[发明专利]基于小波核极限学习机识别人脸图像集方法

权利要求书

1.一种基于小波核极限学习机识别人脸图像集方法，其特征在于，包含以下步骤：

S1、输入图像集，所述图像集分为多类图像集；

S2、对输入的图像集进行预处理；

S3、对图像集建模：初始化全局小波核极限学习机模型；

S4、使用训练图像集训练全局小波核极限学习机模型，得到训练后的每类图像集的小波核极限学习机模型；

S5、得到训练后的每类图像集的小波核极限学习机模型之后，重构前的原测试图像集分别利用每一类图像集对应的训练后的小波核极限学习机模型分别进行重构，并输出重构后的测试图像集；

S6、计算重构后的测试图像集与原测试图像集之间的重构误差；

S7、获取最小的重构误差，并得到该最小的重构误差所属的类别，该最小的重构误差所属的类别代表测试图像集表示的类别；

S8、输出测试图像集所属的类别。

2.如权利要求1所述的基于小波核极限学习机识别人脸图像集方法，其特征在于，

所述预处理包含：

图像灰度化：灰度化的过程是指将每个像素点的RGB值统一成同一个值，灰度化后的图像将由三通道变为单通道；

特征提取：再将灰度化后的人脸图像使用HOG-NMF方法提取特征向量。

3.如权利要求1所述的基于小波核极限学习机识别人脸图像集方法，其特征在于，

所述训练图像集选自输入的图像集中的至少一部分，所述原测试图像集是输入的图像集中剩下的部分；

输入的图像集分为N类，每一类训练图像集记为每一类测试图像集记为其中，d表示训练图像集或测试图像集中每类人脸图像的特征维度，i表示第i类人脸。

4.如权利要求3所述的基于小波核极限学习机识别人脸图像集方法，其特征在于，

所述步骤S3中，进一步包含：

定义初始的全局小波核极限学习机KELM模型，采用的全局KELM模型权重记为其中，h表示隐层节点个数；表示在全局小波核极限学习机模型中，人脸图像集G的第i个隐藏节点的权重。

5.如权利要求4所述的基于小波核极限学习机识别人脸图像集方法，其特征在于，

所述步骤S4中，进一步包含：将每一类测试图像集的人脸图像作为初始的全局小波核极限学习机模型的输入并对其进行训练，分别得到训练后的每一类图像集的小波核极限学习机模型，记为L_j表示第j类人脸图像集的小波核极限学习机模型，第j类小波核极限学习机模型权重定义为

6.如权利要求5所述的基于小波核极限学习机识别人脸图像集方法，其特征在于，

所述步骤S5中，每一类的测试图像集分别使用对应的一类图像集的模型分别重构：将测试图像集中每一类人脸图像集作为对应的每一个小波核极限学习机模型的输入，基于训练得到的N个小波核极限学习机模型的运算后，分别得到N个重构后的测试图像集，记为

7.如权利要求6所述的基于小波核极限学习机识别人脸图像集方法，其特征在于，

所述步骤S6中，进一步包含：

将重构前的测试图像集与重构后的测试图像集之间的重建误差计算为平方欧几里得距离：

其中，i表示第i类图像，表示重构前第i类的图像集与重构后的图像集之间的平方欧几里得距离。

8.如权利要求7所述的基于小波核极限学习机识别人脸图像集方法，其特征在于，

所述步骤S7中，进一步包含：

测试图像集的类别Y取决于最小重建误差重建误差最小，越接近某一类别，得到测试图像类别标签