基于GCSLBP的DBN人臉識(shí)別算法

關(guān)小蕊　程衛(wèi)月　張雪琴　林克正　高鐵洪

摘要：針對(duì)傳統(tǒng)Gabor小波變換提取的特征向量維數(shù)較高以及DBN在完成人臉識(shí)別時(shí)會(huì)忽略局部信息的問(wèn)題，提出了一種基于GCSLBP的DBN人臉識(shí)別算法（Gabor fusion central symmetric local binary pattern deep belief network， GCSLBP-DBN ）。該算法首先改進(jìn)了原始的Gabor變換，通過(guò)引入中心對(duì)稱局部二值模式方法（local binary pattern， LBP）進(jìn)行優(yōu)化，然后利用直方圖的方法表示最終的特征向量，既提取到圖像豐富的局部特征，又能降低特征向量維數(shù)。最后使用深度信念網(wǎng)絡(luò)方法提高分類(lèi)魯棒性，完成人臉的分類(lèi)和識(shí)別。該算法已在ORL和CMU_PIE數(shù)據(jù)集上進(jìn)行仿真實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明，本文GCSLBP-DBN 算法有效的提高了人臉識(shí)別率，在光照等變換下也具有魯棒性。

關(guān)鍵詞：Gabor小波變換;中心對(duì)稱局部二值模式;特征提取;深度信念網(wǎng)絡(luò)

DOI：10.15938/j.jhust.2022.02.009

中圖分類(lèi)號(hào)： TP391.4

文獻(xiàn)標(biāo)志碼： A

文章編號(hào)： 1007-2683（2022）02-0069-07

DBN Face Recognition Algorithm Based on GCSLBP

GUAN Xiao-rui CHENG Wei-yue ，ZHANG Xue-qin LIN Ke-zheng GAO Tie-hong

（1.School of Computer Science and Technology， Harbin University of Science and Technology， Harbin 150080， China;

2.Heilongjiang College of Business and Technology， Harbin 150025， China;

3.Heilongjiang Institute of Teacher Development， Harbin 150080， China）

Abstract：Aiming at the problem that the feature vector extracted by original Gabor transform has a high dimension and DBN ignores local information when completing face recognition， a DBN face recognition algorithm based on GCSLBP is proposed. Firstly， the algorithm improves the original Gabor transform， and optimizes it by introducing the LBP . Then the algorithm uses the histogram method to represent the final feature vector， which extracts the rich local features of the image and reduces the dimensionality of the feature vector. Finally， DBN is used to improve the robustness of classification and complete the classification and recognition of faces. The algorithm has been simulated experiments on ORL and CMU_PIE data sets. The experimental results show that the algorithm in this paper effectively improves the face recognition rate and are also robust under light and other transformations.

Keywords：Gabor wavelet transform; centrosymmetric local binary pattern; feature extraction; deep belief network

0引言

特征提取是人臉識(shí)別系統(tǒng)中最關(guān)鍵的技術(shù)之一，它是指通過(guò)對(duì)人臉圖像進(jìn)行計(jì)算和分析，以獲得可識(shí)別的數(shù)據(jù)來(lái)描述人臉特征的過(guò)程。一般來(lái)說(shuō)，主要有全局特征提取和局部特征提取這兩種特征提取方法。與全局特征提取相比，局部特征提取在捕獲局部變化和增強(qiáng)光照的魯棒性方面做得更好。因此，基于局部特征的人臉識(shí)別方法越來(lái)越受到人們的重視。Gabor小波變換作為一種重要的局部特征提取方法[1]，不僅與人眼視網(wǎng)膜細(xì)胞接收?qǐng)瞿Ｐ途哂畜@人的相似性，而且獲得了頻率和時(shí)間的最小不確定性，對(duì)光照、姿態(tài)、表情等外部干擾具有較強(qiáng)的魯棒性，它能很好地提取局部空間的圖像信息。但是Gabor小波變換得到的特征維數(shù)很高，特征向量帶來(lái)的信息是冗余的，且耗時(shí)較長(zhǎng)，不利于特征的分類(lèi)[2]。雖然現(xiàn)有的降維算法已有較好的性能，但不可避免地會(huì)丟失一些關(guān)鍵信息，導(dǎo)致識(shí)別率下降。因此，人臉識(shí)別技術(shù)還需要研究者們不斷深入研究和創(chuàng)新，推動(dòng)其日趨完善，不斷向更好的方向蓬勃發(fā)展[3-7]。

