基于极限学习机的人脸识别

赵旭阳

摘要 提出了一种人脸识别的方法，首先采用gabor滤波器对图像进行5个方向8个尺度的滤波处理，然后采用主成分算法对提取的系数特征进行压缩降维处理，最后采用极限学习机进行分类识别，实验结果说明本文的算法识别率高、计算速度快、有很大的优越性。

【关键词】人脸识别 Gabor 变换 主成分分析极限学习机

1 引言

在现代社会人们的交往过程中，人脸所包含的视觉信息占据了主导地位，它是区别人与人之间差别的最重要的特征，因而人脸识别技术成為当今研究的一个热点。

人脸识别主要包括特征提取和模式识别两个部分，特征提取常用的算法有主成分分析、独立成分分析、LBP算子等。模式识别常用的有BP神经网络、RBF神经网络、支持向量机，然而这些传统的算法都存在着训练速度慢、训练精度不够高的问题。Huang提出了一种极限学习机算法，改算法训练速度快且精度较高，本文将其应用到了人脸识别中进行分析。

2 人脸特征提取

近年来学者们通过研究发现，可以用一组二维gabor小波来模拟大部分视觉皮层简单细胞的滤波响应。由于人脸图片的特征非常容易受到表情变换、光照因素、遮挡、以及姿态的影响，如果我们直接采用灰度图像进行特征提取来做人脸识别的话往往不容易获得期望的精度。而如果使用了2D盖博小波变换，我们能够较好的获得一张图片中相对于空间坐标、空间频率以及方向选择选择性的局部结构信息，这些信息很适合用来描述一个人脸图片的特征。一个2D盖博滤波器g（x，y）可以写成下式：

本文选用5个中心频率和8个方向组成的40个盖博滤波器的滤波器组来对图像进行处理。

Gabor滤波器处理后的图像特征维度比较大，含有大量的冗余特征，所以我们需要采用主成分分析算法对其进行特征压缩降维度处理。

3 基于极限神经网络的人脸识别

极限学习机仍然采用三层前馈神经网络的机构。极限学习机的初始权值是可以随机设置，在训练之前就一次性给定好，然后在训练过程中不需要再重新调整，只需要求解出输出权值最小化即可，而这个求解输出权值最小化可以通过求解广义逆矩阵来一次性完成。

极限学习机每个结点的隐含层输出为

4 实验分析

实验数据的选择：本文的实验在ORL人脸库上进行，ORL人脸库由剑桥大学提供，里有40个人，每个人都有10张表情，姿态，光照各异的人脸图片。

不同维度的特征对识别的效果有所影响，在图1中给出了不同的特征维度下人脸识别效果的变化曲线，为了便于对比识别算法统一采用ELM分类器，所有曲线都现实了l到200维的识别效果，从图1可以看出特征压缩到40维时取得较好的效果。

在表1中给出了文本算法和一些常见的其它算法的分类精度对比。

在表中可以看出本文的算法有最佳的精度，且训练所消耗的时间最短具有极大的优势。

5 结论

本文主要研究基于gabor特征、主成分分析和极限学习机算法的人脸识别，并且和神经网络的人脸识别进行性能分析对比，实验结果表明本文的算法有一定的优越性。

参考文献

[1]王盾，袁杰，复杂环境下的人脸识别研究[J].自动化应用，2017 （11）：75-78.

[2]蔡竞，王万良，郑建炜，李吉明，增量式鉴别非负矩阵分解算法及其在人脸识别中的应用[J]，图学学报，2017，38 （05）： 715- 721.

[3]Huang G B，Zhu Q Y，Siew C K.Extreme learning machine：a newlearning scheme of feedforwardneural networks[J].Neurocomputing， 2004，2 （02）： 985-990.

[4]章毓晋等编著，基于子空间的人脸识别[M].北京：清华大学出版社，2009.