一種基于局部三值模式的深度學(xué)習(xí)人臉識(shí)別算法

鄭秋梅，謝換麗，王風(fēng)華，蘇 政，劉 真

(中國(guó)石油大學(xué)計(jì)算機(jī)與通信工程學(xué)院，山東 青島 266580)

0 引 言

近年來(lái)，人臉識(shí)別技術(shù)在國(guó)防安全、考試系統(tǒng)、交通管理等方面得到廣泛應(yīng)用。人臉識(shí)別的準(zhǔn)確度與選取的特征提取算法密不可分。傳統(tǒng)的特征提取算法有基于全局模式和基于局部鄰域的特征描述2種。全局模式的特征提取算法主要有主成分分析(Principal Component Analysis， PCA)[1-2]、線性鑒別分析[3](Linear Discriminant Analysis，LDA)等。Kirby和Shakunaga等人[1-2]提出的“特征臉”(PCA)算法是基于子空間的，利用低維的線性空間進(jìn)行人臉描述、表達(dá)，從而進(jìn)行人臉識(shí)別，但識(shí)別率較低。1997年Belhumeur等人[3]提出的Fisher LDA方法，主要利用Fisher準(zhǔn)則使類間與類內(nèi)之間的散度比值最大化，在小樣本中也可以很好地識(shí)別，但也丟失了樣本內(nèi)的一些鑒別信息。這些基于全局的特征描述方法受光照、噪聲的影響較大，識(shí)別率明顯低于局部特征提取算法。局部模式特征描述方法有Gabor小波[4]、局部二值模式(Local Binary Pattern，LBP)[5]等。Gabor小波通過(guò)多方向和多尺度選擇，能夠很好地提取圖像特征，但提取的特征維度過(guò)高，識(shí)別率較低。2004年出現(xiàn)的LBP[6-7]算法，通過(guò)計(jì)算中間像素與周圍像素間的灰度差值表達(dá)圖像紋理特征的差異。算法具有灰度、旋轉(zhuǎn)不變的特點(diǎn)，但特征提取相對(duì)困難，當(dāng)光照角度生成變化時(shí)識(shí)別效果并不令人滿意。后來(lái)，研究人員在LBP的基礎(chǔ)上提出LTP(Local Ternary Pattern)[8-9]。該方法通過(guò)修改LBP的閾值函數(shù)定義方式，使得對(duì)紋理特征的描述更加詳細(xì)。LTP繼承了LBP的優(yōu)點(diǎn)但比LBP對(duì)光照變化和噪聲因素的影響小，在人臉識(shí)別方面的識(shí)別率更高，但其在特征提取過(guò)程中對(duì)主觀因素的依賴性較強(qiáng)，無(wú)法自動(dòng)學(xué)習(xí)提取特征。

近年來(lái)，深度學(xué)習(xí)成為計(jì)算機(jī)視覺(jué)領(lǐng)域的一個(gè)研究重點(diǎn)[10-11]。它從低到高依次訓(xùn)練每層網(wǎng)絡(luò)，以實(shí)現(xiàn)圖像分類等功能，其思想意在模仿人腦學(xué)習(xí)過(guò)程。Deepface[12]對(duì)圖像分析采用67個(gè)基點(diǎn)將二維圖像轉(zhuǎn)化為3D形狀，使用3D模型來(lái)將人臉對(duì)齊，使用CNN(Convolutional Neural Network)進(jìn)行特征提取，然后用9層深度網(wǎng)絡(luò)訓(xùn)練獲得識(shí)別結(jié)果，但這種算法需要訓(xùn)練大量的圖片，訓(xùn)練時(shí)間長(zhǎng)。深度信念網(wǎng)絡(luò)(Deep Belief Network，DBN)[13]通過(guò)從下到上自動(dòng)學(xué)習(xí)人臉特征，可以不依賴人工自動(dòng)提取特征。傳統(tǒng)的DBN網(wǎng)絡(luò)直接以像素級(jí)特征為輸入，網(wǎng)絡(luò)對(duì)光照等因素較敏感，無(wú)法對(duì)小區(qū)域的圖像特征進(jìn)行描述。LTP的閾值擴(kuò)展到了0，1，-1的模式，使得對(duì)像素灰度差異變化的影響變小，較LBP提取的特征更加清晰，對(duì)光照、噪聲等因素更不敏感，加強(qiáng)了圖像的局部特征[14]。把取得的LTP特征輸入到該網(wǎng)絡(luò)中，可有效解決傳統(tǒng)DBN算法忽略局部特征的缺點(diǎn)，避免網(wǎng)絡(luò)學(xué)習(xí)到不利的特征，使提取的特征更加清晰，從而提高識(shí)別率。

