CN114187641A - 一种基于gcslbp与dbn的人脸识别方法 - Google Patents
一种基于gcslbp与dbn的人脸识别方法 Download PDFInfo
- Publication number
- CN114187641A CN114187641A CN202111549666.9A CN202111549666A CN114187641A CN 114187641 A CN114187641 A CN 114187641A CN 202111549666 A CN202111549666 A CN 202111549666A CN 114187641 A CN114187641 A CN 114187641A
- Authority
- CN
- China
- Prior art keywords
- dbn
- image
- sub
- gcslbp
- feature vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012549 training Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 230000009466 transformation Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于GCSLBP与DBN的人脸识别方法。本发明首先改进了原始的Gabor变换,通过引入中心对称局部二值模式方法进行优化,然后利用直方图的方法表示最终的特征向量,既提取到图像丰富的局部特征,又能降低特征向量维数。最后使用深度信念网络方法提高分类鲁棒性,完成人脸的分类和识别。本发明在人脸的分类和识别方面具有较好的效果。
Description
技术领域:
本发明涉及一种基于GCSLBP与DBN的人脸识别方法,该方法在人脸识别中有着较好的应用。
背景技术:
人脸识别技术是计算机视觉和人工智能领域内的关键技术之一,在信息安全、视频监控、人机交互领域都发挥着举足轻重的作用,其中图像的局部特征提取受到研究者们的重视,相对于全局特征,局部特征在细节描述方面有着更好的表现,它可以利用一组低维局部特征向量表示人脸,降低了计算成本与存储要求以及所提取的局部特征对光照、旋转等变换具有鲁棒性等优点。传统的人脸识别技术存在一些不足,当有噪声、旋转和光照等影响时识别率较低。而人脸局部特征在特征维数一定的情况下可以提升特征的鉴别力,降低计算复杂度。因此,可以充分利用人脸图像的局部特征信息,结合卷积神经网络对人脸进行高效的识别。
发明内容:
为了解决人脸识别问题,本发明公开了一种基于GCSLBP与DBN的人脸识别方法。
为此,本发明提供了如下技术方案:
1.一种基于GCSLBP与DBN的人脸识别方法,包括如下步骤:
步骤1对从人脸库中选取的输入图像X先进行预处理,再进行划分,得到大小为m×m的子块。
步骤2对每个子块x(1≤x≤m)处理后得到的40个小波子图像进行编码,得到各尺度图像的特征图像。
步骤3对特征图像进行直方图运算后将5个尺度直方图特征连接起来,得到子块Sx的特征向量,连接每个子块x(1≤x≤m)特征,得到图像X的特征向量V。
步骤4将步骤3得到的纹理特征向量V输入到DBN可见层中,然后对每一层进行训练后得到最优网络。
步骤5经过步骤4得到最优网络后,利用DBN网络顶层的Softmax方法进行分类,最终得到测试样本的识别率。
2.根据权利要求1所述的基于GCSLBP与DBN的人脸识别方法,所述步骤1中具体步骤为:
步骤1-1从人脸数据库选择人脸图片作为识别训练集。
步骤1-2将被选入训练集的人脸图像几何归一化处理和灰度归一处理。
步骤1-3将预处理之后的图像划分为m×m的子块。
3.根据权利要求1所述的基于GCSLBP与DBN的人脸识别方法,所述步骤2中具体步骤为:
步骤2-1对每个子块x(1≤x≤m)用Gabor滤波器进行卷积处理,处理之后得到40个小波子图像。
步骤2-2对小波子图像使用中心对称局部二值模式(CSLBP)算法进行编码,得到各尺度图像的特征图像。
4.根据权利要求1所述的基于GCSLBP与DBN的人脸识别方法,所述步骤3中具体步骤为:
步骤3-1对步骤2-2中得到的每个特征图像进行直方图运算。
步骤3-2将直方图运算后得到的5个尺度的直方图特征连接起来,得到子块Sx的特征向量。
步骤3-3将每个子块x(1≤x≤m)的特征连接起来,得到图像X的特征向量V。
5.根据权利要求1所述的基于GCSLBP与DBN的人脸识别方法,所述步骤4中具体步骤为:
步骤4-1通过步骤1到步骤3,得到人脸的纹理特征向量V,并将其输入到DBN的可见层中。
步骤4-2对可见层的每一层进行训练,训练过程中采用DBN迭代算法优化训练网络的权值W,直到得到最优网络。
6.根据权利要求1所述的基于GCSLBP与DBN的人脸识别方法,所述步骤5中具体步骤为:
使用DBN网络顶层的Softmax方法对步骤4得到的最优网络进行分类,最终得到测试样本的识别率。
有益效果:
1.本发明是一种基于GCSLBP与DBN的人脸识别方法。