LBP是紋理分析的算子[8]，該算法具有算法簡(jiǎn)單、計(jì)算過(guò)程不太復(fù)雜、識(shí)別能力強(qiáng)、具有旋轉(zhuǎn)和亮度變化的魯棒性等優(yōu)點(diǎn)，因此LBP特征描述算子多被用于紋理特征提取[9]。有人采用Gabor-LBP方法[10]，用二維Gabor小波提取原始圖像特征，對(duì)得到的圖像進(jìn)行編碼，利用LBP算法構(gòu)造直方圖，使圖像的細(xì)節(jié)信息充分提取。文[11]通過(guò)LBP對(duì)Gabor變換得到的特征進(jìn)行處理的同時(shí)又進(jìn)一步提取了局部特征，從結(jié)果上顯示這種結(jié)合是有效的，但是LBP處理之后的特征維數(shù)還是很高，中心對(duì)稱局部二進(jìn)制模式算法（central symmetric local binary pattern， CSLBP）是一種基于LBP的中心對(duì)稱編碼改進(jìn)方法。CSLBP計(jì)算復(fù)雜度低，可以將特征維數(shù)減少到LBP的一半。因此，將CSLBP與Gabor小波變換相結(jié)合是合理的[12]。在已有的一些方法中已經(jīng)實(shí)現(xiàn)了他們的結(jié)合，但是與純結(jié)合的方法不同，本文將CSLBP的計(jì)算思想應(yīng)用到Gabor小波變換后的子圖像中，得到能夠充分表示子圖像間信息的新特征。因?yàn)镈BN具有自動(dòng)學(xué)習(xí)不同層次抽象特征和獲得人臉特征非線性描述的優(yōu)點(diǎn)，但它不能提取人臉圖像局部紋理特征，降低了人臉識(shí)別率。所以考慮把提取到的GCSLBP特征輸入到深度信念網(wǎng)絡(luò)中進(jìn)行

訓(xùn)練識(shí)別，這樣在彌補(bǔ)其不足時(shí)可以充分利用DBN的優(yōu)勢(shì)來(lái)提高人臉識(shí)別率。通過(guò)大量的實(shí)驗(yàn)和分析證明GCSLBP方法能有效地解決光照等變化對(duì)人臉識(shí)別的影響。

1相關(guān)基本理論

1.1Gabor模型

Gabor小波變換最初是為了模擬視覺(jué)皮層中簡(jiǎn)單細(xì)胞的感受域而發(fā)展起來(lái)的，如今已被廣泛用于各種應(yīng)用中提取局部特征。利用Gabor小波變換的優(yōu)點(diǎn)，可以實(shí)現(xiàn)人臉識(shí)別、紋理分類(lèi)、表情分類(lèi)等圖像分析應(yīng)用。在Gabor小波變換中，用一組不同尺度和不同方向的Gabor濾波器對(duì)圖像進(jìn)行卷積。Gabor濾波器可由公式（1）所示。

1.2DBN算法

深度學(xué)習(xí)架構(gòu)是一種由多層無(wú)監(jiān)督神經(jīng)網(wǎng)絡(luò)構(gòu)成的網(wǎng)絡(luò)，前一層的輸出通常被設(shè)置為后一層的輸入[13]。而且人臉識(shí)別的研究大多基于深度學(xué)習(xí)[14-19]。學(xué)習(xí)的目的是通過(guò)構(gòu)建網(wǎng)絡(luò)結(jié)構(gòu)和訓(xùn)練參數(shù)，使原始輸入信息和最終輸出信息盡可能相似。

