基于極限學習機的人臉識別

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特征進行壓縮降維處理，最后采用極限學習機進行分類識別，實驗結果說明本文的算法識別率高、計算速度快、有很大的優越性。

【關鍵詞】人臉識別 Gabor 變換 主成分分析極限學習機

1 引言

在現代社會人們的交往過程中，人臉所包含的視覺信息占據了主導地位，它是區別人與人之間差別的最重要的特征，因而人臉識別技術成為當今研究的一個熱點。

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、獨立成分分析、LBP算子等。模式識別常用的有BP神經網絡、RBF神經網絡、支持向量機，然而這些傳統的算法都存在著訓練速度慢、訓練精度不夠高的問題。Huang提出了一種極限學習機算法，改算法訓練速度快且精度較高，本文將其應用到了人臉識別中進行分析。

2 人臉特征提取

近年來學者們通過研究發現，可以用一組二維gabor小波來模擬大部分視覺皮層簡單細胞的濾波響應。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、以及姿態的影響，如果我們直接采用灰度圖像進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、空間頻率以及方向選擇選擇性的局部結構信息，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行特征壓縮降維度處理。

3 基于極限神經網絡的人臉識別

極限學習機仍然采用三層前饋神經網絡的機構。極限學習機的初始權值是可以隨機設置，在訓練之前就一次性給定好，然后在訓練過程中不需要再重新調整，只需要求解出輸出權值最小化即可，而這個求解輸出權值最小化可以通過求解廣義逆矩陣來一次性完成。

極限學習機每個結點的隱含層輸出為

4 實驗分析

實驗數據的選擇：本文的實驗在ORL人臉庫上進行，ORL人臉庫由劍橋大學提供，里有40個人，每個人都有10張表情，姿態，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一采用ELM分類器，所有曲線都現實了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，且訓練所消耗的時間最短具有極大的優勢。

5 結論

本文主要研究基于gabor特征、主成分分析和極限學習機算法的人臉識別，并且和神經網絡的人臉識別進行性能分析對比，實驗結果表明本文的算法有一定的優越性。

參考文獻

[1]王盾，袁杰，復雜環境下的人臉識別研究[J].自動化應用，2017 （11）：75-78.

[2]蔡競，王萬良，鄭建煒，李吉明，增量式鑒別非負矩陣分解算法及其在人臉識別中的應用[J]，圖學學報，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：清華大學出版社，2009.