本文提出一種基于LTP和深度學(xué)習(xí)的算法(LTDBN)。算法先對(duì)人臉圖做LTP運(yùn)算，而后將其輸入到深度信念網(wǎng)絡(luò)的入口，采用逐層貪婪學(xué)習(xí)法對(duì)整個(gè)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到相應(yīng)的參數(shù)，再進(jìn)行測(cè)試訓(xùn)練，在最頂層獲得分類。LTDBN算法既解決了DBN忽略局部特征的問(wèn)題，又能避免過(guò)多地依賴人工選擇，自動(dòng)獲取圖像特征。LTDBN方法在公開(kāi)數(shù)據(jù)集上的實(shí)驗(yàn)表明該方法的識(shí)別率獲得了提高，特別是與文獻(xiàn)[18]的算法對(duì)比，LTDBN算法不會(huì)因樣本值的改變使識(shí)別效果發(fā)生大的波動(dòng)，有更好的適應(yīng)性。

1 相關(guān)工作

1.1 LTP算子

LBP是由Heikkila提出的特征描述符，通過(guò)圖像中心點(diǎn)像素值和鄰域點(diǎn)像素值差值與閾值進(jìn)行比較獲得，但把該區(qū)域中心點(diǎn)的像素值作為閾值使得算子對(duì)噪聲相對(duì)敏感[15]，缺乏對(duì)圖像整體信息的粗粒度把握，無(wú)法保證識(shí)別的魯棒性[16]。而LTP對(duì)圖像的特征描述更加清楚，性能有了很大提高。因此，本文采用LTP算子進(jìn)行圖像特征提取。LTP由Tan[9]提出，更改了閾值函數(shù)的定義方式，擴(kuò)展了閾值區(qū)間，由原來(lái)LBP的0，1擴(kuò)大到0，1，-1。LTP算子由LBP的一個(gè)閾值增加到了一個(gè)數(shù)值范圍[-t，t]，通過(guò)計(jì)算中間點(diǎn)像素值gc與四周鄰域像素值gb的差，再和閾值范圍進(jìn)行比較，鄰域像素點(diǎn)與中心像素點(diǎn)的差值的絕對(duì)值在閾值范圍內(nèi)記為為0，兩者的差值大于閾值范圍，則記為1，小于則記為-1。LTP編碼取值如公式(1):

(1)

其中t是設(shè)定的閾值，gc是區(qū)域內(nèi)的中心像素點(diǎn)，gb是均勻分布在半徑R的圓域內(nèi)的鄰域像素點(diǎn)。LTP公式由公式(2)表示：

(2)

LTP詳細(xì)的處理過(guò)程如圖1所示，經(jīng)過(guò)在鄰域內(nèi)的比對(duì)后，將對(duì)比好的0，1值以鄰域左上角為起始端記錄下為0011(-1)010。

圖1 LTP編碼過(guò)程

經(jīng)過(guò)LTP編碼后會(huì)產(chǎn)生-1部分，為了降低復(fù)雜度，將LTP的編碼拆分成上層和下層部分。上層部分是把編碼中的所有為-1的值用0代替，其余的不變;下層部分是把所有為1的值用0代替，-1的值用1代替，剩下的不改變。分解過(guò)程如圖2所示，0011(-1)010被分解為上層部分(00110010)和下層部分(0000100)。

圖2 LTP分解編碼

為了獲得圖像小區(qū)域中更清晰的紋理特征，將圖像劃分成不同的子塊，然后各自提取LTP特征，再將得到子塊的直方圖特征進(jìn)行加權(quán)連接，從而獲得最后的圖像特征。如圖3所示，圖3(a)～圖3(c)分別為原圖、LBP和LTP提取后的特征。LTP算法能詳細(xì)地描述出圖像的亮暗點(diǎn)、邊緣等信息，提取的紋理愈加清晰，編碼過(guò)程簡(jiǎn)單易懂，具有更好的鑒別能力[17]，但LTP算子在特征提取過(guò)程中過(guò)多依賴主觀因素(帶眼睛、帽子、拍攝角度多大等因素)。而DBN網(wǎng)絡(luò)能夠不過(guò)多地依賴于主觀因素，所以本文通過(guò)融合深度學(xué)習(xí)自主學(xué)習(xí)能力，提出了LTDBN算法。

