论文部分内容阅读
人脸识别是所有的生物识别方法中应用最广泛的技术之一，同时也是模式识别和计算机视觉领域中一个非常具有挑战性的重要课题。人脸识别的方法有很多，其中神经网络可以通过自训练学习获得其他方法难以获得的关于人脸识别规律和规则的隐性表达，且适应性较强，具有很强大泛化能力。 极限学习机是一种新型的单隐层前馈神经网络算法，其学习速度极快，可以更加高效的进行人脸识别。因此，本文旨在基于极限学习机的人脸识别算法研究。为了获得更好的人脸识别率，本文对极限学习机算法进行了深入的研究并取得了以下成果： (1)提出了一种基于改进激活函数的极限学习机算法。由于在传统的极限学习机算法中，对可加型隐单元节点通常都采用的是Sigmoid激活函数。而激活函数的性能表现在神经网络中一直处于核心地位，选择合适的激活函数对于优化网络性能尤为重要。因此，本文先后提出了两种改进的激活函数:ReLU和Softplus。与Sigmoid函数相比，它们更加接近生物学激活模型且具有一定稀疏能力，在极限学习机算法中具有更好的性能。Softplus是ReLU的近似平滑函数，且克服了ReLU强制性稀疏的缺点，可以使得由改进算法获得的网络具有更好的平均性能。 (2)提出了基于改进Fisher判别的极限学习机算法。当将极限学习机算法应用于识别分类问题时，都没有进一步的利用训练样本的标签信息，使得网络对训练样本具有更好的可分性。鉴于Fisher判别的思想，本文考虑了类内距和类间距的约束，将样本的类别信息加入到了极限学习机算法中，使解析求得的输出权值能够保证对同类样本具有更好的聚集性，对异类样本具有更好的可分性，从而提高了网络的识别性能。 (3)结合两种改进的方法，提出了基于Softplus激活函数和改进Fisher判别的极限学习机算法，使得网络的识别性能达到更优。 另外，本文将改进的方法在公开的人脸数据库(ORL、AR、Extended Yale B)上分别进行了大量的实验，从而证明了改进算法的可行性和优越性。