最近讀了一篇關於LBP和DBN的文章，感覺思路挺好的，如有不當之處望指正！！！！！

這是一篇在非限制條件下，基於深度學習的人臉識別演算法。，將LBP紋理特徵作為深度網路的輸入，通過逐層貪婪訓練網路，獲得良好的網路引數，並用訓練好的網路對測試樣本進行預測。

文章通過LBP提取非限制條件下人臉影象的紋理特徵並利用DBN進一步自動學習更抽象、更有效的人臉特徵，並在DBN頂層自動進行人臉分類。LBP所提取的人臉影象的區域性紋理特徵對光照和微小平移具有較強的頑健性，將其作為DBN輸入特徵更有助於網路對影象特徵分佈的理解，進一步減少網路學習到不利的特徵描述；同時，通過DBN對輸入資料進行深度學習和自動特徵提取，並在網路最頂層實現特徵識別，有效避免了過多主動因素的干預。

文章Idea:

提出LBP和DBN相結合的非限制條件下人臉識別，徵。將LBP與DBN相結合，克服了DBN不能學習到人臉影象區域性結構特徵的缺點，使得DBN學習到的抽象特徵受光照、微小平移等的影響較小。

文章演算法：

DBN訓練步驟：

1)對第一層RBM，以LBP紋理特徵為輸入，對RBM進行無監督訓練，獲得該層最優的引數；

2)高層RBM以低一層RBM輸出資料為輸入，對RBM進行無監督，獲得RBM網路最優的引數值；

3)最後利用全域性訓練的方法對訓練好的各層引數微調，使得DBN收斂到全域性最優。該訓練方法繞過了全域性訓練的複雜性，通過快速散度(CD，contrastive diber．gence)¨／J訓練RBM獲得DBN各層的最優引數，降低了學習目標過擬合的風險，使得網路具有更好的資料預測能力。

演算法步驟

1)用雙線性內插法將測試樣本和訓練樣本降維至32×32，並進行直方圖均衡化等歸一化預處理。
2)對訓練樣本和測試樣本進行分塊並提取每個子塊的LBP紋理特徵，將每個子塊的特徵連線起來形成樣本的LBP紋理特徵。本文LBP紋理特徵提取時樣本分塊為4×5，半徑尺為1，畫素數P為8。此時所提取的LBP紋理特徵和畫素級特徵維數相當。
3)將訓練樣本的LBP紋理特徵作為DBN可視層輸入，對深度網路進行逐層訓練，以獲取最優網路引數。文中DBN層數選為2層：第1層學習率為0.002，迭代次數為40；第2層為0.003，迭代次數為40。
4)當深度網路訓練完後，將測試樣本的LBP紋理特徵作為DBN可視層輸入，利用優化後的網路由下向上多層次地學習和提取測試樣本的抽象特徵，在網路最頂層進行SoftMax迴歸分類，獲得

實驗結果：

結果表示隨著隱藏單元數的增加，深度網路能夠更好地表達人臉影象特徵，但是網路的訓練時間和分類時間也隨之增加，計算量逐漸增大，因而對硬體要求也隨之提高。

。當訓練樣本數增加時，提取類別特徵較為豐富，演算法識別率劇增高

總之，。本文演算法在受姿態、光照、表情、遮擋等綜合因素影響的非限制條件下具有較好的識別效果，同時在受多種因素影響的Yale庫和光照因素影響的Yale—B庫上取得較高的識別率。