CN104657718B - 一种基于人脸图像特征极限学习机的人脸识别方法 - Google Patents

Abstract

本发明公开了一种基于人脸图像特征极限学习机的人脸识别方法，该方法包括以下步骤：对原始图像进行预处理；对样本进行主成分分析得到特征脸谱，将图像投影到特征域；然后利用极限学习机算法建立人脸图像和人脸标签之间的映射关系；最后利用极限学习机推导输入人脸图像的标签属性。本方法利用了极限学习机的优点，降低了传统神经网络的参数估计和优化的复杂度，进一步缩短了训练时间和提高了人脸图像的识别率。

Description

一种基于人脸图像特征极限学习机的人脸识别方法

技术领域

本发明涉及人脸图像自动识别技术领域，尤其涉及一种基于人脸图像特征极限学习机的人脸识别方法。

背景技术

目前，人脸识别技术已经成为了一个热点研究问题。利用电子设备得到图像后，通过检测算法我们可以得到图像中的人脸信息图像，由于图像原始维数较大，且存在冗余信息，我们不能直接对人脸图像进行识别匹配。因此，我们必须进行人脸信息特征的提取，最后利用一定的分类方法与人脸数据库进行匹配，得到识别结果。人脸识别应用是给出一个输入人脸图像，识别出其在注册过的人脸身份信息。简单来讲，人脸识别的整个过程可以分为三个阶段：人脸图像的前处理，图像的特征提取和图像的识别。

人脸识别的发展可以分为三个阶段。第一阶段以Allen，Parke等人为代表，通过面部特征进行人脸识别的研究[1-2]，然而在识别过程中依赖于操作人员，并不具备自动识别的特性。第二阶段为人机交互式初级阶段，Goldstion等人提出了利用几何参数对人脸正面图像进行表示[3]。Kaya和Kobayashi设计的识别系统中采用统计识别的方法[4]，运用欧式距离来表示人脸特征。而T.Kanad则创造性的设计了积分投影法，将目标图像在脸谱矩阵上进行投影后再与人脸库进行匹配[5]。该系统解决了人脸识别系统运行时间长的问题，但是，总的来说，以上方法仍然需要操作人员的先验知识，不能完全脱离人的干涉。第三阶段则进入了自动识别阶段。特征提取后，此时需要利用分类器根据提取的特征向量进行分类处理，从而确定当前人脸的身份。我们可以根据分类方法不同，将人脸识别的方法分为不同种类。常用的分类器有以下几种：(1)最小距离分类器(NC)，以检测样本到类中心的距离大小为依据。(2)最近邻分类器(NN)，是将所有的训练样本都作为训练点，因此需要计算待识别样本X到所有样本的距离，与X最近的训练样本所属的类别即为X的类别。(3)贝叶斯分类器，即运用贝叶斯统计方法进行的一种预测，需要先验知识。(4)支持向量机(SVM)分类器，基于风险结构最小化而设计的分类器，SVM是一种二分分类器，在小样本的情况下能得到很好的分类效果。(5)神经网络分类器(NNC)，人工神经网络是由大量的处理单元相互连而构成的网络系统，一般一个三层网络对应模式识别中图像输入，特征提取，分类3个部分。常用的NNC模型有多层感知模型，BP网络，径向基函数等等。SVM在某种程度上来说也借鉴了神经网络的思想。

目前，在研究机器学习的过程中，越来越多的人将目光投向了人工神经网络。人工神经网络的研究历史可以追溯到上个世界，主要表现在自主学习，联想存储和高速寻找优化解的能力。但是，传统的学习算法在训练网络中需要迭代所有的参数，速度远远不能满足实际需求。

发明内容

本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种基于人脸图像特征极限学习机的人脸识别方法。

本发明解决其技术问题所采用的技术方案是：一种基于人脸图像特征极限学习机的人脸识别方法，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，其中人脸注册库主要是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，构造人脸特征的提取方法，主要步骤是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份特征向量，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。

按上述方案，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；我们采用奇异值分解(Singular Value Decomposition，SVD)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；主成份表达基有这些子空间u₁,u₁,...,u_r向量张成，其中r表示主成份的个数，这样每张人脸图像都能在主成份的特征子空间进行投影；

S23)为了降低维数，我们可以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：

一般情况下α＝90％～99％；由这些特征向量对应的图像很像人脸，被称为“特征脸”，即w＝(u₁,u₁,...,u_r)。

按上述方案，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，我们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，我们将第i列列首增加一行，数值为n，表示其类别属性；这样我们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代表在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，我们就得到了待分类的系数矩阵，维数是(1+k)×n。

本发明产生的有益效果是：本发明提供基于人脸图像特征极限学习机方法，在对训练样本进行主成分分析获得特征脸，通过训练样本的特征脸系数训练极限学习机，获得极限学习机的最优参数。该方法解决了传统的单层前向神经网络训练速度过慢的问题，并得到了更高的人脸识别率。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是本发明实施例的方法流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

一种基于人脸图像特征极限学习机的人脸识别方法，包括以下步骤：

步骤1，将人脸图像进行增强，归一化等工作，得到尺寸一致，灰度值相同的标准化人脸图像。实施例中采用的是att人脸库人脸图像，图像大小为112×92像素。

步骤2，对于一个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，

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。我们采用奇异值分解(Singular Value Decomposition，SVD)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。主成份表达基有这些子空间u₁,u₁,...,u_r向量张成，其中r表示主成份的个数，这样每张人脸图像都能在主成份的特征子空间进行投影。

为了降低维数，我们可以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：

一般情况下α＝90％～99％。由这些特征向量对应的图像很像人脸，所以被称为‘特征脸’，即w＝(u₁,u₁,...,u_r)。

步骤3，将每一幅人脸与平均脸的差值矢量投到“特征脸”空间，我们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，我们将第i列列首增加一行，数值为n。这样我们就可以对特征矩阵进行标签分类。

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

步骤4：对待分类的系数矩阵进行转置得到矩阵X，X＝{(t_i,x_i)|x_i∈R,t_i∈R^m,i＝1,2,3,..,n}，其中t_i是该行的特征类别，x_i是m×1的该类别的特征信息，激活函数g(x)和隐含层神经元个数其数学公式表达为：

其中w_i是隐含层中的i个神经元和输入层的特征之间的权重，b_i是第i个隐含层中的偏差，β_i是第i个神经元和输出层之间的权值，o_j是第j个输入所对应的目标向量，w_i°x_j表示向量的内集。

单隐层神经网络学习的目标是使得输出的误差最小，可以表示为

即存在β_i，w_i和b_i，使得

可以表示为Hβ＝T，其中H为隐层节点的输出，β为输出权重，T为期望输出。

为了训练单隐层神经网络，我们希望得到使得

其中，i＝1,...,L，这等价于最小化损失函数

以上可知，一旦输入权重w_i和隐层偏置b_i被随机确定，则隐层的输出矩阵H就被唯一确定。训练单隐层神经网络可以转化为求解一个线性系统Hβ＝T。并且输出权重β可以被确定

其中，H^÷是矩阵H的Moore-Penrose广义逆。且可证明求得的解的范数是最小的并且唯一。

步骤5，根据在步骤4中确定的极限学习机的节点个数N,并构造相应的极限学习机预测模型，输入人脸图像的特征向量x，预测出其对应的类别属性t。

测试实施例。采用att标准人脸库。由剑桥大学AT&T实验室创建，40个不同人脸，每人正面图像10张，共400张面部图像，每张图片像素大小为112*92，部分志愿者的图像包括了姿态，表情和面部饰物的变化。实验中每个人取9张人脸图作为训练图像，1张人脸图作为测试图像。则训练样本图片共360张，测试样本图片共40张。每张图片读入后得到112*92的矩阵，通过矩阵变换可以变成10304*1的列向量。整合后分别得到10304*360的训练样本矩阵和10304*40的测试样本矩阵。

将训练样本矩阵通过公式(1)(2)(3)(4)得到主成分分析提取到的特征脸，维数为10304×20。接下来通过公式(5)(6)将训练样本矩阵对特征脸进行投影添加标签后，训练样本矩阵就降维成360×21的训练样本系数矩阵。每一列第一个数代表了该列对应于40位不同人脸中的一位，剩下20个数则代表了该人脸的这张图片所对应的特征信息。

公式(7)代表了训练样本系数矩阵和激活函数，隐层神经元个数的关系。随机化输入权重和隐层偏置后，通过公式(12)(13)我们可以得到隐层输出矩阵。根据公式(8)(9)，为了使得输出的误差最小，通过自动调节神经元个数得到最优值。至此，学习机训练完毕，学习机的预测过程转化为求解线性系统。

将测试样本矩阵通过相同步骤得到训练样本系数矩阵。将该矩阵代入上述线性系统中，得到预测输出值。

本发明与基于最近邻分类器的人脸识别方法(NN)不同，以下提供实验对比说明本方法的有效性。

实验通过人脸识别率以及测试时间作为算法重建质量标准。实验结果对比图下表所示：

实验一：采取360张进行训练，剩下40张作为待测试的图像。

表一

	NN算法	本发明算法
			识别率	0.9750	0.985
识别时间	0.087	0.038

实验二：采取280张进行训练，剩下120张作为待测试的图像。

表二

	NN算法	本发明算法
			识别率	0.9667	0.970
识别时间	0.168	0.0463

从以上表格明显看出，对比与NN算法而言，本发明算法在识别时间上有了很大的进步，在识别率的对比上也高于NN算法。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (1)

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。