基于堆栈降噪自编码器和LBP的人脸识别算法

针对传统的人脸识别算法的鲁棒性弱，分类准确率不高，运算速率较慢的缺点，基于局部二值模式(Local

人脸识别[1]技术于20 世纪50 年代开始研究，就是利用计算机对人脸特征进行学习提取有效个人信息的识别技术，它被广泛应用在实际生活当中，如监控系统，智能支付系统，公安系统，银行安全，个人身份验证等。人脸识别技术的研究，一直被广大学者所关注，也是最热门的研究方向。过去的几十年里，众多学者提出人脸识别的方法有：基于模板匹配的方法[2] [3]，基于奇异值特征方法[4]，子空间分析法[5]，主成分分析(PCA) [6]，支持向量机(SVM) [7]，隐形马尔科夫模型[8]以及近几年兴起的深度学习(Deep Learning)等等[9]。深度学习[10]有几大重要模型，如：自动编码器(AE)，受限波尔兹曼机(RBM)， 深度置信网络(DBN)， 卷积神经网络(CNN)等。

近几年， 国际上很多项目都将深度学习应用到人脸识别中， 例如：Deep Face、Deep ID、Face Net 等，都取得了相当高的准确率。但是，对于实际应用中的光照，角度，抖动，模糊，遮挡，分辨率，或者年龄变化，化妆整容等影响，还没有得到根本的解决，仍需继续做更深入的研究。

本文利用LBP 和SDAE 相结合，提出了一种基于深度学习的人脸识别算法。该算法融合了LBP [11]算法可消除光照和角度等因素影响以及计算简单，效率高的优点和SDAE [12]算法快速提取特征，有效去除噪声的优点，既提高了算法分类的准确率，又加快了运算的速率和模型的鲁棒性。

2. 局部二值模式 2.1. 原始LBP 算子 局部二值模式(Local Binary Pattern)，简称LBP，是一种用来描述图像局部特征的算子，它具有灰度不变性，旋转不变性，计算简易性等优点以及能够去除光照，角度等的影响，捕捉人脸的容貌和纹理细节的特点，使得其被广泛研究和使用，在人脸识别中至关重要。

LBP 的算法思想就是利用局部的结构提取窗口特征，再利用统计直方图取得整体特征。如图1 所示，LBP 是定义在一个3 * 3 的领域内，以中心像素的灰度值为阈值，与其相邻的其余8 个像素灰度值作比较，若相邻的像素灰度值比中心的像素灰度值大，则标记为1，否则为0。接着按顺序依次排列， 转化成一个8 位数的二进制数，相对应的十进制就是中心像素的LBP 值。那么，这里的二进制数为01101001，对应的十进制数为105，也就是说这个中心像素的LBP 值为105。这个LBP 值就表示了图像的局部纹理特征。