(a) 原圖

(b) LBP特征提取

(c) LTP特征提取圖3 LBP和LTP特征提取

1.2 深度信念網(wǎng)絡(luò)

2006年，Hinton提出了一種可以自上而下的自動(dòng)學(xué)習(xí)圖像特征的方法，通過(guò)訓(xùn)練可視層和隱藏層神經(jīng)元權(quán)值，獲得最好訓(xùn)練數(shù)據(jù)的概率模型(DBN模型)。DBN包括多個(gè)隱藏層(h表示)和可視層(v表示)?？梢晫又饕秋@性神經(jīng)元，負(fù)責(zé)處理網(wǎng)絡(luò)的輸入數(shù)據(jù);隱藏層主要是隱性神經(jīng)元，負(fù)責(zé)對(duì)信息處理后的特征表達(dá)。DBN的核心是受限玻爾茲曼機(jī)(Restricted Boltzman Machine，RBM)[18]，其訓(xùn)練過(guò)程是按順序一層層地訓(xùn)練RBM，先訓(xùn)練v，然后把v獲得的數(shù)據(jù)向量作為下一個(gè)h的輸入，按照這種方式獲取每一層的數(shù)據(jù)向量，以此來(lái)提高網(wǎng)絡(luò)訓(xùn)練時(shí)間。

RBM由一層v層和h層連接組成，但2層各自之間的單元又是互相獨(dú)立的。如v層包含m個(gè)顯性神經(jīng)元，h層包含n個(gè)隱性神經(jīng)元，這m個(gè)可視神經(jīng)元每一個(gè)都指向n個(gè)隱層神經(jīng)元，同樣每個(gè)隱層n個(gè)神經(jīng)元也與m個(gè)可視神經(jīng)元連接，但m個(gè)顯性神經(jīng)元和n個(gè)隱性神經(jīng)元各自之間是沒(méi)有連接的，如圖4所示。

圖4 RBM結(jié)構(gòu)模型

v層和h層組成的RBM作為能量模型其定義如公式(3)所示:

(3)

式(3)中，vi代表顯性神經(jīng)元，hj代表隱性神經(jīng)元，Wij∈R表示vi和hj之間的權(quán)值，aj∈R表示hj的偏置，bi∈R表示vi的偏置，其聯(lián)合概率密度函數(shù)可以用公式(4)表示:

(4)

其中Z可以表示為:

由式(3)和式(4)可知，若已知顯性神經(jīng)元v，隱性神經(jīng)元h的激活概率P為:

(5)

(6)

根據(jù)這2個(gè)條件概率公式，在已知一層數(shù)據(jù)的情況下，可以計(jì)算下一層的數(shù)據(jù)，這也是RBM的關(guān)鍵所在。

DBN是一個(gè)由無(wú)人監(jiān)督的RBM組成的多層判別模型，且最頂層連接的2個(gè)RBM是雙向連接，最底層的為特征的輸入端。整個(gè)網(wǎng)絡(luò)包含可觀測(cè)數(shù)據(jù)、可視層、隱藏層(可以是多層)、輸出。其訓(xùn)練過(guò)程包括2個(gè)部分，一是將提取的圖像特征作為v層的輸入數(shù)據(jù)，自下而上迭代進(jìn)行無(wú)監(jiān)督的訓(xùn)練整個(gè)神經(jīng)網(wǎng)絡(luò)，得到相應(yīng)的參數(shù)；二是利用第一步獲得的參數(shù)通過(guò)監(jiān)督方法對(duì)整個(gè)網(wǎng)絡(luò)進(jìn)行全局訓(xùn)練，獲得最終的網(wǎng)絡(luò)參數(shù)，在最頂層進(jìn)行分類識(shí)別，計(jì)算正確率。

DBN作為一種可以自動(dòng)學(xué)習(xí)輸入數(shù)據(jù)特征的深度學(xué)習(xí)網(wǎng)絡(luò)，避免了過(guò)多地依賴于主觀因素，節(jié)省了大量的人工勞動(dòng)力。但是若直接以像素級(jí)作為輸入數(shù)據(jù)，網(wǎng)絡(luò)不僅對(duì)光照等因素較敏感，對(duì)圖像的小區(qū)域的紋理特征無(wú)法提取，學(xué)習(xí)不到圖像局部結(jié)構(gòu)特征，而且識(shí)別率較低[13]。而LTP算子是一種可以提取圖像局部紋理的方法，針對(duì)這種情況本文提出一種基于LTP和深度學(xué)習(xí)(LTDBN)的人臉識(shí)別算法。

