基于堆栈降噪自编码器和LBP的人脸识别算法
基于LBPH算法的人脸识别算法研究与设计
基于LBPH算法的人脸识别算法研究与设计人脸识别技术是一种通过分析和研究人脸的特征来进行身份确认的技术。
基于LBPH （Local Binary Patterns Histograms）算法的人脸识别算法在近年来得到了广泛的研究和应用。
下面将对基于LBPH算法的人脸识别算法的研究与设计进行探讨。
基于LBPH算法的人脸识别算法首先需要进行人脸特征提取，LBPH算法是一种局部二值模式直方图方法，它通过计算图像中每个像素点与其邻域像素点之间的灰度差异来提取图像的局部纹理特征。
具体地说，该算法将人脸图像划分为若干个局部区域，并通过计算每个局部区域中像素点与邻域像素点之间的灰度差异，在每个局部区域中生成一个二进制模式，以此构成整个图像的局部二值模式特征。
在进行人脸识别时，算法首先要通过训练阶段学习得到每个人脸的局部二值模式特征向量，并利用这些特征向量构建人脸数据库。
在测试阶段，算法通过计算待识别人脸的局部二值模式特征向量与数据库中所有人脸的特征向量之间的距离来确定最匹配的人脸。
基于LBPH算法的人脸识别算法具有以下优点：1. 该算法对光照变化、表情变化和姿态变化相对较为鲁棒，能够在一定程度上解决人脸识别中的这些问题。
2. 算法实现简单，计算量较小，能够在实时应用中实现较快的识别速度。
基于LBPH算法的人脸识别算法也存在一些不足之处：1. 该算法对于人脸图像的分辨率要求较高，对于低分辨率的图像，识别效果不佳。
2. 该算法对于人脸图像中存在的噪声和模糊等问题比较敏感。
基于LBPH算法的人脸识别算法仍然有进一步的改进空间，可以结合其他算法，如人脸对齐算法和特征选择算法等，来提高人脸识别的准确性和鲁棒性。
随着深度学习的发展，基于深度学习的人脸识别方法也逐渐成为了研究的热点，未来可以探讨基于深度学习的人脸识别算法与基于LBPH算法的结合，以期得到更好的识别效果。
基于LBPH算法的人脸识别算法研究与设计
基于LBPH算法的人脸识别算法研究与设计关键词：人脸识别；LBPH算法；特征提取；模式匹配；识别率1.引言近年来，人脸识别技术的研究逐渐由传统的基于特征库的识别方法向基于特征提取和模式匹配的方法转化。
其中，局部二值模式（Local Binary Pattern, LBP）算法是一种常用的特征提取方法，它通过将像素点与其邻域内的像素点进行比较，得到一系列二值编码，再将这些编码组合成一个特征向量，用于描述人脸图像的局部纹理特征。
因此，可以应用LBP算法实现人脸识别，其中基于LBP算法的人脸识别方法被称为LBP-Histograms of Oriented Gradients（LBPH）算法。
LBPH算法具有简单、快速、稳健等优点，得到广泛应用。
本文的主要内容包括：对人脸识别技术进行基本原理和发展历史的介绍；对LBPH算法的基本理论和具体步骤进行分析；设计并实现一套基于LBPH算法的人脸识别系统；对该系统的性能进行测试与分析。
本文的实验结果表明，本系统可以实现较高的识别率和稳健性，具有一定的实用性和推广价值。
2.人脸识别技术的发展历史早期的人脸识别技术主要采用基于几何特征的方法，如通过计算人脸的眼、鼻、嘴等部位之间的距离和角度来确定人脸的位置、大小、姿态等信息，再通过特征匹配、模板比对等方法来实现人脸识别。
这种几何特征法具有操作简单、实现成本低等优点，但由于受到光照、姿态、表情、遮挡等影响，准确度较低，易受攻击和误识别。
随着数字图像处理技术、人工智能技术和机器学习技术的发展，人脸识别技术逐渐实现了从基于几何特征到基于生物特征的转变。
目前，主要的人脸识别技术包括特征提取、模式匹配、深度学习等方法。
其中，LBPH算法是一种基于特征提取的方法，具有简单、快速、稳健等优点，是目前应用最为广泛的人脸识别算法之一。
3.LBPH算法的原理及步骤LBPH算法是一种局部纹理特征提取算法，它将像素点与其周围邻域内的像素点进行比较，并将其值转换为二进制数值，然后将这些二进制数值组合成一个LBP码，最后将LBP码转换为一个十进制数值，作为该点的局部纹理特征。
基于LBPH算法的人脸识别算法研究与设计
基于LBPH算法的人脸识别算法研究与设计人脸识别技术是一种广泛应用于身份认证、安全监控和生物识别等领域的算法技术。
基于局部二值模式（Local Binary Pattern, LBP）算法的人脸识别技术具有良好的鲁棒性、高效性和高精度性等优点，已成为研究的重点方向之一。
