统、公安个人信息采集系统、宿舍智能门锁系统等，然而人们在追求便捷生活的同时也越来越注重信息安全问题。传统的生物特征识别方法中，指纹识别存在对手指的湿度、清洁度等都很敏感的问题，脏、油、水都会影响识别效果，识别率低；虹膜识别存在易伪装的问题，识别可靠性差；步态识别存在不易被捕捉且易丢失的问题。相比于上述三种生物特征提取放啊，人脸识别具有生物特征准确、可靠性高、易捕捉的优点，因此也成为最受欢迎的识别方法之一。

随着计算机视觉技术的逐渐发展和人机交互需求的逐渐增加，人脸识别方法逐渐被普及到安全支付、手机解锁和智能门锁等技术领域。这些领域采集到的人脸图像一般为非限制条件下的，此时光照变化、人脸姿态变化和表情变化等问题都会使识别率降低，因此非限制条件下的人脸识别方法的研究仍存在着很多挑战。梁淑芬提出基于LBP和深度信念网络结合的人脸识别方法，将LBP提取的人脸图像特征向量作为深度信念网络输入，使深度信念网络能够学习人脸局部纹理特征，达到提高识别率的目的。且LBP具有光照和旋转不变性，因此，此方法对光照和旋转也有一定的抑制作用。但通过进一步研究发现，LBP提取的纹理特征稀疏，计算维度高，抗噪声能力差，使深度网络在学习过程中计算量大，耗时长，网络不容易达到全局最优。

发明内容

本发明针对目前技术发展的需求和不足之处，提出一种适用于光照、姿态、表情变化的人脸识别方法，具有很好的识别效果。

本发明为解决上述问题提出了一种适用于光照、姿态、表情变化的人脸识别方法，采用的具体方案步骤如下。

S1、获取人脸图像：从人脸图像库中下载人脸图像。

S2、将所有的人脸图像分为训练集和测试集，并对其进行分块处理，每张图像分为个子块。

S3、利用中心对称局部二值模式的编码规则，对每个子块提取其纹理特征值，特征值用表示。

S4、建立中心对称局部二值模式纹理特征直方图，利用统计直方图表示各子块的局部纹理特征；第个字块的直方图表示为：

(1)

公式(1)中，，为子块中中心对称局部二值模式纹理特征值等于的频率，，为，即为16。

S5、将各子块的特征直方图有序相连形成中心对称局部二值模式提取人脸图像的特征。

S6、将步骤S5得到的纹理特征向量输入到深度信念网络的可视层，可视层与隐藏层根据公式的联合分布如下：

(2)

公式(2)中，为中心对称局部二值模式提取的纹理特征，是深度信念网络对输入特征学习的不同层次的高级特征，本发明隐藏层设置为2层，由公式(2)可得可视层与两层隐藏层的联合分布，如下：