2 LTDBN人臉識(shí)別算法

結(jié)合DBN在特征提取過(guò)程中不依賴于主觀因素、易忽略局部特征的特點(diǎn)和LTP算法可以提取圖像更完整的圖像信息，對(duì)光照、噪聲因素的影響力較低等的特點(diǎn)，本文提出LTDBN方法。LTDBN算法是以LTP提取的圖像特征作為DBN網(wǎng)絡(luò)的輸入，然后利用DBN網(wǎng)絡(luò)進(jìn)一步自動(dòng)學(xué)習(xí)有效的特征，LTP特征輸入到輸入層后，采用逐層貪婪學(xué)習(xí)法對(duì)整個(gè)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到相應(yīng)的參數(shù)，再在頂層實(shí)現(xiàn)人臉的分類識(shí)別。以LTP紋理特征作為輸入數(shù)據(jù)可以更好地學(xué)習(xí)網(wǎng)絡(luò)，強(qiáng)化網(wǎng)絡(luò)學(xué)習(xí)能力，同時(shí)結(jié)合DBN可以自動(dòng)學(xué)習(xí)圖像特征，保留圖像小區(qū)域的特征，提取更加清晰的特征，降低對(duì)光照、噪聲等因素的影響力。本文的LTDBN人臉識(shí)別算法的識(shí)別過(guò)程圖5所示。

圖5 LTDBN識(shí)別過(guò)程

為了獲取更詳細(xì)的圖像特征，本文將圖像均分為4×4小塊(通過(guò)在ORL人臉數(shù)據(jù)庫(kù)上實(shí)驗(yàn)，當(dāng)分塊為4×4時(shí)識(shí)別效果最佳，所以本文采用4×4對(duì)圖像進(jìn)行分塊)，然后對(duì)各個(gè)子塊運(yùn)用LTP算子獲得相應(yīng)的LTP編碼圖像，最后加權(quán)連接直方圖，實(shí)現(xiàn)LTP算子的人臉圖像局部特征提取。提取過(guò)程如圖6所示。

圖6 LTP特征提取過(guò)程

在獲得LTP局部特征后，將其作為DBN網(wǎng)絡(luò)的輸入數(shù)據(jù)，此時(shí)網(wǎng)絡(luò)的聯(lián)合分布函數(shù)為：

p(H,h(1),h(2),…,h(m))=

P(H|h(1))P(h(1)|h(2))…P(h(m-1)|h(m))

(7)

在公式(7)中，H不再是圖像的原始像素，而是LTP提取后的特征，h(1)，h(2)，…，h(m)，表示深度網(wǎng)絡(luò)每層訓(xùn)練得到的高級(jí)特征，而學(xué)習(xí)到的高級(jí)特征的優(yōu)劣直接影響最終的識(shí)別效果。本文在特征提取時(shí)采用LTP算法，它能夠有效地提取圖像的局部紋理特征，并且對(duì)噪聲有一定的魯棒性。網(wǎng)絡(luò)訓(xùn)練的優(yōu)劣程度決定了網(wǎng)絡(luò)對(duì)LTP特征的學(xué)習(xí)準(zhǔn)確度。LTDBN神經(jīng)網(wǎng)絡(luò)的具體訓(xùn)練過(guò)程為：1)將提取的圖像LTP特征作為第一層RBM的輸入，對(duì)RBM進(jìn)行無(wú)監(jiān)督訓(xùn)練，獲得第一層RBM訓(xùn)練的隱層參數(shù)；2)將第一層獲得的參數(shù)作為第二層RBM的輸入數(shù)據(jù)，學(xué)習(xí)得到第三層的隱層參數(shù)，以此類推對(duì)整個(gè)網(wǎng)絡(luò)進(jìn)行訓(xùn)練學(xué)習(xí)；3)運(yùn)用BP算法自上而下進(jìn)行有監(jiān)督的訓(xùn)練，微調(diào)整個(gè)網(wǎng)絡(luò)，并在網(wǎng)絡(luò)的最頂層運(yùn)用softmax回歸進(jìn)行分類，計(jì)算網(wǎng)絡(luò)輸出。