2.针对DBN在完成人脸识别时会忽略局部信息的问题,本发明使用中心对称局部二值模式方法对原始的Gabor小波变换进行优化,提取到人脸图像丰富的局部特征。
3.针传统Gabor小波变换提取的特征向量维数较高和分类鲁棒性较低的问题,本发明使用直方图的方法表示最终的特征向量,有效降低了特征向量维数。使用深度信念网络中的Softmax方法进行分类,有效提高了分类鲁棒性。
4.本发明在ORL和CMU_PIE人脸数据库上实验,验证所提出的GCSLBP-DBN方法,实验表明本发明的方法有效的提高了人脸识别准确率和分类的鲁棒性。
具体实施方式:
以下结合具体实施例,对本发明的具体实施方式作进一步地详细说明。
本发明实施基于GCSLBP与DBN的人脸识别方法,本发明包括以下几个步骤:
步骤1对从人脸库中选取的输入图像X先进行预处理,再进行划分,得到大小为m×m的子块。
步骤1-1从人脸数据库选择人脸图片作为识别训练集。
步骤1-2将被选入训练集的人脸图像几何归一化处理和灰度归一处理。
步骤1-3将预处理之后的图像划分为m×m的子块。
步骤2对每个子块x(1≤x≤m)处理后得到的40个小波子图像进行编码,得到各尺度图像的特征图像。
步骤2-1对每个子块x(1≤x≤m)用Gabor滤波器进行卷积处理,处理之后得到40个小波子图像。Gabor滤波器可由如下公式表示:
对每个子块用Gabor滤波器进行卷积得到40个小波子图像。卷积公式如下所示:
Gu,ν(Z)=X*ψu,ν(Z)
步骤2-2对小波子图像使用中心对称局部二值模式(CSLBP)算法进行编码,得到各尺度图像的特征图像。CSLBP算法编码公式如下所示:
GSν(X)={|Gu,ν(X)|u=0,1,2,3,4,5,6,7}
其中X(x,y)是输入图像,Gu,ν(X)为步骤2-1中卷积公式计算给出的40幅子图像,其中,集合GSν(X)包含生成的各尺度图像的特征图像。
经过CSLBP算法编码公式处理之后,得到GCSLBP特征,即GCSLBPu,v(x,y),v∈{0,1,2,3,4},u={0,1,…,7}。
步骤3对特征图像进行直方图运算后将5个尺度直方图特征连接起来,得到子块Sx的特征向量,连接每个子块x(1≤x≤m)特征,得到图像X的特征向量V。
步骤3-1对步骤2-2中得到的每个特征图像进行直方图运算。将同一尺度v下的GCSLBP特征进行直方图表示,公式如下所示:
其中,i=0,1,...15,v∈{0,1,2,3,4},u={0,1,…,7}。
步骤3-2将直方图运算后得到的5个尺度的直方图特征连接起来,得到子块Sx的特征向量。将不同尺度下的GCSLBP特征进行集合,公式如下所示:
H(X)=[Hv(X):v=0,1,2,3,4]
步骤3-3将每个子块x(1≤x≤m)的特征连接起来,得到图像X的特征向量V。
步骤4将步骤3得到的纹理特征向量V输入到DBN可见层中,然后对每一层进行训练后得到最优网络。
步骤4-1通过步骤1到步骤3,得到人脸的纹理特征向量V,并将其输入到DBN的可见层中。
步骤4-2对可见层的每一层进行训练,训练过程中采用DBN迭代算法优化训练网络的权值W,直到得到最优网络。最优网络的判断是根据训练集的最大概率函数值来决定。最大概率函数公式如下所示:
其中,w为权值矩阵;V为训练集的GCSLBP纹理特征矩阵,将迭代次数m设为3000,学习率设定为0.001。
步骤5经过步骤4得到最优网络后,利用DBN网络顶层的Softmax方法进行分类,最终得到测试样本的识别率。
使用DBN网络顶层的Softmax分类方法对步骤4得到的最优网络进行分类,最终得到测试样本的识别率。
本发明采用ORL和CMU_PIE人脸数据库验证所提出方法,结果表明本方法在人脸识别问题上具有较好的识别效果和较高的分类鲁棒性。
本发明实施方式所实现的基于GCSLBP与DBN的人脸识别方法,使用中心对称局部二值模式方法对原始的Gabor变换进行优化,提取到人脸图像丰富的局部特征,然后利用直方图的方法表示最终的特征向量,最后使用深度信念网络中的Softmax方法完成人脸的分类。该方法有效的提高了人脸识别准确率和分类的鲁棒性。
以上所述是对本发明的实施例进行的详细介绍,本文的具体实施方式只是用于帮助理解本发明的方法。对于本技术领域的普通技术人员,依据本发明的思想,在具体实施方式及应用范围内均可有所变更和修改,故本发明书不应理解为对本发明的限制。
Claims (6)
1.基于GCSLBP与DBN的人脸识别方法,该方法包括以下步骤:
步骤1对从人脸库中选取的输入图像X先进行预处理,再进行划分,得到大小为m×m的子块。
步骤2对每个子块x(1≤x≤m)处理后得到的40个小波子图像进行编码,得到各尺度图像的特征图像。
步骤3对特征图像进行直方图运算后将5个尺度直方图特征连接起来,得到子块Sx的特征向量,连接每个子块x(1≤x≤m)特征,得到图像X的特征向量V。
步骤4将步骤3得到的纹理特征向量V输入到DBN可见层中,然后对每一层进行训练后得到最优网络。
步骤5经过步骤4得到最优网络后,利用DBN网络顶层的Softmax方法进行分类,最终得到测试样本的识别率。
