最近读了一篇关于LBP和DBN的文章,感觉思路挺好的,如有不当之处望指正!!!!!
这是一篇在非限制条件下,基于深度学习的人脸识别算法。,将LBP纹理特征作为深度网络的输入,通过逐层贪婪训练网络,获得良好的网络参数,并用训练好的网络对测试样本进行预测。
文章通过LBP提取非限制条件下人脸图像的纹理特征并利用DBN进一步自动学习更抽象、更有效的人脸特征,并在DBN顶层自动进行人脸分类。LBP所提取的人脸图像的局部纹理特征对光照和微小平移具有较强的顽健性,将其作为DBN输入特征更有助于网络对图像特征分布的理解,进一步减少网络学习到不利的特征描述;同时,通过DBN对输入数据进行深度学习和自动特征提取,并在网络最顶层实现特征识别,有效避免了过多主动因素的干预。
文章Idea:
提出LBP和DBN相结合的非限制条件下人脸识别,征。将LBP与DBN相结合,克服了DBN不能学习到人脸图像局部结构特征的缺点,使得DBN学习到的抽象特征受光照、微小平移等的影响较小。
文章算法:
DBN训练步骤:
1)对第一层RBM,以LBP纹理特征为输入,对RBM进行无监督训练,获得该层最优的参数;
2)高层RBM以低一层RBM输出数据为输入,对RBM进行无监督,获得RBM网络最优的参数值;
3)最后利用全局训练的方法对训练好的各层参数微调,使得DBN收敛到全局最优。该训练方法绕过了全局训练的复杂性,通过快速散度(CD,contrastive diber.gence)¨/J训练RBM获得DBN各层的最优参数,降低了学习目标过拟合的风险,使得网络具有更好的数据预测能力。
算法步骤
1)用双线性内插法将测试样本和训练样本降维至32×32,并进行直方图均衡化等归一化预处理。
2)对训练样本和测试样本进行分块并提取每个子块的LBP纹理特征,将每个子块的特征连接起来形成样本的LBP纹理特征。本文LBP纹理特征提取时样本分块为4×5,半径尺为1,像素数P为8。此时所提取的LBP纹理特征和像素级特征维数相当。
3)将训练样本的LBP纹理特征作为DBN可视层输入,对深度网络进行逐层训练,以获取最优网络参数。文中DBN层数选为2层:第1层学习率为0.002,迭代次数为40;第2层为0.003,迭代次数为40。
4)当深度网络训练完后,将测试样本的LBP纹理特征作为DBN可视层输入,利用优化后的网络由下向上多层次地学习和提取测试样本的抽象特征,在网络最顶层进行SoftMax回归分类,获得测试样本的类标值,并计算正确识别率。
实验结果:
结果表示随着隐藏单元数的增加,深度网络能够更好地表达人脸图像特征,但是网络的训练时间和分类时间也随之增加,计算量逐渐增大,因而对硬件要求也随之提高。
。当训练样本数增加时,提取类别特征较为丰富,算法识别率剧增高
总之,。本文算法在受姿态、光照、表情、遮挡等综合因素影响的非限制条件下具有较好的识别效果,同时在受多种因素影响的Yale库和光照因素影响的Yale—B库上取得较高的识别率。