基于SLBP深度信念网络的人脸识别研究.pdf

《基于SLBP深度信念网络的人脸识别研究》这篇文章聚焦于人脸识别技术，特别是在特征提取和深度学习方面的创新。人脸识别作为一种身份识别技术，具有诸多优势，如便捷性、非接触性、安全性和非强制性，因此备受关注。然而，由于姿态变化、光照影响等因素，传统的全局特征提取方法往往无法提供满意的效果。 局部二值模式（Local Binary Pattern，简称LBP）作为一种局部特征提取方法，因其对光照和姿态变化的不敏感性以及良好的鲁棒性而受到青睐。SLBP（Significant Local Binary Pattern）是LBP的一种改进，旨在更充分地提取人脸图像的局部纹理特征。文章中提到，郭贺飞等人在2015年提出了结合分块全局特征的优化LBP特征，通过自适应阈值选择实现人脸识别。随后，LE T H等人进一步发展了这一概念，通过串联每个LBP直方图来构成级联特征，以提高识别性能。 本文的主要贡献在于提出了一种融合SLBP和深度信念网络（Deep Belief Network，简称DBN）的人脸识别方法。通过改进的SLBP算法，从人脸图像中提取局部纹理特征，并构建SLBP直方图。然后，利用DBN构建深度学习架构，SLBP直方图作为输入数据。DBN采用无监督逐层训练法进行预训练，以挖掘数据的潜在结构，接着通过有监督的反向传播（BP）算法进行微调，以优化网络权重，实现自学习和自优化。利用训练好的DBN进行分类和人脸识别。 实验结果表明，该方法在识别率和鲁棒性上均优于传统的LBP方法。这归功于SLBP对局部特征的精炼提取以及DBN的强大表示能力和学习能力。深度信念网络作为深度学习模型，能够学习到复杂的数据分布，提高特征表达的层次性和抽象性，从而增强人脸识别的准确性。 本文提出的方法有效地解决了传统LBP特征提取的不足和分类器拟合问题，通过结合SLBP与深度学习，提升了人脸识别的性能。这对于未来的人脸识别系统设计和优化提供了新的思路和方法，对于提升人脸识别技术在实际应用中的效果具有重要的理论和实践意义。