基于B2DPCA和极端学习机的人脸识别

2013-08-13赵永卿安建成

电视技术 2013年5期

赵永卿，安建成

(太原理工大学计算机科学与技术学院，山西太原 030024)

一个完整的人脸自动识别系统必须能可靠地完成人脸检测、特征提取和人脸识别。在此之前，一些研究人员使用了局部面部特征提取和分类来达到理想目标。自动人脸识别系统分为基于部件识别和基于面部识别［1］。可靠的面部特征提取是一个极其复杂的任务，因为人脸当大小和形状发生微小的变化时将会引起提取的特征发生变化。因此，研究人员提出把人脸看作二维强度模式的基于面部识别系统，并且通过检测和匹配其统计特性，将该系统实现，本文主要介绍基于面部识别。

Kirby［2］等人利用主成分分析法(Principal Component Analysis，PCA)把人脸描述成加权特征向量的线性组合，基于PCA的人脸识别系统有辨别能力差和计算量过大的缺点，J.Lu［3］等人为了改进人脸识别，提出利用线性判别分析法(Linear Discriminant Analysis，LDA)使类间散布矩阵和类内散布矩阵的比例达到最大值。J.M.Fellus［4］提出EP(Evolutionary Pursuit)法和弹性束图匹配法(Elastic Bunch Graph Matching，EBGH)以期产生最优轴投影。为了改善针对高维图像的人脸识别系统的性能，近些年研究的基于曲波变换的人脸识别方法有基于曲波变换的PCA法［5］、基于曲波变换的 LDA 法［6］和基于曲波变换的PCA+LDA法［7］。人脸识别算法有其自身局限性，比如对视点的变化、原型数量、分类速度有较大的敏感性。本文把曲波变换与双向二维主成分分析(Bidirectional Two Dimensional Principal Component Analysis，B2DPCA)和极端学习机(Extreme Learning Machine，ELM)结合起来消除以往方法中固有的缺陷。