DBN由具有快速學(xué)習(xí)能力的多層玻爾茲曼機(jī)（restricted boltzmann machines， RBM）組成，RBM是一個(gè)概率生成模型，即建立觀測(cè)數(shù)據(jù)與標(biāo)簽之間的聯(lián)合分布[11]。受限玻爾茲曼機(jī)中所謂的“受限”是指限定模型必須為二分圖，這個(gè)“受限”使得該訓(xùn)練算法更加高效[20-21]。RBM是一種兩層隨機(jī)神經(jīng)網(wǎng)絡(luò)，分別是可視層單元和隱藏層單元，其中所有可視層單元都與隱藏層單元相連接，如圖2所示。DBN的結(jié)構(gòu)模型如圖3所示，對(duì)于輸入數(shù)據(jù)主動(dòng)挖掘隱藏在其中的豐富信息。

1.3CSLBP算法

CSLBP算法的主要思想：比較中心對(duì)稱方向像素對(duì)的灰度值，當(dāng)像素對(duì)差值大于等于0時(shí)，二進(jìn)制編碼為1，當(dāng)差值小于0時(shí)二進(jìn)制編碼為0，并將二進(jìn)制值轉(zhuǎn)換為十進(jìn)制的CSLBP值。CSLBP僅產(chǎn)生N/2個(gè)二進(jìn)制模式，當(dāng)使用直方圖來(lái)描述局部紋理特征時(shí)，CSLBP的直方圖維數(shù)為2P/2，低于LBP的直方圖維數(shù)2P，極大地縮短了有限元長(zhǎng)度，提取的特征維度低。這種算子可以表達(dá)圖像局部紋理的空間結(jié)構(gòu)，對(duì)光照變化具有一定的魯棒性，且計(jì)算復(fù)雜度低。

CSLBP算法的編碼規(guī)則定義如下：

2基于GCSLBP模型的DBN人臉識(shí)別算法

2.1GCSLBP模型

傳統(tǒng)的Gabor特征提取是直接利用Gabor濾波器處理后得到的整體圖像特征將其輸入分類(lèi)器中進(jìn)行識(shí)別，但是這樣會(huì)導(dǎo)致特征維數(shù)過(guò)高，而且用Gabor提取到的特征也包含大量的冗余信息[22]。GCSLBP的思想是首先對(duì)圖像進(jìn)行Gabor變換處理，這樣在同一個(gè)尺度下會(huì)生成8個(gè)子圖像，這些子圖像反映著人臉圖像紋理沿不同方向的變化。然后引入1.3節(jié)中介紹的中心對(duì)稱局部二值模式（CSLBP）算法對(duì)這八個(gè)子圖像進(jìn)行編碼處理，得到一個(gè)特征圖像。根據(jù)實(shí)驗(yàn)設(shè)置的尺度，最后會(huì)得到所有尺度下的特征圖像。

經(jīng)過(guò)以上計(jì)算方法的處理便得到GCSLBP特征，具體的操作過(guò)程如圖4所示，圖4是以尺度5為例，說(shuō)明GCSLBP是如何工作的。首先經(jīng)過(guò)Gabor濾波器會(huì)得到每個(gè)尺度下的8個(gè)子圖像，然后用式（10）計(jì)算每一尺度下的特征，最后將5種尺度的直方圖特征連接起來(lái)，便得到圖像的GCSLBP特征向量，相對(duì)于Gabor-LBP的8位二進(jìn)制，GCSLBP的特征是4位二進(jìn)制。

2.2直方圖表示

2.3算法設(shè)計(jì)

根據(jù)前面的推導(dǎo)和分析，使用CRC作為分類(lèi)器闡述所提出GCSLBP-DBN模型，具體操作步驟如算法1所示。

算法1GCSLBP-DBN算法描述

輸入： 人臉圖像X，子塊為m×m

輸出： 人臉圖像的特征向量（S，S，…，S）

1）對(duì)輸入圖像X進(jìn)行劃分，得到大小為m×m的子塊;

2）利用式（1）～（4）對(duì)每個(gè)子塊x（1≤x≤m）處理，得到40個(gè)小波子圖像;

3）利用式（7）～（10）對(duì)小波子圖像進(jìn)行編碼，得到各尺度圖像的特征圖像;

4）對(duì)每個(gè)特征圖像進(jìn)行直方圖運(yùn)算，利用式（12）將5個(gè)尺度的直方圖特征連接起來(lái)，得到子塊S的特征向量;

