[发明专利]一种基于专家先验知识和LTP复杂光照下的人脸识别方法

权利要求书

1.一种基于专家先验知识和LTP复杂光照下的人脸识别方法，其特征在于，包括如下步骤：

1)使用dlib定位人脸地标点(landmark)并裁剪人脸区域，减少冗余信息的影响，得到裁剪后的人脸图像。

2)根据专家先验知识，对步骤1)中人脸图像关键区域进行划分，生成人脸掩码；

3)根据步骤2)中生成的人脸掩码，使用自适应阈值的局部三值模式算法(LTP)针对不同的关键区域，分别计算其区域像素离散度σ作为阈值t，并提取其光照不变纹理特征，降低不同光照噪音的敏感度；

4)由于步骤3中提取的光照不变纹理特征仅仅是针对局部特征，并未考虑全局特征，所以我们将步骤1)中人脸图像送入一个卷积层，得到人脸图像的全局特征；

5)将步骤4)中得到的全局特征与步骤3)中得到的光照不变纹理特征相结合(利用comcat技术)，并送入ResNet101网络模型在训练集中。在训练集中，最终的分类层首先通过全连接层(full connection)将数据转化为一维，分别得出与数据库中N个对象的相似度得分；然后通过预先设定的分类阈值，将大于0.6的分类结果视为正样本，小于0.6视为负样本，利用损失函数对网络参数进行优化；在验证集中，将分类层相似度得分最高的值所对应的对象身份，作为人脸识别的结果。

2.根据权利要求1所述的一种基于专家先验知识和LTP复杂光照下的人脸识别方法，其特征在于，步骤1)中，所述的dlib库是一个使用现代C++技术编写的跨平台的通用库，遵守Boost Software licence.支持数值算法、机器学习算法、图形模型算法、图像处理等工具于一身的机器学习开源库，可以很好地帮我们解决人脸定位和裁剪的功能。

3.根据权利要求1所述的一种基于专家先验知识和LTP复杂光照下的人脸识别方法，其特征在于，步骤2)中，所述的专家先验知识，是根据P.Ekman,W.V.Friesen等人发表的《Facial action coding system》一书，将人脸按照面部肌肉控制区域划分为不同的运动单元，而我们也是根据上述理论对人脸的关键区域进行划分。

4.根据权利要求1所述的一种基于专家先验知识和LTP复杂光照下的人脸识别方法，其特征在于，步骤3)中，所述的关键区域像素离散度σ，可以体现关键区域像素波动的大小，也是光照对人脸图像影响程度的体现。具体计算方法是：首先计算区域内所有像素的平均值

其中p表示关键区域像素的数量，g_i表示第i个像素的灰度值。然后计算区域内所有像素和均值的方差，作为自定义阈值t。

局部三值模式(LTP)的计算公式如下：

其中g_c表示中点的像素灰度值；

5.根据权利要求1所述的一种基于专家先验知识和LTP复杂光照下的人脸识别方法，其特征在于，步骤5)中，所述的ResNet101网络模型在2015年被微软研究院的Kaiming He等四名华人提出，在物体检测、分割、识别等领域有不俗的表现，使用101深层网络，可以更好地学习目标的纹理特征，但深层网络会出现梯度消失或者梯度爆炸的问题，而ResNet通过正好可以通过残差(将前若干网络层的特征传递到这一网络层)来使网络快速收敛。

6.根据权利要求1所述的一种基于专家先验知识和LTP复杂光照下的人脸识别方法，其特征在于，步骤5)中，所述的训练集验证集使用耶鲁大学的人脸数据库，该数据库包含了16128张图片，分别对应28个实验对象在9种姿势和64种光照条件下的不同照片，由于我们只针对不同光照条件进行识别，所以只需要取实验对象的正面姿势即可。图片的尺寸均为32×32像素。