在人脸图像处理应用研究中,人脸数据的降维分析与研究是其主要内容之一。人脸数据的降维方法主要分为线性降维和非线性降维。线性降维方法的全局性假设无法满足人脸数据的几何结构,因此非线性降维成为新的研究热点。非线性降维方法主要有核函数降维和流形学习,其中流形学习最为引人关注。众多流形学习算法因无显式映射函数,无法解决out-of-sample问题。为了克服这一问题,本文结合流形学习和极限学习机提出了两种新的非线性显式降维方法:(1)流形保持极限学习机(MP-ELM)是一种无监督降维算法。MP-ELM算法利用样本点与邻域内样本点欧氏距离与测地距离有机结合的方法,重新构建样本点的邻域权值。MP-ELM对样本点邻域权值的构建既考虑了人脸数据的空间结构,又考虑了距离结构,可以更加充分挖掘人脸数据的几何结构,从而提高对人脸数据的降维性能。通过人造数据可视化实验和ORL、Yale人脸数据的降维实验,验证了本文所提出的MP-ELM算法有较好的降维性能。(2)为了弥补MP-ELM算法无法考虑类别信息的缺陷,本文引入类别信息调整样本点的测地距离,再利用Rank-order距离计算任意两个样本点间的距离,提出了基于判别信息和近邻共享的极限学习机降维算法(SGRD-ELM)。SGRD-ELM既考虑了样本点的类别信息,又通过计算两个样本点的近邻共享信息挖掘样本点的邻域结构。在ORL和AR人脸数据上的降维实验,验证了SGRD-ELM降维效果更优于MP-ELM算法。为了直观展示SGRD-ELM算法对人脸图像降维的有效性和应用性,本文设计了一种基于SGRD-ELM的人脸图像降维仿真识别系统。首先,根据实际需求设计Matlab GUI平台。然后将人脸识别系统搭载在GUI(图形用户界面)上。最后,在平台完成了对ORL和少量自建人脸图像的识别。仿真结果表明,SGRD-ELM算法可以对人脸图像有效降维。