[发明专利]基于小波核极限学习机识别人脸图像集方法

说明书

本发明公开了一种基于小波核极限学习机识别人脸图像集方法，包含以下步骤：S1、输入图像集；S2、对图像集进行预处理；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，得到每类图像集的小波核极限学习机模型；S5、原测试图像集利用每一类图像集对应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，得到最小的重构误差所属的类别，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。本发明可高效地实现人脸图像集分类，学习速度快，泛化性能好。

技术领域

本发明涉及人脸图像集识别领域，特别涉及一种基于小波核极限学习机(KELM)识别人脸图像集方法。

背景技术

随着人工智能的发展，人脸识别发展迅速，尤其表现在从最初的单张人脸图像识别到最近的人脸图像集识别，人脸由于视频或拍照有各种角度、光照的变化，使人脸识别的关注点发生了变化。图像集识别可以更加详细地描述个体。同时人脸图像集识别也面临诸多挑战，比如如何定义两个个体人脸图像集之间的距离，如何提取出更有效的个体特征。

近几十年已经出现一系列的人脸图像集识别方面的研究，其中一个主要的难点在于怎么有效地建模以及如何提取能有效地表达个体的特征。现如今出现的方法已经大大地提高了人脸图像集的识别率，比如建立流形模型，建立流形子空间等方法。Hu等人将集与集之间的距离定义为其稀疏近似最近点(Sparse Approximated Nearest Points，SANP)之间的距离。对于流形上的图像集表示，采用了适当的距离度量方式，如Grassmann流形上的测地线距离和投影核度量，以及黎曼流形上的对数映射距离度量。但是图像的流形建模的方法需要事先在图像的流形上预先假定人脸图像的流形类别。但是需要假设面部数据遵循高斯分布，比如Wang和Chen提出了流形判别分析(Manifold Discriminant Analysis，MDA)，利用多个局部线性聚类对每个图像集进行建模；Wang等对每个图像集直接使用协方差矩阵的建模。它们通过基于Log Euclidean距离的核函数将每个图像集的协方差矩阵从黎曼流形映射到Euclidean空间。然后根据使用核部分最小二乘法学习回归函数对图像集进行分类。实际上这并不适用于所有的图像。或者另一些方法需要事先假设图像集可以由线性子空间表示，比如Harandi等人将线性子空间的图像集建模为格拉斯曼流形上的点。它们定义了核函数将图像集从格拉斯曼流形映射到欧氏空间，其中分类是通过图嵌入判别分析(Graph Embedding Discriminant Analysis，GEDA)进行的；Hayat等人使用深度学习模型学习每个图像集的结构。然后根据最小重建误差和多数投票方案估计测试集的标签。通常，基于结构的算法需要在每个集合中相对较多的图像来精确地对数据结构建模。但数据可能位于复杂的流形上，为了模拟更复杂的数据结构，也提出了很多方法来将图像集建模为数据样本的凸包或仿射包。

由于现有技术中在概念上类似于最近邻分类(k-NearestNeighbor，KNN)，并且必须施加某些约束以避免在图像集可能相交的某些低维空间中找到邻近点。然而，对更复杂图像集结构的建模是以增加算法复杂性为代价的。因此，这些算法无法有效地处理大型图像集分类任务。因此，研发一种基于小波核极限学习机(KELM)识别人脸图像集方法实为必要。

发明内容

本发明的目的在于提供一种基于小波核极限学习机(KELM)识别人脸图像集方法，通过使用KELM实现人脸图像集分类与识别且实现在没有预先假设数据结构的前提下，可以高效地实现人脸图像集分类。

为了达到上述目的，本发明通过以下技术方案实现：