5）連接每個(gè)子塊x（1≤x≤m）特征，得到圖像X的特征向量V。

6）將步驟3）得到的紋理特征向量v輸入到DBN可見(jiàn)層中，然后對(duì)每一層進(jìn)行訓(xùn)練，得到最優(yōu)網(wǎng)絡(luò)。本文設(shè)置隱藏層數(shù)為2，隱藏單元數(shù)不固定，不同的數(shù)據(jù)集設(shè)置不一樣。其中采用DBN迭代算法優(yōu)化訓(xùn)練網(wǎng)絡(luò)的權(quán)值w，最優(yōu)網(wǎng)絡(luò)的判斷是根據(jù)訓(xùn)練集的最大概率函數(shù)值來(lái)決定。最大概率函數(shù)如式（13）所示。

其中：w為權(quán)值矩陣;V為訓(xùn)練集的GCSLBP紋理特征矩陣，將迭代次數(shù)m設(shè)為3000，學(xué)習(xí)率設(shè)定為0.001。

7）經(jīng)過(guò)上一步得到最優(yōu)網(wǎng)絡(luò)后，利用DBN網(wǎng)絡(luò)頂層的Softmax方法進(jìn)行分類(lèi)，最終得到測(cè)試樣本的識(shí)別率。

3實(shí)驗(yàn)結(jié)果與分析

3.1實(shí)驗(yàn)環(huán)境及數(shù)據(jù)集

該模型使用MATLAB R2017a編程語(yǔ)言，在windows7（64位），RAM 8G的實(shí)驗(yàn)環(huán)境上進(jìn)行相關(guān)實(shí)驗(yàn)。

為了驗(yàn)證整體算法的性能和效果，實(shí)驗(yàn)采用ORL和CMU_PIE數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)。

ORL人臉數(shù)據(jù)庫(kù)由劍橋大學(xué)創(chuàng)建，數(shù)據(jù)集包含40個(gè)人的400張面部圖像，每個(gè)人都有10張不同面部表情、不同光照條件下的圖像，它的大小是112×92像素，部分樣例如圖5所示。

CMU_PIE數(shù)據(jù)庫(kù)是由卡內(nèi)基梅隆大學(xué)采集的，包含68個(gè)人在不同姿勢(shì)、光照和表情下拍攝的41368張面部圖像。使用的數(shù)據(jù)庫(kù)是由5個(gè)近正面的姿勢(shì)組成，它們的標(biāo)簽分別是姿勢(shì)05、07、09、27、29，大小為64×64像素。圖6展示了一個(gè)人的部分圖像。

3.2評(píng)價(jià)指標(biāo)

本文采用準(zhǔn)確率 （Accuracy） 方法來(lái)評(píng)判所提方法的優(yōu)劣程度。

準(zhǔn)確率表示的是被正確分類(lèi)的樣本數(shù)占總體樣本的比重，公式如下：

式中：TP表示被正確劃分為正例的個(gè)數(shù);TN表示被正確地劃分為負(fù)例的個(gè)數(shù);P+N表示總的測(cè)試樣本數(shù)。

3.3實(shí)驗(yàn)對(duì)比與結(jié)果分析

將數(shù)據(jù)庫(kù)中的人臉圖像通過(guò)尺度歸一化的方法，大小統(tǒng)一為64×64像素。并將原始圖像分割為4×4的子塊進(jìn)行實(shí)驗(yàn)。DBN網(wǎng)絡(luò)設(shè)置1個(gè)可見(jiàn)層、2個(gè)隱藏層和1個(gè)輸出層，第一層和最后一層神經(jīng)元個(gè)數(shù)分別為m、n，其中m是輸入向量維數(shù)，n是目標(biāo)分類(lèi)數(shù)，每層迭代次數(shù)為30，學(xué)習(xí)率為0.001。隱藏單元數(shù)較少會(huì)導(dǎo)致提取的特征不足，過(guò)多會(huì)容易導(dǎo)致過(guò)擬合，為了找出在ORL、CMU_PIE與混合數(shù)據(jù)集上DBN最佳的隱藏單元數(shù)進(jìn)行了實(shí)驗(yàn)，如圖7所示。

