[發明專利]基于小波核極限學習機識別人臉圖像集方法

有效

• 申請號: 202010119515.9
• 申請日: 2020-02-26
• 公開（公告）號: CN111340111B
• 公開（公告）日: 2023-03-24
• 發明（設計）人: 郝麗秀;于威威
• 申請（專利權）人: 上海海事大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V40/16;G06V10/774
• 代理公司: 上海元好知識產權代理有限公司 31323
• 代理人: 徐雯瓊;章麗娟

本發明公開了一種基于小波核極限學習機識別人臉圖像集方法，包含以下步驟：S1、輸入圖像集；S2、對圖像集進行預處理；S3、對圖像集建模：初始化全局小波核極限學習機模型；S4、使用訓練圖像集訓練全局小波核極限學習機模型，得到每類圖像集的小波核極限學習機模型；S5、原測試圖像集利用每一類圖像集對應的小波核極限學習機模型分別進行重構，并輸出重構后的測試圖像集；S6、計算重構后的測試圖像集與原測試圖像集之間的重構誤差；S7、獲取最小的重構誤差，得到最小的重構誤差所屬的類別，最小的重構誤差所屬的類別代表測試圖像集表示的類別；S8、輸出測試圖像集所屬的類別。本發明可高效地實現人臉圖像集分類，學習速度快，泛化性能好。

技術領域

本發明涉及人臉圖像集識別領域，特別涉及一種基于小波核極限學習機(KELM)識別人臉圖像集方法。

背景技術

隨著人工智能的發展，人臉識別發展迅速，尤其表現在從最初的單張人臉圖像識別到最近的人臉圖像集識別，人臉由于視頻或拍照有各種角度、光照的變化，使人臉識別的關注點發生了變化。圖像集識別可以更加詳細地描述個體。同時人臉圖像集識別也面臨諸多挑戰，比如如何定義兩個個體人臉圖像集之間的距離，如何提取出更有效的個體特征。

近幾十年已經出現一系列的人臉圖像集識別方面的研究，其中一個主要的難點在于怎么有效地建模以及如何提取能有效地表達個體的特征。現如今出現的方法已經大大地提高了人臉圖像集的識別率，比如建立流形模型，建立流形子空間等方法。Hu等人將集與集之間的距離定義為其稀疏近似最近點(Sparse Approximated Nearest Points，SANP)之間的距離。對于流形上的圖像集表示，采用了適當的距離度量方式，如Grassmann流形上的測地線距離和投影核度量，以及黎曼流形上的對數映射距離度量。但是圖像的流形建模的方法需要事先在圖像的流形上預先假定人臉圖像的流形類別。但是需要假設面部數據遵循高斯分布，比如Wang和Chen提出了流形判別分析(Manifold Discriminant Analysis，MDA)，利用多個局部線性聚類對每個圖像集進行建模；Wang等對每個圖像集直接使用協方差矩陣的建模。它們通過基于Log Euclidean距離的核函數將每個圖像集的協方差矩陣從黎曼流形映射到Euclidean空間。然后根據使用核部分最小二乘法學習回歸函數對圖像集進行分類。實際上這并不適用于所有的圖像。或者另一些方法需要事先假設圖像集可以由線性子空間表示，比如Harandi等人將線性子空間的圖像集建模為格拉斯曼流形上的點。它們定義了核函數將圖像集從格拉斯曼流形映射到歐氏空間，其中分類是通過圖嵌入判別分析(Graph Embedding Discriminant Analysis，GEDA)進行的；Hayat等人使用深度學習模型學習每個圖像集的結構。然后根據最小重建誤差和多數投票方案估計測試集的標簽。通常，基于結構的算法需要在每個集合中相對較多的圖像來精確地對數據結構建模。但數據可能位于復雜的流形上，為了模擬更復雜的數據結構，也提出了很多方法來將圖像集建模為數據樣本的凸包或仿射包。

由于現有技術中在概念上類似于最近鄰分類(k-NearestNeighbor，KNN)，并且必須施加某些約束以避免在圖像集可能相交的某些低維空間中找到鄰近點。然而，對更復雜圖像集結構的建模是以增加算法復雜性為代價的。因此，這些算法無法有效地處理大型圖像集分類任務。因此，研發一種基于小波核極限學習機(KELM)識別人臉圖像集方法實為必要。

發明內容

本發明的目的在于提供一種基于小波核極限學習機(KELM)識別人臉圖像集方法，通過使用KELM實現人臉圖像集分類與識別且實現在沒有預先假設數據結構的前提下，可以高效地實現人臉圖像集分類。

為了達到上述目的，本發明通過以下技術方案實現：