本文主要研究基于LBPH算法的人脸识别算法设计与实现。
一、LBPH算法原理与特点LBPH算法最初由Ojala等人提出，是通过对图像中每个像素点的灰度值与其周围邻域像素点的灰度值对比得到局部二值模式，并将其表示为特征向量进行人脸识别。
LBPH算法的主要流程如下：1. 对于每个像素点p，判断其周围邻域像素点q的灰度值与其相对大小，分别标为1和0，得到一个二进制串。
2. 对于二进制串进行循环移位操作，得到若干个不同的二进制数值。
3. 根据得到的二进制数值生成一个特征向量，用于人脸识别。
1. 对光照、表情、姿态等变化具有较好的鲁棒性。
2. 算法实现简单，计算速度快。
3. 对图像噪声具有一定的适应能力。
1. 数据采集首先需要采集一定数量的人脸数据集，并进行数据预处理。
数据预处理包括图像灰度化、直方图均衡、切图等操作。
将处理后的数据集分为训练集和测试集。
2. 特征提取利用LBPH算法提取人脸图像的局部二值模式特征，并将特征表示为特征向量。
3. 特征匹配根据特征向量计算不同人脸之间的相似度，确定人脸图像属于哪个人。
4. 模型优化通过对算法参数的优化调整，进一步提高人脸识别算法的准确率和鲁棒性。
三、实验结果分析本文采用LBPH算法进行人脸识别实验，并对实验结果进行分析。
实验数据集采用Yale人脸数据集，训练集和测试集各为165张图像。
实验所用软件为MATLAB。
经过实验，得到了以下结论：1. LBPH算法在人脸识别任务中表现良好。
2. 实验结果表明，LBPH算法可对光照变化、表情变化等变化具有一定的鲁棒性。
3. 在模型优化中，调整图像的切图尺寸和LBPH算法中的参数值可以进一步提高模型的准确率。
LBP算法(人脸识别特征提取)
LBP算法（人脸识别特征提取）LBP（Local Binary Patterns）算法是一种用于人脸识别中的特征提取算法。
该算法能够有效地描述图像局部纹理特征，通过将图像划分为不同的区域，并计算每个区域的局部二值模式（Local Binary Pattern），从而提取出图像的纹理特征。
本文将介绍LBP算法的原理、应用以及算法的优缺点。
LBP算法的原理是基于图像局部纹理的分布统计。
算法首先将图像划分为若干个重叠的圆形区域，然后选取每个区域的中心像素点作为参考点，根据参考点和周围像素的灰度值大小关系，将周围像素的灰度值二值化。
具体而言，如果周围像素的灰度值大于或等于参考点的灰度值，则将其对应位置的二值设置为1，否则设置为0。
这样，就得到了一个局部二值模式。
对于每个局部二值模式，在其周围像素形成的二进制数中，可以计算出一个十进制的值，该值即为对应的LBP值。
然后，可以统计整个图像中不同LBP值的出现次数，以得到该图像的纹理特征向量。
为了保持LBP特征的旋转不变性，通常将计算得到的纹理特征向量进行旋转不变模式（Rotation-Invariant Patterns）的处理。
LBP算法在人脸识别中的应用非常广泛。
通过提取图像的纹理特征，LBP算法能够有效地区分人脸图像中不同的区域，从而实现人脸检测、人脸识别等任务。
与其他特征提取算法相比，LBP算法具有计算简单、计算效率高以及对光照变化、表情变化等具有较强的鲁棒性的优点。
然而，LBP算法也存在一些缺点。
首先，LBP算法提取的特征主要反映了图像的纹理信息，对于人脸的形状、结构等特征没有很好的表达能力。
其次，LBP算法对于像素点近邻选择的问题较为敏感，不同的近邻选择可能会导致特征的差异。
最后，LBP算法没有考虑像素点的空间关系，在一些图像中可能导致特征提取不准确。
为了克服这些缺点，研究人员对LBP算法进行了改进和扩展，提出了许多改进的LBP算法。
例如，Extended LBP（ELBP）算法结合了LBP算法和傅里叶描述子，融合了纹理和形状信息；Uniform LBP（ULBP）算法通过将LBP值分为不同的均匀模式，增强了特征的区分能力和鲁棒性；Multi-scale LBP（MLBP）算法在不同尺度下提取LBP特征，增强了特征的描述能力。
以LBP为基础的图像集人脸识别算法分析
以LBP为基础的图像集人脸识别算法分析在计算机视觉和图像处理领域，人脸识别一直是一个备受关注的研究领域。
人脸识别技术应用于各种场景，如安防监控、身份验证、社交媒体等。
而且人脸识别技术也是计算机视觉领域的一个重要研究方向之一。
在图像集人脸识别中，以局部二值模式（Local Binary Pattern，简称LBP）为基础的算法是一种常用的方法。