由圖7可知，實(shí)驗(yàn)中隱藏層單元數(shù)分別設(shè)置為10、150、200、250和300，兩個(gè)隱藏層的隱藏單元數(shù)相同，每個(gè)隱藏單元數(shù)下進(jìn)行20次人臉識(shí)別實(shí)驗(yàn)，取識(shí)別率的平均值。發(fā)現(xiàn)隱藏單元的個(gè)數(shù)對(duì)識(shí)別率有明顯的影響。隨著單元數(shù)的增加，結(jié)果呈現(xiàn)先增加后降低的趨勢(shì)，這與理論分析一致。在ORL數(shù)據(jù)集上，當(dāng)隱藏單元數(shù)為200時(shí)，識(shí)別率最佳。CMU_PIE數(shù)據(jù)集上，當(dāng)隱藏單元數(shù)為250時(shí)，識(shí)別率最佳。將ORL數(shù)據(jù)集和CMU_PIE數(shù)據(jù)集的圖片進(jìn)行隨機(jī)混合之后，當(dāng)隱藏單元數(shù)為250時(shí)，識(shí)別率最佳。在實(shí)際中能夠給在相同人臉數(shù)據(jù)庫(kù)進(jìn)行實(shí)驗(yàn)研究的學(xué)者提供一定的參考，以便于獲得更好的實(shí)驗(yàn)效果，避免提取特征不足或者過(guò)擬合。所以在之后的實(shí)驗(yàn)中為了獲得更好的效果，DBN的隱藏單元數(shù)設(shè)置如上。

將訓(xùn)練好的整體模型分別在ORL和CMU_PIE數(shù)據(jù)庫(kù)上進(jìn)行實(shí)驗(yàn)，對(duì)于ORL人臉庫(kù)隨機(jī)選取每個(gè)人的n（n=4，5，6，7）張圖像作為訓(xùn)練集，剩下的是測(cè)試集，進(jìn)行10次實(shí)驗(yàn)，計(jì)算其平均識(shí)別率。對(duì)比方法有典型的DBN，Gabor與CSLDP結(jié)合的稀疏人臉識(shí)別方法[8]，Gabor-LBP方法[10]，圖8為不同方法的識(shí)別率比較。圖8可以看出，在干擾條件較少的ORL數(shù)據(jù)庫(kù)中，4種方法的識(shí)別率都是隨著訓(xùn)練樣本的增加而提高的，說(shuō)明訓(xùn)練樣本的數(shù)量會(huì)影響算法的識(shí)別性能，也表示光照變換對(duì)不同方法的識(shí)別率影響不同，在不同數(shù)量的訓(xùn)練樣本上本文方法對(duì)光照變換的魯棒性一直優(yōu)于其他方法，不同的光照條件并沒(méi)有降低本文方法的識(shí)別率。在這幾種方法中DBN模型的識(shí)別率相對(duì)是低的，說(shuō)明在輸入網(wǎng)絡(luò)前對(duì)圖像進(jìn)行一定的特征處理是有必要的，可以有效提高后續(xù)的分類(lèi)識(shí)別，但是光照變換對(duì)圖像的特征處理造成了干擾，導(dǎo)致提取到的特征不夠豐富，不能有效提取人臉圖像局部紋理特征。傳統(tǒng)Gabor小波的人臉識(shí)別率最低，本文提出的方法識(shí)別性表現(xiàn)出較好的優(yōu)勢(shì)，說(shuō)明Gabor與CSLBP的結(jié)合是有效的，其提取到的特征比其他特征更加豐富，對(duì)光照變換的敏感度更低，魯棒性更強(qiáng)，可以有效去除光照影響，能有效提取更多人臉圖像局部紋理特征。而且用CSLBP提取的特征比用LBP和CSLDP算法提取的特征維數(shù)相對(duì)較少，降低了整體的計(jì)算復(fù)雜度。

對(duì)于CMU_PIE數(shù)據(jù)庫(kù)，隨機(jī)選取每個(gè)人的15張圖像作為訓(xùn)練集，8張作為測(cè)試集，進(jìn)行15次實(shí)驗(yàn)，分別得到其識(shí)別率，最后將識(shí)別率結(jié)果取平均值。對(duì)比方法有傳統(tǒng)的Gabor算法、Gabor+SRC人臉識(shí)別算法、DBN網(wǎng)絡(luò)模型、CSLBP結(jié)合DBN的人臉識(shí)別以及基于Gabor和LBP的深度人臉識(shí)別方法[11]。表1給出了本文方法與其他不同方法識(shí)別率的對(duì)比結(jié)果。

