一种基于人脸图像特征极限学习机的人脸识别方法
【技术领域】
[0001] 本发明涉及人脸图像自动识别技术领域，尤其涉及一种基于人脸图像特征极限学 习机的人脸识别方法。
【背景技术】
[0002] 目前，人脸识别技术已经成为了一个热点研宄问题。利用电子设备得到图像后，通 过检测算法我们可以得到图像中的人脸信息图像，由于图像原始维数较大，且存在冗余信 息，我们不能直接对人脸图像进行识别匹配。因此，我们必须进行人脸信息特征的提取，最 后利用一定的分类方法与人脸数据库进行匹配，得到识别结果。人脸识别应用是给出一个 输入人脸图像，识别出其在注册过的人脸身份信息。简单来讲，人脸识别的整个过程可以分 为三个阶段：人脸图像的前处理，图像的特征提取和图像的识别。
[0003] 人脸识别的发展可以分为三个阶段。第一阶段以Allen，Parke等人为代表，通过 面部特征进行人脸识别的研宄[1-2]，然而在识别过程中依赖于操作人员，并不具备自动识 别的特性。第二阶段为人机交互式初级阶段，Goldstion等人提出了利用几何参数对人脸正 面图像进行表示[3]。Kaya和Kobayashi设计的识别系统中采用统计识别的方法[4]，运用 欧式距离来表示人脸特征。而T. Kanad则创造性的设计了积分投影法，将目标图像在脸谱 矩阵上进行投影后再与人脸库进行匹配[5]。该系统解决了人脸识别系统运行时间长的问 题，但是，总的来说，以上方法仍然需要操作人员的先验知识，不能完全脱离人的干涉。第三 阶段则进入了自动识别阶段。特征提取后，此时需要利用分类器根据提取的特征向量进行 分类处理，从而确定当前人脸的身份。我们可以根据分类方法不同，将人脸识别的方法分为 不同种类。常用的分类器有以下几种：（1)最小距离分类器（NC)，以检测样本到类中心的距 离大小为依据。（2)最近邻分类器（NN)，是将所有的训练样本都作为训练点，因此需要计算 待识别样本X到所有样本的距离，与X最近的训练样本所属的类别即为X的类别。（3)贝叶 斯分类器，即运用贝叶斯统计方法进行的一种预测，需要先验知识。（4)支持向量机（SVM) 分类器，基于风险结构最小化而设计的分类器，SVM是一种二分分类器，在小样本的情况下 能得到很好的分类效果。（5)神经网络分类器（NNC)，人工神经网络是由大量的处理单元相 互连而构成的网络系统，一般一个三层网络对应模式识别中图像输入，特征提取，分类3个 部分。常用的NNC模型有多层感知模型，BP网络，径向基函数等等。SVM在某种程度上来说 也借鉴了神经网络的思想。
[0004] 目前，在研宄机器学习的过程中，越来越多的人将目光投向了人工神经网络。人工 神经网络的研宄历史可以追溯到上个世界，主要表现在自主学习，联想存储和高速寻找优 化解的能力。但是，传统的学习算法在训练网络中需要迭代所有的参数，速度远远不能满足 实际需求。
【发明内容】
[0005] 本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种基于人脸图像特 征极限学习机的人脸识别方法。
[0006] 本发明解决其技术问题所采用的技术方案是：一种基于人脸图像特征极限学习机 的人脸识别方法，包括如下步骤：
[0007] S1，图像预处理；所述图像预处理包括对原始人脸图像进行校准，人脸图像的增强 以及归一化，用于得到尺寸一致，灰度值取值范围相同的标准化人脸图像集；原始人脸图像 包括：人脸注册库图像和测试图像，其中人脸注册库主要是不同人脸预先采集的多张图像， 测试图像是采集用来测试识别方法的图像；
[0008] S2,构造人脸特征的提取方法，主要步骤是将标准化人脸图像的训练图片样本集 进行主成分分析降维处理，设置特征维数参数，得到特征脸；
[0009] S3,将训练样本图片集在特征脸上进行投影，进行标号分类后得到相应的特征脸 系数矩阵；
[0010] S4,利用特征脸系数矩阵训练极限学习机，对极限学习中节点个数参数进行优化 设置；通过随机初始化网络的输入权值以及隐元的偏置，得到隐层输出矩阵；自动调节神 经元个数使得输出的误差最小，确定最优的神经元个数；
[0011] S5,输入测试人脸图像的主成份特征向量，利用极限学习机的优化参数预测输入 人脸图像的类别属性，完成人脸识别过程。
[0012] 按上述方案，所述步骤S2)的具体过程如下：
[0013] S21)对于一个像素mXn的人脸图像，先将图像的像素按照行展开组成一个列向 量D，D是mnXl的列向量；设N是训练样本的总个数，Xi表示第i幅人脸图像的向量，可以 得到协方差矩阵：
[0014]
【主权项】
1. 一种基于人脸图像特征极限学习机的人脸识别方法，其特征在于，包括如下步骤： S1，图像预处理；所述图像预处理包括对原始人脸图像进行校准，人脸图像的增强以 及归一化，用于得到尺寸一致，灰度值取值范围相同的标准化人脸图像集；原始人脸图像包 括：人脸注册库图像和测试图像，其中人脸注册库主要是不同人脸预先采集的多张图像，测 试图像是采集用来测试识别方法的图像； 52, 进行人脸特征的主成分特征向量提取，主要步骤是将标准化人脸图像的训练图片 样本集进行主成分分析降维处理，设置特征维数参数，得到特征脸； 53, 将训练样本图片集在特征脸上进行投影，，进行标号分类后得到相应的特征脸系数 矩阵； 54, 利用特征脸系数矩阵训练极限学习机，对极限学习中节点个数参数进行优化设置； 通过随机初始化网络的输入权值以及隐元的偏置，得到隐层输出矩阵；自动调节神经元个 数使得输出的误差最小，确定最优的神经元个数； 55, 输入测试人脸图像的主成份特征向量，利用极限学习机的优化参数预测输入人脸 图像的类别属性，完成人脸识别过程。
2. 根据权利要求1所述的识别方法，其特征在于，所述步骤S2)的具体过程如下： 521) 对于一个像素 mXn的人脸图像，先将图像的像素按照行展开组成一个列向量D， D是mnX 1的列向量；设N是训练样本的总个数，Xi表示第i幅人脸图像的向量，可以得到 协方差矩阵：
其中μ为训练样本的平均图像向量，
522) 令 A = [x「u，x2-u，· · ·，xn-u]，则有 Sr= AA τ，其维数为 MXM，M = mXn ; 根据K-L变换定理，新的坐标系由矩阵AAt的非零特征值所对应的特征向量组成；我 们采用奇异值分解（Singular Value Decomposition，SVD)定理，若矩阵AAl^r个非零特 征为AiQ = 1，2，..，r)，其对应的特征向量为Vi,正交归一化特征向量七可以根据公式得 出：
该向量就是总离散度AAt的特征向量；主成份表达基由这些子空间u i，Ul，...，向量 组成，其中r表示主成份的个数，这样每张人脸图像都能在主成份的特征子空间进行投影； 523) 为了降低维数，我们可以按照特征值占整个特征值的比例来选取前η个最小特征 向量：
其中，α的取值范围为α =90%~99%;由这些特征向量对应的图像很像人脸，被称 为"特征脸"，即 w = (U1, U1, . . .，。
3.根据权利要求2所述的识别方法，其特征在于，所述步骤S3)的具体过程为： 将每一幅人脸与平均脸的差值矢量投到特征向量空间，我们可以得到新的特征矩阵： Ω = W1Cli, (i = I, 2,. . . , η) (5) 若特征矩阵d的第i列代表的是第η个人脸的特征信息，我们将第i列列首增加一行， 数值为n，表示其类别属性；这样我们就可以对特征矩阵进行标签分类；得到用于训练和分 类的特征脸系数矩阵； 对于给定的一副人脸图像X，那么利用特征脸所获得的人脸特征向量为： X- μ = w · d (6) 这里X- μ代表在输入图像和平均脸的差值，d表示其在特征空间w的投影，X- μ的维 数是ΜΧ1，"^维数是MXk，d的维数是kXl。根据式（6)可得：d= (χ-μ)^1; 集合所有目标样本组成矩阵D，维数为kX η，η代表样本数量，k代表了每个样本图片降 维后得到的特征信息的维数； 在每一列的列首加上其标准的类型信息，我们就得到了待分类的系数矩阵，维数是 (1+k) Xn〇
【专利摘要】本发明公开了一种基于人脸图像特征极限学习机的人脸识别方法，该方法包括以下步骤：对原始图像进行预处理；对样本进行主成分分析得到特征脸谱，将图像投影到特征域；然后利用极限学习机算法建立人脸图像和人脸标签之间的映射关系；最后利用极限学习机推导输入人脸图像的标签属性。本方法利用了极限学习机的优点，降低了传统神经网络的参数估计和优化的复杂度，进一步缩短了训练时间和提高了人脸图像的识别率。
【IPC分类】G06K9-66, G06K9-46, G06K9-00
【公开号】CN104657718
【申请号】CN201510078423
【发明人】卢涛, 杨威, 张彦铎, 李晓林, 万永静, 余军, 鲁统伟, 闵锋, 周华兵, 朱锐, 李迅, 魏运运, 黄爽, 段艳会, 张玉敏
【申请人】武汉工程大学
【公开日】2015年5月27日
【申请日】2015年2月13日