本文算法具體實(shí)驗(yàn)步驟分為以下5步:

1)對(duì)訓(xùn)練圖像和測(cè)試圖像的分辨率統(tǒng)一化為92×112，并進(jìn)行直方圖均衡化處理。

2)對(duì)訓(xùn)練和測(cè)試的圖像進(jìn)行4×4的分塊LTP特征提取，獲得子塊的直方圖，然后連接各個(gè)子塊直方圖組成LTP特征。其中，LTP特征采樣區(qū)域?yàn)榘霃綖?的圓形區(qū)域，采樣點(diǎn)數(shù)P為8。

3)將獲得的訓(xùn)練圖像特征數(shù)據(jù)放入DBN網(wǎng)絡(luò)，而不是用原始數(shù)據(jù)作為可視層輸入，進(jìn)行無(wú)監(jiān)督訓(xùn)練，得到各層的參數(shù)，用BP反向傳播算法微調(diào)DBN網(wǎng)絡(luò)，其中在微調(diào)過(guò)程中參數(shù)用fmincg函數(shù)，最后取得網(wǎng)絡(luò)的最優(yōu)解。LTDBN網(wǎng)絡(luò)采用可視層-隱藏層(2層)-輸出層的神經(jīng)網(wǎng)絡(luò)，可視層和隱藏層每層包含50個(gè)隱含子，輸出層輸出神經(jīng)單元數(shù)為40，即分類數(shù)，學(xué)習(xí)率為0.001，迭代次數(shù)為30(通過(guò)在ORL數(shù)據(jù)獲得當(dāng)?shù)?0次時(shí)效果最佳。從而選擇迭代30次)。

4)把測(cè)試數(shù)據(jù)集提取的特征作為網(wǎng)絡(luò)的輸入，然后用獲得的最優(yōu)網(wǎng)絡(luò)自下而上地學(xué)習(xí)獲取測(cè)試數(shù)據(jù)集的特征。

5)在網(wǎng)絡(luò)的頂層利用softmax進(jìn)行回歸分類，計(jì)算本文算法的識(shí)別率。

3 對(duì)比實(shí)驗(yàn)分析

為了測(cè)試LTDBN算法的性能，首先選取ORL，Yale，Yale-B等數(shù)據(jù)庫(kù)的全部或部分圖片作為實(shí)驗(yàn)的訓(xùn)練和測(cè)試樣本;然后在相同的實(shí)驗(yàn)條件下將本文提出的LTDBN與其他算法進(jìn)行比較，表明本文算法性能更好，最后分析總結(jié)實(shí)驗(yàn)結(jié)果。實(shí)驗(yàn)硬件環(huán)境為:2.67 GHz Intel Core i5 CPU，4 G內(nèi)存，64位操作系統(tǒng)。在Matlab2014a上進(jìn)行仿真實(shí)驗(yàn)。

3.1 ORL人臉庫(kù)上的實(shí)驗(yàn)

ORL人臉標(biāo)準(zhǔn)庫(kù)包含40位采集者，每位采集者包含10幅人臉圖片，包含表情變化、人臉姿態(tài)變化以及部分角度變化等特征。其中，人臉的細(xì)節(jié)也不同，比如有笑容的、無(wú)笑容的、睜眼的、閉眼的等。在實(shí)驗(yàn)中，訓(xùn)練集由每人的8幅圖像組成，測(cè)試集由剩余的2幅圖像組成。

表1 在ORL人臉庫(kù)上與經(jīng)典算法的對(duì)比實(shí)驗(yàn)

算法識(shí)別率/%PCA82．50LBP83．75LTP86．25DBN93．75LBP+DBN95．00本文提出算法98．75

表1為在ORL數(shù)據(jù)庫(kù)上與經(jīng)典算法的對(duì)比實(shí)驗(yàn)。從表1可以看出運(yùn)用深度學(xué)習(xí)網(wǎng)絡(luò)的識(shí)別率高于傳統(tǒng)的方法，較傳統(tǒng)的識(shí)別方法至少高出14%。特別是本文提出的LTDBN算法能考慮到圖像的局部細(xì)小紋理特征，使提取的圖像紋理特征更加清晰，識(shí)別率比文獻(xiàn)[18]提出的LBP+DBN算法還要高出3.75%。