由表1可知，本文提出方法的識(shí)別率明顯高于比傳統(tǒng)的Gabor算法，識(shí)別率受到光照變換的影響是最小的，對(duì)光照變換的魯棒性更強(qiáng)，而Gabor+PCA方法對(duì)光照的敏感度是最強(qiáng)的。用CSLBP+DBN進(jìn)行人臉識(shí)別比DBN方法明顯效果好，識(shí)別率提高接近10%，本文提出的方法又比CSLBP+DBN方法識(shí)別率提高2%左右，這說(shuō)明直接把原始圖片輸入網(wǎng)絡(luò)進(jìn)行訓(xùn)練達(dá)不到理想效果，DBN可能會(huì)忽略圖像的局部結(jié)構(gòu)，從而光照變換等條件對(duì)其干擾過(guò)多，難以學(xué)習(xí)人臉的局部特征，所以有效的特征表示在分類(lèi)中起著至關(guān)重要的作用，要充分利用局部特征去傳達(dá)圖像信息。文[2]通過(guò)LBP對(duì)Gabor變換得到的特征進(jìn)行處理的同時(shí)又進(jìn)一步提取了局部特征，從結(jié)果上顯示這種結(jié)合是有效的，識(shí)別率達(dá)到95%左右。本文方法比單純的融合這兩個(gè)局部特征要表現(xiàn)出較好的識(shí)別性能，識(shí)別率提高1.2%，在不同光照條件下的魯棒性更高，同時(shí)CSLBP在保證提取信息豐富的情況下可以將特征維數(shù)減少到LBP的一半，但這兩種特征的融合使算法的計(jì)算復(fù)雜度增加。

4結(jié)論

本文針對(duì)Gabor小波變換提取的特征向量維數(shù)較高以及DBN在完成人臉識(shí)別時(shí)會(huì)忽略局部信息的問(wèn)題，提出了一種基于GCSLBP的DBN人臉識(shí)別方法。一方面，該方法將Gabor變換得到的不同方向不同尺度的子圖像與CSLBP算法進(jìn)行融合，得到新的特征表示，既降低了特征維數(shù)又提取了圖像豐富的局部特征;另一方面，充分利用了DBN網(wǎng)絡(luò)可以自動(dòng)學(xué)習(xí)人臉的不同層次間的抽象特征，提高分類(lèi)魯棒性。實(shí)驗(yàn)結(jié)果表明本文GCSLBP-DBN 算法有效的提高了人臉識(shí)別率，在光照等變換下也具有魯棒性。

參 考 文 獻(xiàn)：

[1]XUE G J， SONG L， SUN J， et al. Hybrid Center-symmetric Local Pattern for Dynamic Background Subtraction[C]// 2011 IEEE International Conference on Multimedia and Expo， Barcelona， 2011：1.

[2]CHOI J Y， LEE B. Ensemble of Deep Convolutional Neural Networks With Gabor Face Representations for Face Recognition[J]. IEEE Transactions on Image Processing， 2020， 29：3270.

[3]徐望明， 張培， 伍世虔. 基于多方向Gabor特征圖稀疏表示的魯棒人臉識(shí)別方法[J]. 北京理工大學(xué)學(xué)報(bào)， 2019， 39（7）：732.XU Wangming， ZHANG Pei， WU Shiqian. Robust Face Recognition Method Based on Sparse Representatio of Multi-direction Gabor Feature Graph[J]. Journal of Beijing University of Technology， 2019， 39（7）：732.

[4]歐陽(yáng)寧， 王先傲， 蔡曉東， 等. 結(jié)合小波與遞歸神經(jīng)網(wǎng)絡(luò)的低分辨率人臉識(shí)別[J]. 西安電子科技大學(xué)學(xué)報(bào)，2019， 46（6）：95.OUyang Ning， WANG Xianao， CAI Xiaodong， et al. Low Resolution Face Recognition Based on Waveletand Recursive Neural Network. Journal of Xidian University，2019， 46（6）：95.

