[发明专利]一种基于局部二值模式多距离学习的人脸图像识别方法

权利要求书

1.一种基于局部二值模式多距离学习的人脸图像识别方法，其特征在于，具体按照以下步骤实施：

步骤1、对原始图像进行预处理；

步骤2、使用局部二值模式提取图像中重要的局部特征，并结合直方图方法将它们转换为全局描述；

步骤3、获取基于所有图像的新表示之间的相关关系而收集的T-数据训练集；

步骤4、将步骤3得到的T-数据训练集放入反向传播神经网络中，设置反向传播神经网络参数，然后开始训练；

步骤5、对每个测试图像应用步骤1至步骤3，将测试图像数据馈送到经过步骤4训练的反向传播神经网络中进行识别，并获得输出。

2.根据权利要求1所述的一种基于局部二值模式多距离学习的人脸图像识别方法，其特征在于，所述步骤1具体包括对图像进行大小调整和裁剪，以消除人脸背景效应，对图像进行灰度处理并使用直方图均衡化来建立鲁棒的人脸识别系统，从而降低噪声和照明。

3.根据权利要求1所述的一种基于局部二值模式多距离学习的人脸图像识别方法，其特征在于，所述步骤2具体按照以下步骤实施：

步骤2.1、将经过预处理的图像划分为5x5的单元格；

步骤2.2、通过对每个像素的3×3邻域以中心值进行脱粒处理并将结果视为二进制数，从而对图像像素应用LBP方法；

步骤2.3、使用直方图方法连接经步骤2.1划分的新的单元格描述，获得每个图像的新的表示，即LBPH表示。

4.根据权利要求1所述的一种基于局部二值模式多距离学习的人脸图像识别方法，其特征在于，所述步骤2.2中LBP算子的数学公式为：

其中x代表中心元素，它的像素值是G(x)，G(xⁱ)代表领域内第i个元素的像素值，s(x)是符号函数，定义如下：

所述步骤2.3中LBPH用公式表示为如下形式：

其中P是采样点，R是半径，LBP(x)是符号函数，在公式(1)中定义，其i、j为对应元素坐标。

5.根据权利要求1所述的一种基于局部二值模式多距离学习的人脸图像识别方法，其特征在于，所述步骤3具体按照以下步骤实施：

步骤3.1、基于步骤2获得的每个图像的LBPH表示，使用五种距离法计算每个图像与其他图像之间的距离；

步骤3.2、使用平方和的平方根组合五个距离，具体如下：

其中，DIS_i为距离方法之一，α为强度因子，强度因子具体分配为：马哈拉诺比斯和曼哈顿均为0.3，堪培拉为0.2，相关法和欧几里德均为＝0.1；

步骤3.3、获取应用五个距离法和RSS法之后的训练数据集，即T-数据训练集。

6.根据权利要求5所述的一种基于局部二值模式多距离学习的人脸图像识别方法，其特征在于，所述五种距离法分别为：

马哈拉诺比斯距离方法，利用的是两个向量之间的协方差矩阵，其用公式表示如下形式：

其中，a、b是对应的两个向量，S^-1是协方差矩阵的倒数；

相关距离分类法，相关性的度量等于零，并且对两个向量之间的线性关系敏感，用公式表示如下形式：

其中，a、b是对应的两个向量，Cov是协方差，σa和σb是a和b的标准偏差；

欧几里德距离方法，是许多相似和相异方法的基础。如下公式用来计算两个向量空间的对应元素之间的欧几里得距离：

其中，a、b是对应的两个向量；

堪培拉距离法是向量空间中两点之间距离的数值度量，用公式表示如下形式：

其中，a、b是对应的两个向量；

曼哈顿距离法是另一种测量两个向量之间距离的方法，用公式表示如下形式：

其中，a、b是对应的两个向量。

7.根据权利要求1所述的一种基于局部二值模式多距离学习的人脸图像识别方法，其特征在于，所述步骤4具体按照以下步骤实施：

步骤4.1、设置层数和神经元数；

步骤4.2、设置迭代次数；

步骤4.3、设置阈值；

步骤4.4、设置输入矩阵和上一步的预期输出；

步骤4.5、随机初始化权重和偏差；

步骤4.6、制定培训计划。