电子技术·Ｅｌｅｃｔｒｏｎｉｃ Ｔｅｃｈｎｏｌｏｇｙ 基于极限学习机的人脸识别 文／赵旭阳 提出了一种人脸识别的方法， 首先采用ｇａｂｏｒ滤波器对图像进 置，在训练之前就一次性给定好，然后在训练 过程中不需要再重新调整，只需要求解出输出 权值最小化即可，而这个求解输出权值最小化 表１：几种算法对比 行５个方向８个尺度的滤波处理， 可以通过求解广义逆矩阵来一次性完成。 然后采用主成分算法对提取的系 极限学习机每个结点的隐含层输出为 数特征进行压缩降维处理，最后 采用极限学习机进行分类识别， ∑ｆｌ￣Ｇ（ａ · ＋ ） 实验结果说明本文的算法识别率 高、计算速度快、有很大的优越性。 ∑ Ｇ（ａ ＋ ）＝ｆ ｉ＝１，２，…Ｌ 【关键词】人脸识别Ｇａｂｏｒ变换主成分分析 上面的几个公式式可以合并成为下面矩 极限学习机 阵式： Ｈ１３＝Ｔ 其中Ｈ为隐层输出 Ｈ（ａ －．，口￡， ，…ｂＬ， ，，１．． ） １引言 ｌ Ｇ（ａＪ· Ｊ＋ｂ１）… Ｇ（ａ￡‘ Ｊ＋ｂＬ）ｌ ＝在现代社会人们的交往过程中，人脸所 ｌ Ｇ（包含的视觉信息占据了主导地位，它是区别人 ａ ’ ＋ ）．… …．．Ｇ（ ａ￡’ Ⅳ＋６ ）一 ＩＪ№￡ 与人之间差别的最重要的特征，因而人脸识别 如果仅仅考虑训练误差最小就容易产生 技术成为当今研究的一个热点。 过拟合的问题，就是说虽然训练误差达到了最 人脸识别主要包括特征提取和模式识别 小，但是无法获得最优的测试效果。所以如果 两个部分，特征提取常用的算法有主成分分析、 想获得一个良好的模型，需要同时折中考虑这 独立成分分析、ＬＢＰ算子等。模式识别常用的 两种风险。因此我们需要在最小化的输出权值 有ＢＰ神经网络、ＲＢＦ神经网络、支持向量机， 和最小化的误差之间做出折中，可以构造如下 然而这些传统的算法都存在着训练速度慢、训 的计算公式。 练精度不够高的问题。Ｈｕａｎｇ提出了一种极限 ｍｉｎ： ａｎｄ∑ｌｉｐ·ｈ（ｘｉ）一ｔ ） 学习机算法，改算法训练速度快且精度较高， 本文将其应用到了人脸识别中进行分析。 上述可以用公式表达成下式 ２人脸特征提取 ￣ｎ：Ｌ＝ｌｌｌＰｌ ＋ １ ｃ Ｎ Ｉ１ 近年来学者们通过研究发现，可以用一组 ｓ．ｔ．：ｈ（ ） ＝ｔ 一善 ， ＝１，．．．．Ⅳ． 二维ｇａｂｏｒ小波来模拟大部分视觉皮层简单细 其中《＝ｌ … ． ｌ是训练样本Ｘ，对应的网 胞的滤波响应。由于人脸图片的特征非常容易 络输出和真实值之间的误差。 受到表情变换、光照因素、遮挡、以及姿态的 影响，如果我们直接采用灰度图像进行特征提 取来做人脸识别的话往往不容易获得期望的精 一 一、－ 一根据ＫＫＴ条件，可以定义ｌ ａｇｒａｎｇｅ函数 求解上面的问题，也就上说上面的问题可以等 效为求解下面的公式： 度。而如果使用了２Ｄ盖博小波变换，我们能 够较好的获得一张图片中相对于空间坐标、空 ＝ １ ｃ Ｎ ｌｌ 间频率以及方向选择选择性的局部结构信息， 这些信息很适合用来描述一个人脸图片的特 －征。一个２Ｄ盖博滤波器ｇ（ｘ，ｙ）可以写成下式： Ｚ∑ ， （ ） 一ｔ ＋每， ） ）： 唧（一 ）【ｅｘｐ（ ， ｅｘｐ（＿＿ｏ－２）］ 其中ａ。和ｕ 为ｌａｇｒａｎｇｅ乘数，且都是非 负数。ｐ．是连接隐含层和第Ｊ个输出结点的权 ｋ＝ ３．，．…１３］。相应的优化限制条件为： 在公式里Ｘ为给定的图像的坐标，ｋ．为我 …ｖ ｃｏｓ＃．］ 值，而１３＝［１ｏ （ ＿÷ ：旷口 们设置的滤波器的中心频率， ．．为滤波器的 ￣Ｄ ＥＬＭ方向选择性，ｋ对应纹理的波长，ａ为高斯窗 ＝０ 啦＝ ，ｉ＝１，．．．，Ｎ ｕ 口的大小。 ￣ＪＩ￣本文选用５个中心频率和８个方向组成 —：Ｄ—ＥＬＭ＝０ ｈ（ ） 一ｔ ＋毒 ＝ｏ，ｉ＝１，…，Ｎ 的４Ｏ个盖博滤波器的滤波器组来对图像进行 在公式里Ｈ就是上文讲到的隐含层输出 处理。 矩阵，它仅仅同样本的个数和隐含层的结点数 Ｇａｂｏｒ滤波器处理后的图像特征维度比较 目有关而与样本的输出结点个数无关。对于分 大，含有大量的冗余特征，所以我们需要采用 类问题，它于样本的类别数目无关。 主成分分析算法对其进行特征压缩降维度处理。 最终我们可以推导得到 ３基于极限神经网络的人脸识别 ‘ ＝Ｈ （ＨＨ ＋ ）Ｃ Ｔ 极限学习机仍然采用三层前馈神经网络 于是极限学习机的逼近函数可以写成 的机构。极限学习机的初始权值是可以随机设 ＿厂（ ）＝＾（ ）Ｈ （ＨＨ ＋ ） Ｔ １０８·电子技术与软件工程Ｅｌｅｃｔｒｏｎｉｃ Ｔｅｃｈｎｏｌｏｇｙ＆Ｓｏｆｔｗａｒｅ Ｅｎｇｉｎｅｅｒｉｎｇ 图１：Ｇａｂｏｒ＋ＰＣＡ特征提取法维度对识别率的 影响 ４实验分析 实验数据的选择：本文的实验在ＯＲＬ人 脸库上进行，ＯＲＬ人脸库由剑桥大学提供， 里有４Ｏ个人，每个人都有ｌＯ张表情，姿态， 光照各异的人脸图片。 不同维度的特征对识别的效果有所影响， 在图１中给出了不同的特征维度下人脸识别效 果的变化曲线，为了便于对比识别算法统一采 用ＥＬＭ分类器，所有曲线都现实 １到２００ 维的识别效果，从图１口Ｊ‘以看出特征压缩到 ４０维时取得较好的效果。 在表１中给出了文本算法和一些常见的 其它算法的分类精度对比。 在表中可以看出本文的算法有最佳的精 度，且训练所消耗的时间最短具有极大的优势。 ５结论 本文主要研究基于ｇａｂｏｒ特征、主成分分 析和极限学习机算法的人脸识别，并且和神经 网络的人脸识别进行性能分析对比，实验结果 表明本文的算法有一定的优越性。 参考文献 ［１］王盾，袁杰．复杂环境下的人脸识别研究 【Ｊ】．自动化应用，２０１ ７（１１）：７５—７８． 【２］蔡竞，王万良，郑建炜，李吉明．增量式 鉴别非负矩阵分解算法及其在人脸识别中 的应用【Ｊ］．图学学报，２Ｏ１ ７，３８（０５）：７１ ５— ７２１． ［３］Ｈ１１ａｎ ｇ Ｇ Ｂ，Ｚｈｕ Ｑ Ｙ，ｓ ｉ ｅＷ Ｃ Ｋ． ＥＸｔ ｒｅｍｅ １ ｅａ ｒｎｉ ｎｇ ｍａ ｃｈｉ ｎｅ：ａ ｎｅｗ １ ｅａ ｒｎｉｎｇ Ｓ Ｃｈｅｆｉｌｅ ｏｆ ｆｅｅｄｆ Ｏ ｒｗａ ｒ ｄ ｎｅｕ ｒａ１ ｎｅｔＷＯ ｒｋ Ｓ［Ｊ］．Ｎｅｕ ｒｏｃｏｍｐｕｔｉ ｎｇ，２００４，２（０２）：９８ ５－９９０． ［４】章毓晋等编著．基于子空间的人脸识别 【Ｍ］．北京：清华大学出版社，２００９． 作者简介 赵旭阳（１９９７－），吉林大学汽车工程学院本科 生，研究方向为机器学习。 作者单位 吉林大学汽车工程学院 吉林省长春市 １ ３０Ｏ０Ｏ
