基于極限學(xué)習(xí)機(jī)的人臉識別

趙旭陽

摘要 提出了一種人臉識別的方法，首先采用gabor濾波器對圖像進(jìn)行5個方向8個尺度的濾波處理，然后采用主成分算法對提取的系數(shù)特征進(jìn)行壓縮降維處理，最后采用極限學(xué)習(xí)機(jī)進(jìn)行分類識別，實(shí)驗(yàn)結(jié)果說明本文的算法識別率高、計(jì)算速度快、有很大的優(yōu)越性。

【關(guān)鍵詞】人臉識別 Gabor 變換 主成分分析極限學(xué)習(xí)機(jī)

1 引言

在現(xiàn)代社會人們的交往過程中，人臉?biāo)囊曈X信息占據(jù)了主導(dǎo)地位，它是區(qū)別人與人之間差別的最重要的特征，因而人臉識別技術(shù)成為當(dāng)今研究的一個熱點(diǎn)。

人臉識別主要包括特征提取和模式識別兩個部分，特征提取常用的算法有主成分分析、獨(dú)立成分分析、LBP算子等。模式識別常用的有BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)，然而這些傳統(tǒng)的算法都存在著訓(xùn)練速度慢、訓(xùn)練精度不夠高的問題。Huang提出了一種極限學(xué)習(xí)機(jī)算法，改算法訓(xùn)練速度快且精度較高，本文將其應(yīng)用到了人臉識別中進(jìn)行分析。

2 人臉特征提取

近年來學(xué)者們通過研究發(fā)現(xiàn)，可以用一組二維gabor小波來模擬大部分視覺皮層簡單細(xì)胞的濾波響應(yīng)。由于人臉圖片的特征非常容易受到表情變換、光照因素、遮擋、以及姿態(tài)的影響，如果我們直接采用灰度圖像進(jìn)行特征提取來做人臉識別的話往往不容易獲得期望的精度。而如果使用了2D蓋博小波變換，我們能夠較好的獲得一張圖片中相對于空間坐標(biāo)、空間頻率以及方向選擇選擇性的局部結(jié)構(gòu)信息，這些信息很適合用來描述一個人臉圖片的特征。一個2D蓋博濾波器g（x，y）可以寫成下式：

本文選用5個中心頻率和8個方向組成的40個蓋博濾波器的濾波器組來對圖像進(jìn)行處理。

Gabor濾波器處理后的圖像特征維度比較大，含有大量的冗余特征，所以我們需要采用主成分分析算法對其進(jìn)行特征壓縮降維度處理。

3 基于極限神經(jīng)網(wǎng)絡(luò)的人臉識別

極限學(xué)習(xí)機(jī)仍然采用三層前饋神經(jīng)網(wǎng)絡(luò)的機(jī)構(gòu)。極限學(xué)習(xí)機(jī)的初始權(quán)值是可以隨機(jī)設(shè)置，在訓(xùn)練之前就一次性給定好，然后在訓(xùn)練過程中不需要再重新調(diào)整，只需要求解出輸出權(quán)值最小化即可，而這個求解輸出權(quán)值最小化可以通過求解廣義逆矩陣來一次性完成。

極限學(xué)習(xí)機(jī)每個結(jié)點(diǎn)的隱含層輸出為

4 實(shí)驗(yàn)分析

實(shí)驗(yàn)數(shù)據(jù)的選擇：本文的實(shí)驗(yàn)在ORL人臉庫上進(jìn)行，ORL人臉庫由劍橋大學(xué)提供，里有40個人，每個人都有10張表情，姿態(tài)，光照各異的人臉圖片。

不同維度的特征對識別的效果有所影響，在圖1中給出了不同的特征維度下人臉識別效果的變化曲線，為了便于對比識別算法統(tǒng)一采用ELM分類器，所有曲線都現(xiàn)實(shí)了l到200維的識別效果，從圖1可以看出特征壓縮到40維時取得較好的效果。

在表1中給出了文本算法和一些常見的其它算法的分類精度對比。

在表中可以看出本文的算法有最佳的精度，且訓(xùn)練所消耗的時間最短具有極大的優(yōu)勢。

5 結(jié)論

本文主要研究基于gabor特征、主成分分析和極限學(xué)習(xí)機(jī)算法的人臉識別，并且和神經(jīng)網(wǎng)絡(luò)的人臉識別進(jìn)行性能分析對比，實(shí)驗(yàn)結(jié)果表明本文的算法有一定的優(yōu)越性。

參考文獻(xiàn)

[1]王盾，袁杰，復(fù)雜環(huán)境下的人臉識別研究[J].自動化應(yīng)用，2017 （11）：75-78.

[2]蔡競，王萬良，鄭建煒，李吉明，增量式鑒別非負(fù)矩陣分解算法及其在人臉識別中的應(yīng)用[J]，圖學(xué)學(xué)報(bào)，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]章毓晉等編著，基于子空間的人臉識別[M].北京：清華大學(xué)出版社，2009.