[5]LI J Y， ZHANG D. Multi-pose Face Recognition Based on Convolutional Neural Network[J]. Journal of Computers， 2020， 31（1）：225.

[6]GEORGESCU M I， IONESCU R T， POPESCU M. Local Learning with Deep and Handcrafted Features for Facial Expression Recognition[J]. IEEE Access， 2019， 7： 64827.

[7]ZHU X， LIU H， LEI Z， et al. Large-scale Bisample Learning on ID Versus Spot Face Recognition[J].International Journal of Computer Vision， 2019， 127（6）： 684.

[8]OJALA T， PIETIKAINEN M， HARWOOD D. A Comparative Study of Texture Measures with Classification Based on Featured Distributions[J]. Pattern Re-cognition， 1996，29（1）： 51.

[9]孫玲. 基于Gabor和HOG特征融合的人臉識(shí)別算法研究[D].哈爾濱：哈爾濱理工大學(xué)，2021.

[10]HUANG J， ZHANG Y， ZHANG H J， et al. Sparse Representation Face Recognition Based on Gabor and CSLDP Feature Fusion[C]// Proceedings of the 31st Chinese Control and Decision Conference， 2019：5697.

[11]ZHUANG L Y， GUAN Y P. Deep Learning for Face Recognition under Complex Illumination Conditions Based on Log-Gabor and LBP[C]// Information Technology， Networking， Electronic and Automation Control Conference. Chengdu， 2019：1926.

[12]LIU J， WU Z L， LI Q， et al. A Novel Local Feature Extraction Algorithm Based on Gabor Wavelet Transform[C]// 3rd International Conference on Advances in Image Processing， 2019：76.

[13]李珊， 鄧偉洪. 深度人臉表情識(shí)別研究進(jìn)展[J]. 中國(guó)圖像圖形學(xué)報(bào)， 2020， 25（11）：2306.LI Shan， DENG Weihong. Journal of Image and Graphics， 2020， 25（11）：2306.

[14]ZHAO X M， SHI X G， ZHANG S Q. Facial Expression Recognition Via Deep Learning[J]. IETE Technical Review， 2014， 32（5）： 347.

[15]WU B F， LIN C H. Adaptive Feature Mapping for Customizing Deep Learning Based Facial Expression Recognition Model[J]. IEEE Access， 2018， 6： 12451.

[16]ZENG N Y， ZHANG H， SONG B， et al. Facial Expression Recognition Via Learning Deep Sparse Autoencoders[J]. Neurocomputing， 2018， 273： 643.

[17]ZHANG T， ZHENG W M， CUI Z， et al. A Deep Neural Network Driven Feature Learning Method for Multi-view Facial Expression Recognition[J]. IEEE Transactions on Multimedia， 2018， 18（12）： 2528.

[18]SUN X， PAN T. Static Facial Expression Recognition System Using ROI Deep Neural Networks[J]. Acta Electronica Sinica， 2017， 45（5）： 1189.

[19]YAN G L， DENG X J， LIU C. Facial Expression Recognition Model Based on Deep Spatiotemporal Convolutional Neural Networks[J]. Journal of Central South University （Science and Technology）， 2016， 47（7）： 2311.

[20]SHYU M L， CHEN S C，? SARINNAPAKORNL K.? A? Novel? Anomaly? Detection? Scheme? Based? on? Principal Component Classifier[C]// ICDM Foundation and New Direction of Data Mining workshop， 2003：172.

[21]MURPHY K P. Machine Learning： a Probabilistic Perspective[J]. Chance， 2012， 27（2）：62.

[22]林克正， 莊靚瑋， 榮友湖， 等. 基于Gabor特征的全局加權(quán)稀疏表示[J]. 哈爾濱理工大學(xué)學(xué)報(bào)， 2016， 21（1）：40.LIN Kezheng， ZHUANG Liangwei， RONG Youhu， et al. Based on Gabor Characteristics Global Weighted Sparse Representation[J]. Journal of Harbin University of Science and Technology，2016，21（1）：40.

（編輯：溫澤宇）