[发明专利]一种人脸识别方法

说明书

本发明公开了一种人脸识别方法，在人脸集合中提取出p张人脸图像，将人脸集合中剩余的图像分为n类人脸图像并作为训练样本库，采用训练样本库中的类别均值信息对P张人脸图像进行预分类，在分类之后将P个人脸图像中的每张图像和对应类别的图像一并进行低秩恢复，获得低秩恢复图像和稀疏误差图像。依据低秩图像的低秩性对噪声鲁棒的原理，利用训练样本库训练极限学习机，最后将P个人脸图像对应的低秩恢复图像作为测试样本库，利用极限学习机作为标准，建立P个人脸图像和训练之后得到的人脸标签之间的映射关系，对P个人脸图像对应的低秩恢复图像进行人脸识别，不但提升了极限学习机的识别鲁棒性，还降低了计算复杂度。

技术领域

本申请涉及人脸图像自动识别技术领域，尤其涉及一种人脸识别方法。

背景技术

人脸识别，广泛应用在信息安全、公共安全等各个领域，一直都是计算机视觉和模式识别的一个热门话题，具有极高的理论研究和应用价值。

人脸识别算法主要是从输入的人脸图像推导其对应的身份信息。一般来讲，人脸识别算法主要分为四个步骤：前处理，体征提取，编码和分类。围绕着这四个环节，近年来有大量的文献开展了人脸识别领域的研究工作，并取得了良好的效果。

受益于计算机视觉的理论发展，大量的手动设计的图像特征提取方法有了良好的识别性能，使得提取的人脸特征具有更强的稳健性。与此同时，利用人脸的结构特性，经典的基于子空间学习方法如特征脸方法也取得了相当好的识别效果，且该类算法计算量小易于应用。

尽管一些算法在可控条件下都取得了令人映像深刻的识别性能，然而实际的人脸图像具有表情的多模态性，实际成像条件的变化性和成像过程噪声等因素的多样性，以及实际应用的实时性，使得人脸识别算法任然是具有挑战性的研究方向之一。特别是在复杂的成像条件下，研究对各种噪声、遮挡、光照鲁棒的高效人脸识别算法，仍然具有重要意义。

斯坦福大学E.Candes教授证明了在一定条件下低秩最小化能够补全观测矩阵的缺损值，低秩最小化理论发展迅速并成功的应用到了背景建模、运动检测图像分割等领域。低秩最小化将观测图像分解成干净的低秩空间和稀疏噪声空间，低秩空间代表了图像的结构信息，对噪声等具有较好的鲁棒性。在复杂的应用场景中，光照变化、遮挡和噪声变化等因素的干扰，使人脸识别性能降低。Du等人提出了一种低秩稀疏表达的人脸识别算法，将低秩和稀疏表示结合起来提升分类器对人脸变化的鲁棒性，取得了较好的识别率，但低秩和稀疏表达系数的计算复杂度高。另一方面，传统的分类算法如最近邻分类(K-NearestNeighbor)，支持向量机(SVM)等算法效率高，但是识别精度有限，极限学习机(ELM)是由Back Propagation BP神经网络发展而来的一种新型单隐层前馈网络(SLFNs)，该算法训练速度快、泛化能力强日益受到了研究者们的关注。

基于以上考虑提出了一种人脸识别方法，该方法充分结合低秩矩阵恢复和极限学习机的优点，提升了人脸识别算法的鲁棒性，同时降低了时间开销。

发明内容

本发明了提供了一种基于低秩支持的极限学习机鲁棒性人脸识别算法，以解决在复杂的应用场景中，由于光照变化、遮挡和噪声变化等因素的干扰，使人脸识别性能降低的技术问题。

本发明解决其技术问题所采用的技术方案是：

本发明了提供了一种人脸识别方法，所述方法包括：

在人脸集合中提取出P张人脸图像，将所述人脸集合中剩余的图像分为n 类人脸图像作为训练样本库，然后采用所述训练样本库中的类别均值信息对所述P张人脸图像进行预分类；P为正整数，n为正整数；

完成预分类后，将所述P张人脸图像中的每张图像和对应类别的图像合并在一起组成增广矩阵，将所述增广矩阵中的人脸图像利用低秩矩阵恢复转换为低秩恢复图像和稀疏误差图像；

利用所述训练样本库训练极限学习机；