2.根据权利要求1所述的基于GCSLBP与DBN的人脸识别方法,所述步骤1中具体步骤为:
步骤1-1从人脸数据库选择人脸图片作为识别训练集。
步骤1-2将被选入训练集的人脸图像几何归一化处理和灰度归一处理。
步骤1-3将预处理之后的图像划分为m×m的子块。
3.根据权利要求1所述的基于GCSLBP与DBN的人脸识别方法,所述步骤2中具体步骤为:
步骤2-1对每个子块x(1≤x≤m)用Gabor滤波器进行卷积处理,处理之后得到40个小波子图像。
步骤2-2对小波子图像使用中心对称局部二值模式(CSLBP)算法进行编码,得到各尺度图像的特征图像。
4.根据权利要求1所述的基于GCSLBP与DBN的人脸识别方法,所述步骤3中具体步骤为:
步骤3-1对步骤2-2中得到的每个特征图像进行直方图运算。
步骤3-2将直方图运算后得到的5个尺度的直方图特征连接起来,得到子块Sx的特征向量。
步骤3-3将每个子块x(1≤x≤m)的特征连接起来,得到图像X的特征向量V。
5.根据权利要求1所述的基于GCSLBP与DBN的人脸识别方法,所述步骤4中具体步骤为:
步骤4-1通过步骤1至步骤3,得到人脸的纹理特征向量V,并将其输入到DBN的可见层中。
步骤4-2对可见层的每一层进行训练,训练过程中采用DBN迭代算法优化训练网络的权值W,直到得到最优网络。
6.根据权利要求1所述的基于GCSLBP与DBN的人脸识别方法,所述步骤5中:
使用DBN网络顶层的Softmax方法对步骤4得到的最优网络进行分类,最终得到测试样本的识别率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111549666.9A CN114187641A (zh) | 2021-12-17 | 2021-12-17 | 一种基于gcslbp与dbn的人脸识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111549666.9A CN114187641A (zh) | 2021-12-17 | 2021-12-17 | 一种基于gcslbp与dbn的人脸识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114187641A true CN114187641A (zh) | 2022-03-15 |
Family
ID=80544265
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111549666.9A Pending CN114187641A (zh) | 2021-12-17 | 2021-12-17 | 一种基于gcslbp与dbn的人脸识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114187641A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127196A (zh) * | 2016-09-14 | 2016-11-16 | 河北工业大学 | 基于动态纹理特征的人脸表情的分类与识别方法 |
CN107818299A (zh) * | 2017-10-17 | 2018-03-20 | 内蒙古科技大学 | 基于融合hog特征和深度信念网络的人脸识别算法 |
CN108664911A (zh) * | 2018-05-04 | 2018-10-16 | 武汉科技大学 | 一种基于图像稀疏表示的鲁棒人脸识别方法 |
CN109740578A (zh) * | 2019-03-01 | 2019-05-10 | 哈尔滨理工大学 | 一种适用于光照、姿态、表情变化的人脸识别方法 |
CN111339856A (zh) * | 2020-02-17 | 2020-06-26 | 淮阴工学院 | 基于深度学习的复杂光照条件下人脸识别方法和识别系统 |
CN113066172A (zh) * | 2021-04-21 | 2021-07-02 | 哈尔滨理工大学 | 一种基于云模型和神经网络的三维模型分类方法 |
CN113673476A (zh) * | 2021-09-02 | 2021-11-19 | 京东科技控股股份有限公司 | 人脸识别模型训练方法、装置、存储介质与电子设备 |
-
2021
- 2021-12-17 CN CN202111549666.9A patent/CN114187641A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127196A (zh) * | 2016-09-14 | 2016-11-16 | 河北工业大学 | 基于动态纹理特征的人脸表情的分类与识别方法 |
CN107818299A (zh) * | 2017-10-17 | 2018-03-20 | 内蒙古科技大学 | 基于融合hog特征和深度信念网络的人脸识别算法 |
CN108664911A (zh) * | 2018-05-04 | 2018-10-16 | 武汉科技大学 | 一种基于图像稀疏表示的鲁棒人脸识别方法 |
