一种基于局部三值模式的深度学习人脸识别算法

郑秋梅，谢换丽，王风华，苏 政，刘 真

(中国石油大学计算机与通信工程学院，山东 青岛 266580)

0 引 言

近年来，人脸识别技术在国防安全、考试系统、交通管理等方面得到广泛应用。人脸识别的准确度与选取的特征提取算法密不可分。传统的特征提取算法有基于全局模式和基于局部邻域的特征描述2种。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]、线性鉴别分析[3](Linear Discriminant Analysis，LDA)等。Kirby和Shakunaga等人[1-2]提出的“特征脸”(PCA)算法是基于子空间的，利用低维的线性空间进行人脸描述、表达，从而进行人脸识别，但识别率较低。1997年Belhumeur等人[3]提出的Fisher LDA方法，主要利用Fisher准则使类间与类内之间的散度比值最大化，在小样本中也可以很好地识别，但也丢失了样本内的一些鉴别信息。这些基于全局的特征描述方法受光照、噪声的影响较大，识别率明显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小波通过多方向和多尺度选择，能够很好地提取图像特征，但提取的特征维度过高，识别率较低。2004年出现的LBP[6-7]算法，通过计算中间像素与周围像素间的灰度差值表达图像纹理特征的差异。算法具有灰度、旋转不变的特点，但特征提取相对困难，当光照角度生成变化时识别效果并不令人满意。后来，研究人员在LBP的基础上提出LTP(Local Ternary Pattern)[8-9]。该方法通过修改LBP的阈值函数定义方式，使得对纹理特征的描述更加详细。LTP继承了LBP的优点但比LBP对光照变化和噪声因素的影响小，在人脸识别方面的识别率更高，但其在特征提取过程中对主观因素的依赖性较强，无法自动学习提取特征。……