[发明专利]一种基于人脸图像特征极限学习机的人脸识别方法

权利要求书

1.一种基于人脸图像特征极限学习机的人脸识别方法，其特征在于，包括如下步骤：

S1，图像预处理；所述图像预处理包括对原始人脸图像进行校准，人脸图像的增强以及归一化，用于得到尺寸一致，灰度值取值范围相同的标准化人脸图像集；原始人脸图像包括：人脸注册库图像和测试图像，其中人脸注册库包括根据不同人脸预先采集的多张图像，测试图像是采集用来测试识别方法的图像；

S2，进行人脸特征的主成分特征向量提取，步骤如下：将标准化人脸图像的训练图片样本集进行主成分分析降维处理，设置特征维数参数，得到特征脸；

S3，将训练样本图片集在特征脸上进行投影，进行标号分类后得到相应的特征脸系数矩阵；

S4，利用特征脸系数矩阵训练极限学习机，对极限学习机中节点个数参数进行优化设置；通过随机初始化网络的输入权值以及隐元的偏置，得到隐层输出矩阵；自动调节神经元个数使得输出的误差最小，确定最优的神经元个数；

S5，输入测试人脸图像的主成分特征向量，利用极限学习机的优化参数预测输入人脸图像的类别属性，完成人脸识别过程；

所述步骤S2的具体过程如下：

S21)对于一个像素m×n的人脸图像，先将图像的像素按照行展开组成一个列向量D，D是mn×1的列向量；设N是训练样本的总个数，Xi表示第i幅人脸图像的向量，可以得到协方差矩阵：

其中μ为训练样本的平均图像向量，

S22)令A＝[x₁-u,x₂-u,...,x_n-u]，则有S_r＝AA^T，其维数为M×M，M＝m×n；

根据K-L变换定理，新的坐标系由矩阵AA^T的非零特征值所对应的特征向量组成；采用奇异值分解定理，若矩阵AA^T的r个非零特征为λ_i(i＝1,2,..,r)，其对应的特征向量为v_i，正交归一化特征向量u_i可以根据公式得出：

该向量就是总离散度AA^T的特征向量；主成分表达基由这些子空间u₁,u₂,...,u_r向量组成，其中r表示主成分的个数，这样每张人脸图像都能在主成分的特征子空间进行投影；

S23)为了降低维数，按照特征值占整个特征值的比例来选取前n个最小特征向量：

其中，α的取值范围为α＝90％～99％；由于这些特征向量对应的图像很像人脸，被称为“特征脸”，即w＝(u₁,u₂,...,u_r)；

所述步骤S3的具体过程为：

将每一幅人脸与平均脸的差值矢量投到特征向量空间，可以得到新的特征矩阵:

Ω＝w^Td_i，(i＝1,2,...,n) (5)

若特征矩阵d的第i列代表的是第n个人脸的特征信息，将第i列列首增加一行，数值为n，表示其类别属性；这样就可以对特征矩阵进行标签分类；得到用于训练和分类的特征脸系数矩阵；

对于给定的一副人脸图像x，那么利用特征脸所获得的人脸特征向量为：

x-μ＝w·d (6)

这里x-μ代表输入图像和平均脸的差值，d表示其在特征空间w的投影，x-μ的维数是M×1，w的维数是M×k，d的维数是k×1,根据式(6)可得：d＝(x-μ)w^-1；

集合所有目标样本组成矩阵D，维数为k×n，n代表样本数量，k代表了每个样本图片降维后得到的特征信息的维数；

在每一列的列首加上其标准的类型信息，得到待分类的系数矩阵，维数是(1+k)×n。