基于LBP和CNN的人脸识别算法提升：局部特征融合与高效识别

本文主要探讨了一种结合局部二值模式（Local Binary Patterns, LBP）和卷积神经网络（Convolutional Neural Networks, CNN）的人脸识别算法。该研究由徐镇和刘阳两位学者合作完成，他们分别来自重庆大学数学与统计学院和贵州财经大学数学与统计学院。 问题背景指出，传统地将人脸图像直接作为CNN的输入，可能导致两个主要问题：一是人脸图像的维度过高，这会增加模型的计算复杂性和内存需求；二是可能会忽视人脸图像中的局部结构特征，这些特征对于人脸识别至关重要，因为它们可以捕捉到人脸的独特细节。 为了克服这些问题，研究者提出了一个创新的方法。首先，他们对人脸图像进行分块处理，这样可以降低每个像素的维度并保留局部结构信息。接着，运用等价局部二值模式（LBP）算法来提取每个子块的局部特征，LBP是一种有效的纹理描述符，能够捕捉到图像的灰度变化模式。 随后，这些子块的局部特征被组合起来形成一个LBP特征向量，这个特征向量被设计为改进的卷积神经网络的输入。通过选择ReLU函数作为激活函数，它能有效地处理非线性问题，并允许网络学习更复杂的表示。在输出层，研究人员采用了一个改进的Softmax分类器，这是一个多分类技术，用于将输入映射到预定义的概率分布，从而实现人脸的精确识别。 作者们选择了ORL人脸库、Yale人脸库和FERET人脸库进行实验验证，这三个数据库包含了大量不同光照、表情和姿势的人脸样本。实验结果显示，基于LBP和CNN的算法在识别准确率上优于其他对比算法，这表明该方法在处理人脸识别任务时具有较高的性能和鲁棒性。 这篇论文的核心贡献在于提出了一种有效融合局部特征提取和深度学习的策略，旨在提高人脸识别的效率和精度，对于计算机视觉和模式识别领域有实际的应用价值。