本文将介绍以LBP为基础的图像集人脸识别算法的原理和分析。
1. LBP算法原理局部二值模式（LBP）是一种用来描述图像局部纹理特征的算法。
LBP算法的基本思想是以每个像素点为中心，利用周围像素的灰度值与中心像素的灰度值进行比较，得到二值编码。
具体来说，以图像中的一个像素点为中心，将周围8个像素的灰度值与中心像素的灰度值进行比较，若周围像素的灰度值大于中心像素的灰度值，则将该像素点编码为1，否则编码为0，得到一个8位的二进制数，称为该像素点的LBP码。
将LBP码转换为十进制数，就得到了该像素点的LBP特征值。
通过这种方式，可以描述图像中每个像素点的纹理特征。
2. 以LBP为基础的图像集人脸识别算法在图像集人脸识别中，以LBP为基础的算法通常包括以下几个步骤：- 特征提取：对每张输入图像进行LBP特征提取，得到每张图像的LBP特征向量。
- 特征选择：对提取的LBP特征向量进行特征选择，选择最具有判别性的特征。
- 训练分类器：利用选取的LBP特征向量训练分类器，如支持向量机（SVM）或者k最近邻（KNN）等分类器。
- 人脸识别：利用训练好的分类器对输入的人脸图像进行识别，得到识别结果。
3. 算法分析以LBP为基础的图像集人脸识别算法具有以下优点：- 简单高效：LBP算法特征提取过程简单，计算效率高，适合对大规模图像集进行处理。
- 鲁棒性好：LBP特征对灰度变化不敏感，具有一定的鲁棒性，对光照、表情等变化具有一定的稳定性。
- 不受图像几何变换的影响：LBP特征不受图像的平移、旋转等几何变换的影响，具有一定的不变性。
基于LBPH算法的人脸识别算法研究与设计
基于LBPH算法的人脸识别算法研究与设计摘要：随着人脸识别技术的不断发展，基于LBPH（Local Binary Patterns Histogram）算法的人脸识别凭借其简单高效的特点受到了广泛关注。
本文将对LBPH算法进行深入研究，并探讨其在人脸识别领域的应用和设计。
首先介绍了LBPH算法的基本原理和特点，然后分析了该算法的优缺点，并提出了一些改进和优化方案。
最后通过实验和对比分析验证了LBPH算法在人脸识别中的有效性和性能优势。
关键词：LBPH算法；人脸识别；特征提取；模式识别；图像处理一、引言人脸识别技术是一种基于图像和模式识别的生物特征识别技术，具有广泛的应用前景。
随着人工智能和计算机视觉技术的发展，人脸识别技术也不断得到改进和完善。
目前，基于LBPH算法的人脸识别系统在实际应用中取得了良好的效果，因此深入研究和设计LBPH算法对于提高人脸识别技术的准确性和性能具有重要意义。
二、LBPH算法的基本原理和特点LBPH算法是一种基于局部二值模式（Local Binary Patterns）的人脸识别算法，其基本原理是通过对图像中的局部像素进行统计和编码，提取图像的纹理特征，然后利用这些特征进行模式识别和分类。
LBPH算法的主要特点包括：1）对光照和表情具有一定的鲁棒性，即在一定程度上能够克服光照和表情变化对人脸识别的影响；2）简单高效，算法实现简单，计算量较小，适合于实时人脸识别系统的应用；3）适用性广泛，LBPH算法不仅能够用于静态图像的人脸识别，还能够用于动态视频序列的人脸跟踪和识别。
1. 优点：（1）鲁棒性强：LBPH算法对光照、表情和姿态变化的鲁棒性较好，能够在一定程度上克服这些因素对人脸识别的影响。
（2）特征提取快速：LBPH算法通过对图像的局部像素进行编码，实现了快速的特征提取和描述。
（3）适用性广泛：LBPH算法适用于不同场景下的人脸识别，包括室内外、静态图像和动态视频等。
2. 缺点：（1）对图像质量和分辨率较为敏感：LBPH算法对于图像的质量和分辨率要求较高，对噪声和失真容忍度较低。
基于LBPH算法的人脸识别算法研究与设计
基于LBPH算法的人脸识别算法研究与设计1. 引言1.1 研究背景人脸识别技术是近年来人工智能领域的热点之一，具有广泛的应用前景。
随着人们对安全性和便利性需求的提高，人脸识别技术在安防、金融、智能家居等领域得到了广泛应用。
LBPH（Local Binary Patterns Histogram）算法是一种基于局部特征的人脸识别算法，具有简单、高效的特点，能够较好地应用于人脸图像的特征提取与匹配。
研究背景部分将介绍人脸识别技术的发展历程，以及当前人脸识别技术所面临的挑战和不足。
随着深度学习技术的发展，基于深度学习的人脸识别算法取得了很大的进展，但是深度学习算法需要大量的标注数据和计算资源，对硬件设备的要求较高。
