论文部分内容阅读
目前,人脸识别仍然是一个比较困难的问题。在人脸识别问题中,光照不均,不稳定的问题可以通过将图像RGB颜色空间转换到CIE LAB颜色空间进行亮度均匀化处理,从而提高人脸的识别率。RGB颜色空间是与设备相关的颜色空间,LAB颜色空间与设备无关,在CIE LAB颜色空间,提取亮度信息,同时对图像进行亮度处理,能无损图像的颜色信息,提高识别效果和识别率。该方法要广泛应用,还必须提高人脸识别中神经网络的训练速度。传统BP神经网络训练的时间过长限制了人脸识别现实应用。本文针对人脸识别传统神经网络训练时间长的问题,基于Lasso理论和极限最小学习机(Extreme Learning Machine, ELM)提出一种新的神经网络学习方法,即Lasso极限最小学习机(Lasso Extreme Learning Machine, Lasso-ELM。通过极限最小学习机算法可以降低神经网络的训练时间,但是极限最小学习机需要大量的神经网络节点。Lasso理论可以对参数进行子集选择和收缩,结合极限最小学习机算法,可以减少神经网络的节点数目,避免过拟合问题。本文提出的人脸识别的方法主要有基于小波分解的人脸特征提取,减少了图像的存储空间和神经网络的计算复杂度。本文的实验分为两个阶段,第一个阶段是图像的预处理部分,实现色彩空间转换后的亮度均匀处理和基于db2小波实现图像的压缩处理,提取人脸图像的特征向量；第二阶段是利用本文提出的Lasso极限最小学习机算法和BP算法分别训练人脸图像分类的神经网络和模拟；最后统计人脸识别率和神经网络训练时间,比较Lasso极限最小学习机和BP算法的性能。本文重要的结论在于使用Lasso极限最小学习机算法来训练人脸识别神经网络,在400幅人脸图像中识别率达到88.7%,训练时间减少为2.9秒,而BP神经网络的识别率在82.5%,训练时间为27.6秒。Lasso极限最小学习机减少了训练时间,并且提高了识别率。