3.2 Yale人臉庫(kù)上的實(shí)驗(yàn)

Yale人臉庫(kù)是由耶魯大學(xué)提出的一個(gè)公開(kāi)數(shù)據(jù)庫(kù)，被許多研究人員應(yīng)用進(jìn)行實(shí)驗(yàn)測(cè)試。有15位采集者參加，其中每位采集者有11幅圖片，每位采集者的圖片也包含了不同的光照、姿態(tài)等特征。為探討不同樣本數(shù)對(duì)算法識(shí)別率的影響，在實(shí)驗(yàn)中通過(guò)選取1～10幅圖像作為訓(xùn)練集，其余圖像作為測(cè)試集進(jìn)行測(cè)試，結(jié)果如圖7所示。通過(guò)圖7可以看出PCA，LBP，LTP這些傳統(tǒng)的算法識(shí)別效果并不理想，隨著樣本數(shù)量的變化識(shí)別效果跌宕起伏，運(yùn)用了深度學(xué)習(xí)算法的LBP+DBN算法在識(shí)別性能上雖有了很大的提高，但識(shí)別性能仍受樣本變化影響較大。而本文提出的算法識(shí)別效果更穩(wěn)定，識(shí)別率也較高，尤其是在5個(gè)和6個(gè)訓(xùn)練樣本(含有包括戴眼睛、瞇眼的人臉圖像)的時(shí)候，當(dāng)其他的算法識(shí)別率明顯下降時(shí)，本文提出的算法依然能夠保持較高的識(shí)別率。

圖7 Yale數(shù)據(jù)庫(kù)上不同算法在不同樣本上的識(shí)別效果

3.3 Yale-B人臉庫(kù)上的實(shí)驗(yàn)

Yale-B標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)總共21888幅圖像，包含38個(gè)人，每人有9種姿態(tài)、64種光照，可以說(shuō)是在光照、表情等變化中較典型的一個(gè)人臉數(shù)據(jù)庫(kù)。考慮到實(shí)際應(yīng)用中，光照角度大于85時(shí)圖像不適用，把數(shù)據(jù)集中光照角度大于85的人臉圖像去除保留每人35幅圖像，從中分別選擇15，20，25幅圖像作為訓(xùn)練集。剩余的20，15，10幅圖像作為測(cè)試集，不同算法在不同訓(xùn)練樣本數(shù)上的識(shí)別效果如圖8所示，其中結(jié)果只保存到小數(shù)點(diǎn)后兩位。從圖8可以看出在多角度照射的人臉圖像中，本文提出的算法較PCA，LTP，DBN，LBP+DBN算法在識(shí)別率上有了很大提高，說(shuō)明本文提出的算法不僅識(shí)別效果好，對(duì)于光照等因素影響力小，且提取的圖像局部特征更加地清晰，更注重細(xì)節(jié)的提取，特征提取過(guò)程中不過(guò)多依賴主觀因素，自動(dòng)學(xué)習(xí)圖像抽象特征。

圖8 在Yale-B人臉庫(kù)上不同算法對(duì)比結(jié)果

3.4 FERET人臉庫(kù)上的實(shí)驗(yàn)

表2 在FERET人臉標(biāo)準(zhǔn)庫(kù)中算法的對(duì)比結(jié)果

算法識(shí)別率/%PCA75．40LBP82．67LTP85．69DBN90．04LBP+DBN91．72本文提出算法92．21

FERET人臉標(biāo)準(zhǔn)庫(kù)是由美國(guó)國(guó)防部為促進(jìn)人臉識(shí)別方法的研究而創(chuàng)建的一個(gè)通用人臉庫(kù)，包含1196位采集者的14051張人臉圖，每位采集者都有不同姿勢(shì)、不同表情、不同光照強(qiáng)度和角度的圖像，是一個(gè)通用的人臉測(cè)試庫(kù)。它有fa，fb這2個(gè)集。fa為訓(xùn)練數(shù)據(jù)，fb為測(cè)試數(shù)據(jù)。在FERET人臉標(biāo)準(zhǔn)庫(kù)中各種方法的對(duì)比結(jié)果如表2(結(jié)果保留小數(shù)點(diǎn)后兩位)所示。通過(guò)表2可以看出，本文提出的算法識(shí)別率高于其他算法，進(jìn)一步說(shuō)明結(jié)合LTP算子的應(yīng)用，提升了DBN的分類準(zhǔn)確率。

4 結(jié)束語(yǔ)

