基于深度学习的局部方向人脸识别算法研究

许凯迪

河南理工大学 454000

摘要：为了限制人脸识别中的特征选择和个性化算法，提出了一种基于深度学习的人脸识别算法。实验结果表明，与传统的单一或融合算法相比，该算法具有更高的检测率、更好的局部性能和更好的抗干扰性能。

关键词：深度学习；局部方向；人脸识别；算法研究

1 面向局部的人脸识别是基于深度学习算法

1.1局部敏感信息的传统人脸识别算法

面部识别最显著的特点是眼高、眉、鼻、口、腭较低，为提高识别的可靠度，应利用眼睛、眉毛、嘴、鼻子、下巴等面部敏感部位进行重要识别，并将其应用于面部识别处理，为下一步的符号提取奠定了良好的基础。

1.2 LDP

在LDP中，本文提出的算法采用LBP算法来计算速度块。它的广泛应用及其特性可以有效地提取人脸图像的纹理。LBP算法为人脸图像中的任意点（x，y）定义一个以像素点阵列区域为中心的3x3的区域，顺时针读取其周围8个像素的值，通过公式（1）得到像素的二进制码。

其中（i，j）表示像素坐标，gp，gc表示像素的邻接，像素和中心像素的灰度值，s（x）是符号函数，LBP的邻接数为8。

图2显示了一个中心为115像素的3x3区域。根据LBP算法，最终的LBP二进制代码00101010，对应于十进制42。

如图3所示，在计算每个像素的模板上，得到8个LDP值。等待对边缘梯度的绝对八个值进行排序，第一个自身值的最大值（本文中的k=3通过演示实验被认为是最好的结果）归因于1，其余的（8-k）为0。结果是一个8位的LDP码。

具体的编码过程如图4所示。

图中LDP码设为k=3边际梯度模数值，绝对值为1，其余为0。LDP与基数2相对应的最终代码是00010011，相当于十进制21

1.3 深度信念网络

深度信念网络是一种深度学习模式。第一层作为输出，第二层作为输入，形成RBM，即深信网络。有限玻尔兹曼机（RBM）是DBN单元的叠加部件。它处于给定的状态集（v，h）。实际参数=（ai，bj，wij）的表达式为

M、 N是可见层和隐藏层神经元的数量，KI和BJ是决定可见层神经元反射的值，HJ和VI是可见层第j和第i个神经元的状态，虚拟仪器建立了可见层和隐层神经层之间的关系以及每个网络的权重。如果实际参数是固定的，则为（V，H）公共概率分布的随机变量：

在给定可见层概率分布的情况下，利用条件概率的比值可以得到隐层的第j个神经元hj活化因子的速率为。

类似地，对于给定的隐藏层条件，可见层I中每个神经元激活剂vi的概率为

其中σ（x）是值范围为[0,1]的sigmoid函数。对于带有l层的DBN，可见层和隐藏层是单一的，元素的联合分布如下所示：

由上式可知，集合K∈（1,2…l），则隐藏K层与K+1层之间的关系满足以下条件：

DBN的学习过程可分为准备和微观模拟，以往的实践是无监督的培训，RBM从第一层到最后一层层层培训。第一层是第二层的入口。

1.4 lldp+DBN算法描述

本文的方法是将局部敏感信息应用于局部方向计算，最后采用深度学习算法DBN进行学习。得到了识别结果。具体算法如下：LDP算法适合于从5个局部敏感区域提取LDP子块的属性；根据IIdp训练测试作为DBN可见性的输入级属性，用DBN网络对DBN进行逐层训练，并在训练算法中进行逐层训练。试验结果后，DBN层数为2，迭代次数为45，学习率为0.0025，学习次数为0.0025，第二层迭代次数为45次，学习率为0.003。对lldp深部样本进行测试。

2实验过程和分析

2.1实验过程

该算法的性能是基于实验结果，然后对实验进行切割、对齐和校正。关闭算法规范化为32x32；对下一个算法位区和提取准备实验1：测试ORL人脸数据库各40人。每个人在不同的时间记录10张92x112脸部大小的灰色图像，包括不超过20度的变形，如图7所示。在这个实验中，我们随机选择了五张图片作为每个人的训练图片。其余5幅图像作为测试图像。各种隐表算法对元素的识别率如表1所示。

实验二：实验测试在MIT-CBCL人脸数据库中进行。麻省理工学院CBCL图书馆是一个10人的图像图书馆。在完整的2000图像序列中，每个人200115的大小的图像序列，最大循环数为30。实验数据非常广泛，如图9所示，算法从中选择10个进行测试，并从中选择每一个。研究人员检查了20幅不同的图像。每次测试作为训练测试，使用十个样本作为测试样本。不同隐藏单元的实验结果如表2所示。

为了更好地反映不同galleryhis算法的性能差异，本文中相应算法的性能差异也是不同的。

2.2实验分析

如表1所示，该网络具有相同深度的隐藏单元，这些单元不能准确地从面部图像中学习歧视性信息。然而，随着隐藏单元数量的增加，隐藏单元变得更加频繁、分段和精确。如果达到隐藏单元数5000个，网络学习具有比视觉成像功能更大的识别性。与mit-cbcl库相比，实验算法的优势在于所提出的ORL图库在光照条件下变化很大，由于lldp算法具有更强的光照强度和更高的局部选择性，因此它也反映了一个很好的检测率。

4 结论

本文提出了一种基于局部敏感区提取方法，通过计算基于良好信念网络的DBN学习，并对于人脸的最大特征和发送者的良好学习性能，得到了较好的分类结果。算法ORL和mit-cb-cl算法将存储在数据库中进行验证。该算法基于光照、人体姿态和表情，具有良好的识别性能。同时实际自然人脸评价的选取比较随意，以后的研究结论也比较复杂。

参考文献

[1]公维军, 吴建军, 李晓霞, et al. 基于深度学习的局部方向人脸识别算法研究[J]. 计算机与数字工程, 2019, 47(05):23-27+126.

[2]杨涵. 基于深度学习的人脸识别算法研究[J]. 电子设计工程, 2019, 27(19):155-159.