相比之下，基于局部特征的LBPH算法在小样本数据和计算资源有限的情况下也能取得不错的识别效果，因此对于一些资源有限的应用场景来说具有一定的优势。
通过研究LBPH算法在人脸识别中的应用，可以探索其在实际场景中的优势和不足，为基于LBPH算法的人脸识别系统设计提供理论支持和技术指导。
1.2 研究目的人脸识别技术在各个领域中发挥着越来越重要的作用，而LBPH算法作为一种经典的人脸识别算法，具有简单、高效的特点，被广泛应用于实际场景中。
本研究旨在深入探讨基于LBPH算法的人脸识别技术，通过对其原理、应用及系统设计进行研究，进一步提高人脸识别的准确性和效率。
具体来说，本研究的目的包括以下几个方面：1. 分析LBPH算法在人脸识别中的优势和不足，探讨其适用范围和局限性，以期为该算法的进一步优化提供理论参考。
2. 基于LBPH算法的人脸识别系统设计，探讨系统构建中的关键技术和难点，寻求更高效、更可靠的人脸识别解决方案。
3. 设计实际的实验方案，并通过对实验数据的分析和结果的评估，验证LBPH算法在人脸识别中的实际效果，为算法改进和优化提供实践基础。
通过以上研究目的的实现，本研究旨在为提高人脸识别技术在各领域的应用效果和推广空间，为相关技术的发展和进步做出一定的贡献。
基于LBP的人脸识别算法研究
基于LBP的人脸识别算法研究人脸识别是一种广泛应用于安防、人机交互等领域的重要技术。
其中，基于局部二值模式（Local Binary Patterns，LBP）的人脸识别算法由于其计算简单、鲁棒性强等特点，已经成为一种受关注的方法。
LBP算法是一种描述图像局部纹理特征的算法，具有计算效率高、可扩展性好的优势。
LBP算法的基本思想是对图像的每个像素点，根据其邻域像素与中心像素的灰度值关系，将其编码为一个二进制数。
具体来说，对于中心像素周围的像素点，如果该像素点的灰度值大于等于中心像素的灰度值，将该像素点的位置用1表示，否则用0表示。
根据这种编码方式，可以得到一个LBP模式，通过统计不同LBP模式的出现频率，可以获得图像的纹理特征。
在基于LBP的人脸识别算法中，通常采用以下步骤进行特征提取和识别：1.图像预处理：对输入的人脸图像进行预处理，如灰度化、直方图均衡化等，将彩色图像转化为灰度图像，并增强图像质量。
2.图像划分：将预处理后的人脸图像划分成不同大小的局部区域，通常是将图像划分为若干个重叠的小块。
3.特征提取：对每个局部区域进行LBP编码，得到相应的LBP特征向量。
4.特征融合：将所有局部区域的LBP特征向量进行融合，形成全局特征向量。
5.特征分类：通过比较待识别人脸的全局特征向量和已知人脸的特征向量，采用分类算法（如最近邻分类器、支持向量机等）进行识别。
虽然基于LBP的人脸识别算法具有一定的优势，但也存在一些问题和挑战。
例如，LBP算法对光照变化和表情变化具有较好的鲁棒性，但对尺度变化、姿态变化等仍然比较敏感。
为了提高算法的性能，研究者们还提出了一系列的改进方法，如多尺度LBP、旋转不变LBP、加权LBP等。
此外，结合其他算法和技术，如主成分分析、线性判别分析、深度学习等，也可以进一步提升基于LBP的人脸识别算法的性能。
总之，基于LBP的人脸识别算法具有计算简单、鲁棒性强等优势，已经成为一种受关注的方法。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
刘晓敏，艾震鹏
Binary Pattern)和堆栈式降噪自编码器(Stack Denoising Autoencoders)模型，提出了一种LBP + SDAE 新的人脸表情识别算法。首先，先对图像进行直方图均衡化处理，用LBP提取特征，接着进行尺度归一 化处理后用SDAE二次提取特征并且去噪，降维，最后用SVM分类。该方法不仅提高了分类的准确率，而 且加快了运算的速率。在数据集Yale上进行验证，表明相对于以前传统的人脸识别算法，它具有更高的 准确率和较强的鲁棒性。
样本 D = {x1, x2 ,, xn−1, xn} ，这里的 i 和 n 分别是训练样本 D 中的第 i 个样本和训练样本 D 的维数为 n。
我们把从输入层 X 过渡到隐层 H 的这部分叫做编码层，定义为：
=Z f (W1X + b1 )
(1)
其中， W1 是权重， b1 是偏置，f 是激活函数，Z 是获取的特征。
3. 自编码器的基本模型
3.1. 自编码器
