一种适用于光照、姿态、表情变化的人脸识别方法与流程

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。

技术实现要素：

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：

(3)

公式(3)中，为可视层，为第一个隐藏层，为第二个隐藏层，根据可视层的可视单元与第一个隐藏层的隐藏单元的关系可得第一层隐藏层的隐藏单元的激活概率，如下：

(4)

公式(4)中，为可视单元，为可视单元数，为隐藏单元，为激活函数，为第个可视单元与第个隐藏单元连接的权重值。

s7、利用深度信念网络迭代算法进行权重优化，得到的最优训练网络，迭代次数为，最优网络的判断依据为训练集的最大生成概率函数值最大，最大生成概率函数如下：

(5)

公式(5)中，为权重矩阵，为训练集中中心对称局部二值模式纹理特征矩阵，其中，；通过调整，学习率为0.001。

s8、将步骤s7得到的最优网络顶层利用分类器分类后，获得测试样本的类别标签。

优先地，步骤s2中所述分块处理为寻找最佳的分块方式，分别计算几种分块方式情况下，不同人脸库中的识别率，选取识别率最高时的分块方式为相应人脸库的最佳分块方式。

优先地，步骤s3中所述中心对称局部二值模式通过比较以中心像素点为对称中心的两像素点(即和)的灰度值大小，当比较结果大于0时，相应的二进制编码位为1，反之为0，并将二进制转化为十进制得到中心对称局部二值模式特征值，如公式(6)和(7)所示；

(6)

(7)

公式(6)中，为中心像素，中心像素周围邻域像素的个数为即，为符号函数，如公式(7)所示，是中心像素点周围邻域内像素的灰度值。

优先地，步骤s6中对于一个具有层隐藏单元的深度信念网络来说，其可视层的可视单元与第个隐藏单元的联合分布如公式(8)所示：

(8)

公式(8)中，表示第层的偏置；为第层和第层之间的权值；在深度信念网络中，视为一个受限的玻尔兹曼机模型，当输入为时，通过得到隐藏层；当输入为时，通过重构可视层，此过程为深度学习过程，其中深度信念网络的隐藏层存在着最佳的隐藏单位数使得本发明的识别率最高，本发明通过在人脸库中的实验，分别得出各人脸库的深度信念网络隐藏层的最佳隐藏单位数。

本发明的一种适用于光照、姿态、表情变化的人脸识别方法，与现有技术相比具有以下优点。

本发明能够降低特征提取的计算复杂度。由上述技术方案可看出，中心对称局部二值模式比较以中心像素点对称的和的灰度值，特征维数低、计算复杂度低、是更加紧凑的描述算子，能捕获到梯度信息，是有用信息更加丰富。

本发明具有较强的抗噪声能力，因此具有较高的识别率。由于噪声的影响，如摄像头轻微晃动，导致图像的像素点值发生变化，而中心对称局部二值模式是比较以中心像素点对称的两像素点的值，因此能够减小噪声对图像识别率的影响。

本发明对于微小的光照、姿态和表情变化的影响具有一定的抑制作用。由于中心对称局部二值模式具有光照和旋转不变性，其提取的纹理特征不发生变化，即输入深度信念网络的纹理特征也不发生变化，因此对于微小的光照、姿态和表情变化的影响具有一定的抑制作用。

附图说明

图1为本发明实施例的流程框图。

图2为orl人脸数据库示意图。

图3为extendyaleb人脸数据库示意图。

图4为cmu-pie人脸数据示意图。

图5为orl不同的分块情况对识别率的影响示意图。

图6为extendyaleb不同的分块情况对识别率的影响示意图。

图7为cmu-pie库中不同的分块情况对识别率的影响示意图。

图8为中心对称局部二值模式特征提取流程图。

图9为中心对称局部二值模式的人脸图像特征提取过程图。

图10为orl库中不同隐藏单位数对识别率的影响示意图。

图11为extendyaleb库中不同隐藏单位数对识别率的影响示意图。

图12为cmu-pie库中不同隐藏单位数对识别率的影响示意图。

图13为在orl、extendyaleb和cmu-pie这三个人脸数据库中，多种识别方法的对比实验结果。

具体实施方式

为使本发明的技术方案、特征及技术效果更加清楚明白，以下将参考附图详细结合示例性的实施例对本发明的技术方案进行更加清楚、具体的描述，本发明的技术方案步骤如图1所示。

实施例。

步骤一：获取人脸图像；本发明所采用的的人脸图像都是从orl人脸数据库、extendyaleb人脸数据库和cmu-pie人脸数据库这三个常用人脸数据库中下载的，其人脸图像示意图依次如图2、图3及图4所示。

步骤二：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。分别在三个人脸数据库中选取一定数量的人脸图像作为测试集和训练集，并分别计算本发明在几种不同分块情况下的识别率，将识别率最高分块方式作为各人脸数据库的最佳分块方式，结果如图5、图6及图7所示。

步骤三：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，其中中心对称局部二值模式特征提取流程图如图8所示。

步骤四：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。

步骤五：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，如图9所示。

步骤六：将步骤五得到的纹理特征向量输入到深度信念网络的可视层，本发明首先将隐藏层设置为2层，然后由可视层与隐藏层根据公式的联合分布可得可视层与两层隐藏层的联合分布，最后根据可视层的可视单元与第一个隐藏层的隐藏单元的关系可得第一层隐藏层的隐藏单元的激活概率，其中深度信念网络的隐藏层存在着最佳的隐藏单位数使得本发明的识别率最高，为寻找本发明对三个人脸数据库中的人脸图像进行识别时最佳的隐藏单位数，分别在三个人脸库数据库中选取一定数量的训练集和测试集，在三个人脸库各自最佳分块方式的条件下，应用本发明提出的方法，进行人脸识别实验，实验结果如图10、图11及图12所示。

步骤七：利用深度信念网络迭代算法进行权重优化，得到的最优训练网络，迭代次数为30，最优网络的判断依据为训练集的最大生成概率函数值最大，通过调整，学习率为0.001。

步骤八：将步骤七得到的最优网络顶层利用分类器分类后，获得测试样本的类别标签，本发明与其他常用的人脸识别方法在三个人脸数据库中的识别结果图13所示。

综上所述，本发明实施例通过提供了一种适用于光照、姿态、表情变化的人脸识别方法，包括：下载人脸图像并分成训练集和测试集；利用中心对称局部二值模式提取人脸图像的特征并生成纹理特征统计直方图；将提取的特征输入到深度信念网络的可视层；利用深度信念网络迭代算法进行权重优化，得到深度信念网络的最优训练网络，在此基础上，通过在人脸数据库中进行大量实验得到图像的最优分块方式和深度信念网络隐藏层的最佳隐藏单位数，由于实施例相似于方法步骤，所以描述得比较简单，以上应用具体的实施例对本发明的原理及实施方式进行了详细阐述，实施例只是用于帮助理解本发明的核心技术美容，而并不用于限制本发明的保护范围，本发明的技术方案不限制于上述具体实施方式内。