CN109740578A (zh) * | 2019-03-01 | 2019-05-10 | 哈尔滨理工大学 | 一种适用于光照、姿态、表情变化的人脸识别方法 |
CN111339856A (zh) * | 2020-02-17 | 2020-06-26 | 淮阴工学院 | 基于深度学习的复杂光照条件下人脸识别方法和识别系统 |
CN113066172A (zh) * | 2021-04-21 | 2021-07-02 | 哈尔滨理工大学 | 一种基于云模型和神经网络的三维模型分类方法 |
CN113673476A (zh) * | 2021-09-02 | 2021-11-19 | 京东科技控股股份有限公司 | 人脸识别模型训练方法、装置、存储介质与电子设备 |
Non-Patent Citations (1)
Title |
---|
JIN LIU.ET AL: "A Novel Local Feature Extraction Algorithm Based on Gabor Wavelet Transform", 《ICAIP \'19: PROCEEDINGS OF THE 2019 3RD INTERNATIONAL CONFERENCE ON ADVANCES IN IMAGE PROCESSING》, 24 January 2020 (2020-01-24), pages 76 - 80 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cui et al. | Identifying materials of photographic images and photorealistic computer generated graphics based on deep CNNs. | |
CN107122809B (zh) | 基于图像自编码的神经网络特征学习方法 | |
Aly et al. | Deep convolutional self-organizing map network for robust handwritten digit recognition | |
CN111753828B (zh) | 一种基于深度卷积神经网络的自然场景水平文字检测方法 | |
CN108121975B (zh) | 一种联合原始数据和生成数据的人脸识别方法 | |
CN111695456B (zh) | 一种基于主动判别性跨域对齐的低分辨人脸识别方法 | |
CN108664911B (zh) | 一种基于图像稀疏表示的鲁棒人脸识别方法 | |
CN113674334B (zh) | 基于深度自注意力网络和局部特征编码的纹理识别方法 | |
CN105718889A (zh) | 基于GB(2D)2PCANet深度卷积模型的人脸身份识别方法 | |
Yue et al. | Face recognition based on histogram equalization and convolution neural network | |
CN111695513A (zh) | 一种基于深度残差网络的人脸表情识别方法 | |
CN111695455B (zh) | 一种基于耦合判别流形对齐的低分辨人脸识别方法 | |
CN111242056B (zh) | 一种最大-最小距离嵌入的无监督高光谱图像分类方法 | |
CN110991554A (zh) | 一种基于改进pca的深度网络图像分类方法 | |
CN111027570A (zh) | 一种基于细胞神经网络的图像多尺度特征提取方法 | |
Ma et al. | Research on image classification method based on DCNN | |
CN1790374A (zh) | 一种基于模板匹配的人脸识别方法 | |
CN111401434B (zh) | 一种基于无监督特征学习的图像分类方法 | |
CN114140657A (zh) | 一种基于多特征融合的图像检索方法 | |
CN113378021A (zh) | 基于半监督的信息熵主成分分析降维方法 | |
CN112364809A (zh) | 一种高准确率的人脸识别改进算法 | |
Özyurt et al. | A new method for classification of images using convolutional neural network based on Dwt-Svd perceptual hash function | |
CN109063766B (zh) | 一种基于判别性预测稀疏分解模型的图像分类方法 | |
CN114187641A (zh) | 一种基于gcslbp与dbn的人脸识别方法 | |
CN113192076B (zh) | 联合分类预测和多尺度特征提取的mri脑肿瘤图像分割方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |