[发明专利]一种基于人脸图像特征极限学习机的人脸识别方法

说明书

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。

技术领域

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

目前，人脸识别技术已经成为了一个热点研究问题。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。

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究[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。

目前，在研究机器学习的过程中，越来越多的人将目光投向了人工神经网络。人工神经网络的研究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

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。

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：

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；

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；

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；