像单隐层这类的浅层神经网络训练能力是有限的，需要消耗大量的时间来获取特征。因此，为了减
少训练时间，提出了深度神经网络。其中，自编码器(Autoencoder)就是一种无监督的深度学习方法，它
可以从原始的训练数据 X 里学习得到的特征。 自编码器的基本结构是：输入层，隐层，输出层，如图 3 所示。输入层的每一个样本 xi 都来自训练
摘要
针对传统的人脸识别算法的鲁棒性弱，分类准确率不高，运算速率较慢的缺点，基于局部二值模式(Local
文章引用: 刘晓敏, 艾震鹏. 基于堆栈降噪自编码器和 LBP 的人脸识别算法[J]. 计算机科学与应用, 2018, 8(6): 867-876. DOI: 10.12677/csa.2018.86096
Keywords
Face Recognition, Local Binary Patter, Stack Denoising Autoencoders, Support Vector Machine
基于堆栈降噪自编码器和LBP的人脸识别算法
刘晓敏，艾震鹏
广东工业大学应用数学学院，广东 广州
收稿日期：2018年5月28日；录用日期：2018年6月12日；发布日期：2018年6月19日
Computer Science and Application 计算机科学与应用, 2018, 8(6), 867-876 Published Online June 2018 in Hans. /journal/csa https:///10.12677/csa.2018.86096
Open Access
1. 引言
人脸识别[1]技术于 20 世纪 50 年代开始研究，就是利用计算机对人脸特征进行学习提取有效个人信 息的识别技术，它被广泛应用在实际生活当中，如监控系统，智能支付系统，公安系统，银行安全，个 人身份验证等。人脸识别技术的研究，一直被广大学者所关注，也是最热门的研究方向。过去的几十年 里，众多学者提出人脸识别的方法有：基于模板匹配的方法[2] [3]，基于奇异值特征方法[4]，子空间分 析法[5]，主成分分析(PCA) [6]，支持向量机(SVM) [7]，隐形马尔科夫模型[8]以及近几年兴起的深度学习 (Deep Learning)等等[9]。深度学习[10]有几大重要模型，如：自动编码器(AE)，受限波尔兹曼机(RBM)， 深度置信网络(DBN)，卷积神经网络(CNN)等。近几年，国际上很多项目都将深度学习应用到人脸识别中， 例如：Deep Face、Deep ID、Face Net 等，都取得了相当高的准确率。但是，对于实际应用中的光照，角 度，抖动，模糊，遮挡，分辨率，或者年龄变化，化妆整容等影响，还没有得到根本的解决，仍需继续 做更深入的研究。
Face Recognition Algorithm Based on Stack Denoising Autoencoders and LBP
Xiaomin Liu, Zhenpeng Ai
Department of Applied Mathematics, Guangdong University of Technology, Guangzhou Guangdong
本文利用 LBP 和 SDAE 相结合，提出了一种基于深度学习的人脸识别算法。该算法融合了 LBP [11] 算法可消除光照和角度等因素影响以及计算简单，效率高的优点和 SDAE [12]算法快速提取特征，有效 去除噪声的优点，既提高了算法分类的准确率，又加快了运算的速率和模型的鲁棒性。
2. 局部二值模式
同样的，我们把从隐层 H 过渡到输出层 Y 的这部分叫做解码层，定义为：
=Y g (W2Z + b2 )
(2)
其中， W2 是权重， b2 是偏置，g 是激活函数。
Figure 1. A field of 3 * 3 in LBP 图 1. LBP 的一个 3 * 3 的领域
LBP162
Figure 2. A circular field of LBP 图 2. LBP 的一个圆形领域
Received: May 28th, 2018; accepted: Jun. 12th, 2018; published: Jun. 19th, 2018
Abstract
