《基于局部二值模式和深度学习的人脸识别》-论文分析

论文：https://pan.baidu.com/s/1RpVQLWPIO0RDW9G_1qfwHA

          https://pan.baidu.com/s/1kTtrGF1bo7DlyaAO1NqzhQ

一.主要内容：

===>     LBP+DBN:将分块的LBP特征作为深度网络的输入，在网络顶层进行分类，测试识别率。

第一步，LBP提取特征：

局部二值模式（LBP）：

（这个博客描述的LBP非常详细：https://blog.csdn.net/q1007729991/article/details/52995734）

首先是用来做图像局部特征比较的，传统的LBP方法，首先通过阈值来标记中心点像素与其邻域像素之间的差别。LBP是人脸识别中经常使用的一种方法。我们使用二维分布LBP和局部对比测量C作为该领的特征。但是为了使得到的特征更有代表性。矩形领域的大小是可以改变的，可以使用4*4或5*5的领域。相比矩形领域，圆形对称领域的效果更好。

（“等价模式”

当某个LBP所对应的循环二进制数从0到1或从1到0最多有两次跳变时，该LBP所对应的二进制就称为一个等价模式类。如00000000（0次跳变），00000111（只含一次从0到1的跳变），10001111（先由1跳到0，再由0跳到1，共两次跳变）都是等价模式类。）

==>在形成LBP直方图：

第二步，DBN分类：

（感觉描述DBN比较好的博客：https://blog.csdn.net/yangyangliangliang/article/details/20644853

                                                https://blog.csdn.net/csw19970124/article/details/77802156）

本文只是简单概述，具体了解可以去看相关博客，最好详细了解。

在RBM中，任意两个相连的神经元之间有一个权值w表示其连接强度，每个神经元自身有一个偏置系数 b（对显层神经元）和 c（对隐层神经元）来表示其自身权重。

当一条数据（如向量x）赋给显层后，RBM根据 P(hj|v)=σ(bj+ΣiWi,jxi)  式计算出每个隐层神经元被开启的概率P(hj|x)，j=1,2,...,Nh，取一个0-1的随机数μ作为阈值，大于该阈值的神经元则被激活，否则不被激活，
即： hj=1,P(hj|x)≥μ；hj=0,P(hj|x)<μ    由此得到隐层的每个神经元是否被激活。
给定隐层时，显层的计算方法是一样的。

对于一条样本数据x，采用CD对比散度算法对其进行训练：
将x赋给显层v1，利用 P(vi|h)=σ(ci+ΣjWi,jhj)  式计算出隐层中每个神经元被激活的概率从计算的概率分布中采取Gibbs抽样抽取一个样本：h1∼P(h1|v1) 用h1重构显层，即通过隐层反推显层，利用  P(vi|h)=σ(ci+ΣjWi,jhj)  式计算显层中每个神经元被激活的概率P(v2|h1)；同样地，从计算得到的概率分布中采取Gibbs抽样抽取一个样本：v2∼P(v2|h1) 通过v2再次计算隐层中每个神经元被激活的概率，得到概率分布P(h2|v2)。
更新权重：

W←W+λ(P(h1|v1)v1−P(h2|v2)v2)

b←b+λ(v1−v2)

c←c+λ(h1−h2)

若干次训练后，隐层不仅能较为精准地显示显层的特征，同时还能够还原显层。当隐层神经元数量小于显层时，则会产生一种“数据压缩”的效果。

在 DBN 的最后一层设置 BP 网络,接收 RBM 的输出特征向量作为它的输入特征向量,有监督地训练实体关系分类器。而且每一层 RBM 网络只能确保自身层内的 权值对该层特征向量映射达到最优,并不是对整个 DBN 的特征向量映射达到最优，所以反向传播网络还将错误信息自顶向下传播至每一层 RBM，微调整个 DBN 网络。RBM 网络训练模型的过程可以看作对一个深层 BP 网络权值参数的初始化，使DBN 克服了 BP 网络因随机初始化权值参数而容易陷入局部最优和训练时间长的缺点。

二.实验步骤

三.实验图像库

ORL、FERET、YALE三大人脸识别数据库。
ORL：40类，每类10张（训练样板：每类抽5张）
YALE：15类，每类11张。（训练样板：每类抽5张）
FERET：200类，每类7张。（训练样板：每类抽4张）

从表中可以看出不管哪种LBP算子，当分块为4X4的规格，取得最好的识别效果。在分块4X4的情况下，选用LBPu28-2 作为LBP直方图提取算子时，取得最好的识别效果。

四.总结