一种基于CLBP和卷积神经网络的人脸识别方法技术

本发明专利技术公开了一种基于CLBP和卷积神经网络的人脸识别方法，全面考虑了特征的鲁棒性、可辨别性和代表性，去除了影响不大的冗余信息，明显提高了人脸识别的准确性。主要步骤为通过CLBP算法提取人脸图像的纹理特征，将得到的特征作为卷积神经网络的输入，经过卷积池化处理后，在全连接层中将提取的特征进行级联融合，最后利用Softmax分类器分类识别。本发明专利技术与传统的人脸识别方法相比，能够更加高效的解决实际问题，具有一定的实用价值。

A face recognition method based on CLBP and convolution neural network

【技术实现步骤摘要】
一种基于CLBP和卷积神经网络的人脸识别方法
本专利技术属于数字图像处理的应用领域，具体涉及一种基于CLBP(completedlocalbinarypatternCLBP)和卷积神经网络的人脸识别方法。
技术介绍
随着社会的发展以及技术的进步，人们对快速、高效的自动身份验证的要求日益迫切，生物识别技术在科研领域得到了极大的重视和发展。在人与人的接触中，人脸所包含的视觉信息占据了重要地位，它无疑是区分人与人之间差异的最重要特征之一。人脸识别属于计算机科研领域的一项热门技术，它是一种基于生物特征的识别技术，利用计算机从图像或图像序列中检测出人脸，并判断其身份。随着人脸识别应用越来越广泛，人脸识别技术将面临越来越多的挑战，对其稳定性和精度要求也越来越高。所以如何有效的解决人脸识别技术难题，使其具有强鲁棒性、高识别率、规模巨大的人脸识别系统具有十分重要的意义。人脸识别平常分为三个部分：人脸检测、特征提取、人脸验证。人脸特征提取在全部人脸识别过程当中相当关键，它决定人脸验证结果的优劣。其中，基于局部二值模式(LBP)特征的方法运算速度快本文档来自技高网...

【技术保护点】
1.一种基于CLBP和卷积神经网络的人脸识别方法，该方法首先对图像进行预处理，然后使用CLBP算法提取纹理特征，输入卷积神经网络训练模型，具体包括如下步骤：/n步骤1，对所有的训练样本和测试样本进行预处理，使图像大小统一为N*N；/n步骤2，将处理好的图像输入CLBP算法中进行纹理特征提取；/n步骤3，将提取的训练样本CLBP特征作为卷积神经网络的输入进行训练，所述卷积神经网络包括依次连接的卷积层C1、池化层S2、卷积层C3、池化层S4、卷积层C5、池化层S5、全连接层FC7、全连接层FC8以及分类层Softmax；/n步骤4，将测试样本的CLBP特征值输入到训练好的卷积神经网络中，通过Sof...

【技术特征摘要】
1.一种基于CLBP和卷积神经网络的人脸识别方法，该方法首先对图像进行预处理，然后使用CLBP算法提取纹理特征，输入卷积神经网络训练模型，具体包括如下步骤：
步骤1，对所有的训练样本和测试样本进行预处理，使图像大小统一为N*N；
步骤2，将处理好的图像输入CLBP算法中进行纹理特征提取；
步骤3，将提取的训练样本CLBP特征作为卷积神经网络的输入进行训练，所述卷积神经网络包括依次连接的卷积层C1、池化层S2、卷积层C3、池化层S4、卷积层C5、池化层S5、全连接层FC7、全连接层FC8以及分类层Softmax；
步骤4，将测试样本的CLBP特征值输入到训练好的卷积神经网络中，通过Softmax进行分类识别。


2.根据权利要求1所述的一种基于CLBP和卷积神经网络的人脸识别方法，其特征在于：所述的步骤2中CLBP算法特征提取的具体步骤如下：
CLBP具有3个描述子：中心描述子CLBP_C、符号描述子CLBP_S和大小描述子CLBP_M，局部差分符号数值变换如下所示：
dp＝sp×mp
mp＝|dp|，
其中，dp是图像中邻域像素和中心像素的差值，sp是dp的符号，mp是dp的大小，描述子CLBP_S和原始的LBP编码是一致的，只是将编码值“0”变成了“-1”，其余的两个描述子CLBP_M、CLBP_C计算方法分别为：



CLBP_CP，R＝t(gc，cI)，
其中c是自适应阈值，这里c的值被设定为mp的均值，gc表示中心像素灰度值，cI表示整幅图像灰度的平均值，即通过比较中心像素与全图平均像素值的大小来进行二进制编码。


3.根据权利要求1所述的一种基于CLBP和卷积神经网络的人脸识别方法，其特征在于：步骤3中，卷积...

【专利技术属性】
技术研发人员：严灵毓，盛梦涵，王春枝，李敏，姚殊宇，
申请(专利权)人：湖北工业大学，
类型：发明
国别省市：湖北;42