In view of the weak robustness of the traditional face recognition algorithm, the low accuracy of classification and the slow operation rate, this paper proposes a new LBP + SDAE facial expression recognition algorithm, which is based on Local Binary Pattern and Stack Denoising Autoencoders. First, the image is processed by histogram equalization and the feature is extracted with LBP. Then, the scale normalization is followed by using SDA to extract the feature again, to reduce image denoising and dimensionality. Finally, the SVM algorithm was selected as classifier for the recognition of images. This method not only improves the accuracy of classification, but also accelerates the computation speed. The YALE face database was used to test the proposed method. The experiment results show that it has higher accuracy and robustness compared with the traditional face recognition algorithm.
min L ( x, y=) x − y 2
(5)
很多时候，为了防止过拟合，我们一般会在权重添加惩罚因子 λ 来控制权重的大小，因此，自编码
器的主要问题还可以表示为：
min L ( x, y) = x − y 2 + λ W 2
(6)
2
其中，W 是 W1 和W2 的组合， λ 是正则化系数。
3.2. 降噪自动编码器
DOI: 10.12677/csa.2018.86096
868
计算机科学与应用
刘晓敏，艾震鹏
2.2. 圆形 LBP 算子
为了使 LBP 保持灰度不变性和旋转不变性的优点以及适应不同尺寸的区域纹理特征，将正方形邻域 替换成圆形邻域，即将 3 × 3 邻域拓展到任意邻域。改进后的 LBP 算子允许在半径为 R 的圆形邻域内有 任意多个像素点，符号 LBPPR 表示在半径为 R 的圆形邻域内有 P 个像素点，如图 2 所示。
组参数 θ = {W1,b1,W2,b2} ，使 Y (即重构后的 X)与原始的 X 之间的误差足够小。这个参数 θ 是由反向传播
进行调整的，与标准的多层感知机的神经网络训练类似。由于训练样本的不同，我们有很多种计算误差 的方法。对于二值神经网络，也就是输入层的每个结点只能取 0 或 1，那么使用交叉熵(Cross Entropy)来 定义损失函数，即：
通过将图片读取，可以将原始的图像转化为 LBP 图像。值得注意的是，我们要先将原始的图像划分 为若干个子区域，这样每个 LBP 特征相对应于每个子区域内的每个像素点，然后在每个子区域内建立 LBP 特征的统计直方图，最后由所有子区域的统计直方图组成整个图像的统计直方图，从而获得图像的所有
特征，里面包含了图像的纹理信息。
L
(
x,
y)
∑ =− n i=1
xi
log
yi
+
(1 −
xi
)
log
(1 −
yi
)
(3)
如果输入的结点是一个任意的实数，则采用平方误差(squared error)来定义损失函数，即：
L ( x, y=) x − y 2
(4)
本文采用的是平方误差来定义损失函数，因此自编码器的主要问题可以表示为：
关键词
人脸识别，局部二值模式，堆栈式降噪自编码器，支持向量机
Copyright © 2018 by authors and Hans Publishers Inc. This work is licensed under the Creative Commons Attribution International License (CC BY). /licenses/by/4.0/