一种改进LBP和轻量卷积神经网络级联的人脸识别方法技术

本发明专利技术涉及一种改进LBP和轻量卷积神经网络级联的人脸识别方法，提供：对齐分区局部二值模式初次识别测试单元，APLBP与轻量化卷积神经网络级联的二次识别测试单元，APLBP识别测试单元，轻量化卷积神经网络并行流水线模块加速单元，计算平均识别率单元。将采集的人脸图像划分为主要区域和次要区域，对于人脸图像的主要区域与次要区域，提取中心点LBP像素特征值；通过级联的关系对APLBP识别并提取出的相似图像再加入轻量级卷积神经网络进行二次识别。充分融入了APLBP算法的速度优势和轻量化卷积神经网络的精度优势，通过对轻量化卷积神经网络的卷积层中耗时大的矩阵乘加运算使用并行模块进行加速，从而达到速度和准确率的双向提升。

A Face Recognition Method Based on Improved Cascade of LBP and Lightweight Convolutional Neural Network

The present invention relates to an improved face recognition method cascaded by LBP and lightweight convolution neural network. It provides: aligned partition local binary pattern initial recognition test unit, APLBP and lightweight convolution neural network cascaded secondary recognition test unit, APLBP recognition test unit, lightweight convolution neural network parallel pipeline module acceleration unit, calculation average recognition rate unit. The collected face images are divided into main and secondary regions. For the main and secondary regions of the face images, the LBP pixel eigenvalues of the central point are extracted. The similar images extracted from APLBP are recognized by cascade relationship and then re-recognized by a lightweight convolution neural network. Fully incorporating the speed advantage of APLBP algorithm and the precision advantage of lightweight convolution neural network, the time-consuming matrix multiplication and addition operation in the convolution layer of lightweight convolution neural network is accelerated by using parallel module, so as to achieve two-way improvement of speed and accuracy.

【技术实现步骤摘要】
一种改进LBP和轻量卷积神经网络级联的人脸识别方法
本专利技术涉及人脸识别
，特别是一种改进LBP和轻量卷积神经网络级联的人脸识别方法。
技术介绍
人脸识别技术现今正逐步走向成熟，其在动车进站、餐厅付款等场合已经开始大规模使用，但其在算法、识别时间和识别效率方面仍有待改进。现有的人脸识别算法有基于人脸特征点的识别算法，基于神经网络的人脸识别算法，基于LBP(局部二值模式)的人脸识别算法等。基于神经网络的人脸识别算法现在出现的有很多种，几乎都是基于卷积神经网络来设计的，卷积神经网络其主要包括以下几个层级，输入层、卷积层、池化层、全连接层和softmax层。目前主流的卷积神经网络有Alexnet、VGG-Face和DeepID，虽然目前通过深度学习应用卷积神经网络在人脸识别方面都取得了很好的效果，但是其伴随的网络都非常深和复杂，模型都非常的庞大，对硬件资源的消耗也很巨大，对嵌入式端来说是非常不适用的。而基于LBP的人脸识别算法，其运用到的是对图像纹理特征的提取，使得光照对识别的影响降得很低，但其算法缺点也很多仍有很多待改进的地方。相较之下此方法及装置将改进的LBP算法和轻量级卷积神本文档来自技高网...

【技术保护点】
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，提供：对齐分区局部二值模式初次识别测试单元，用于划分人脸的主要区域和次要区域，通过采用APLBP算法计算人脸图片的APLBP像素特征值，并通过计算人脸相似度的度量值进行第一次识别，得到多张相似的人脸图片；APLBP与轻量化卷积神经网络级联的二次识别测试单元，用于对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，在轻量化卷积神经网络进行卷积池化处理提取特征，并根据计算人脸相似度所获取的度量值进行比较，识别出最佳匹配人脸；轻量化卷积神经网络并行流水线模块加速单元，用于对轻量化卷积神经网络中的各个卷积层中的...

【技术特征摘要】
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，提供：对齐分区局部二值模式初次识别测试单元，用于划分人脸的主要区域和次要区域，通过采用APLBP算法计算人脸图片的APLBP像素特征值，并通过计算人脸相似度的度量值进行第一次识别，得到多张相似的人脸图片；APLBP与轻量化卷积神经网络级联的二次识别测试单元，用于对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，在轻量化卷积神经网络进行卷积池化处理提取特征，并根据计算人脸相似度所获取的度量值进行比较，识别出最佳匹配人脸；轻量化卷积神经网络并行流水线模块加速单元，用于对轻量化卷积神经网络中的各个卷积层中的卷积做并行运算，以加快操作速度；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，输出人脸检测结果。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，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APLBP算法进行初次识别，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。3.根据权利要求2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...

【专利技术属性】
技术研发人员：高志斌，唐凌，郭嘉，张昊，吴焱扬，黄联芬，郭杰锋，林英，吴卫东，肖锋，
申请(专利权)人：厦门大学，
类型：发明
国别省市：福建,35