本文提出了一種LTDBN算法，主要是把圖像劃分子塊，對(duì)其進(jìn)行LTP特征提取，獲得圖像細(xì)節(jié)的局部特征，然后作為DBN輸入進(jìn)行訓(xùn)練識(shí)別。LTDBN算法能夠提取圖像局部區(qū)域的細(xì)小特征，獲得更加清晰的圖像特征，同時(shí)也克服了傳統(tǒng)圖像特征的提取過(guò)多地依賴于人工選擇的特點(diǎn)，自動(dòng)獲取圖像特征。通過(guò)在ORL等數(shù)據(jù)庫(kù)上對(duì)比實(shí)驗(yàn)可知，LTDBN算法識(shí)別效果優(yōu)于其他現(xiàn)有算法，且受光照、姿態(tài)等因素的影響也有所降低，能對(duì)人臉圖像準(zhǔn)確識(shí)別。

[1] Kirby M， Sirovich L. Application of the Karhunen-Loeve procedure for the characterization of human faces[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence， 1990，12(1):103-108.

[2] Shakunaga T， Shigenari K. Decomposed eigenface for face recognition under various lighting conditions[C]// Proceedings of 2001 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. 2001，1:I-864-I-871.

[3] Belhumeur P N， Hespanha J， Kriegman D J. Eigenfaces vs. Fisherfaces: Recognition using class specific linear projection[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence， 1997，19(7):711-720.

[4] 張娟，詹永照，毛啟容，等. 基于Gabor小波和稀疏表示的人臉表情識(shí)別[J]. 計(jì)算機(jī)工程， 2012，38(6):207-209.

[5] 宋克臣，顏云輝，陳文輝，等. 局部二值模式方法研究與展望[J]. 自動(dòng)化學(xué)報(bào)， 2013，39(6):730-744.

[6] Ahonen T， Hadid A， Pietikainen M. Face description with local binary patterns: Application to face recognition[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence， 2006，28(12):2037-2041.

[7] Ahonen T， Hadid A， Pietikainen M. Face recognition with local binary patterns[C]// The 8th European Conference on Computer Vision(ECCV). 2004:469-481.

[8] 趙靈芝，李偉生. 一種基于LTP特征的圖像匹配方法[J]. 計(jì)算機(jī)應(yīng)用研究， 2009，26(10):3983-3985.

[9] Tan X， Triggs B. Enhanced local texture feature sets for face recognition under difficult lighting conditions[J]. IEEE Transactions on Image Processing， 2010，19(6):1635-1650.

[10] Arel I， Rose D C， Karnowski T P. Deep machine learning——A new frontier in artificial intelligence research[Research Frontier][J]. IEEE Computational Intelligence Magazine， 2010，5(4):13-18.

[11] 孫志軍，薛磊，許陽(yáng)明，等. 深度學(xué)習(xí)研究綜述[J]. 計(jì)算機(jī)應(yīng)用研究， 2012，29(8):2806-2810.

[12] Taigman Y， Yang M， Ranzato M， et al. DeepFace: Closing the gap to human-level performance in face verification[C]// IEEE Conference on Computer Vision and Pattern Recognition. 2014:1701-1708.

[13] 梁淑芬，劉銀華，李立琛. 基于LBP和深度學(xué)習(xí)的非限制條件下人臉識(shí)別算法[J]. 通信學(xué)報(bào)， 2014，35(6):154-160.

[14] Tan Xiaoyang， Triggs B. Enhanced local texture feature sets for face recognition under difficult lighting conditions[J]. IEEE Transactions on Image Processing， 2010，19(6):1635-1650.

[15] 薛紅，李晗，王瑜. 基于局部二值模式與K-均值的人臉識(shí)別[J]. 計(jì)算機(jī)工程與設(shè)計(jì)， 2014，35(11):3879-3882.

[16] 張萬(wàn)賀，劉凱. 基于MB-LBP和Fishefaces的人臉識(shí)別[J]. 計(jì)算機(jī)工程與應(yīng)用， 2015，51(17):173-176.

[17] Ojala T， Harwood I. A comparative study of texture measures with classification based on feature distributions[J]. Pattern Recognition， 1996，29(1):51-59.

[18] 吳進(jìn)，嚴(yán)輝，王潔. 采用局部二值模式與深度信念網(wǎng)絡(luò)的人臉識(shí)別[J]. 電訊技術(shù)， 2016，56(10):1119-1123.