[发明专利]一种用于人脸识别的高效提升训练方法

说明书

技术领域

本发明属于模式识别技术领域，同时涉及到图像处理和统计学习等技术，特别是涉及用于人脸识别的高效提升(Boosting)训练方法

背景技术

如何高效的训练出具有良好推广能力的分类器一直是模式识别和统计学习领域关注的问题。Boosting作为一种优秀的统计学习算法近年来在人脸识别领域得到了广泛的应用。但是，由于Boosting算法自身的特点，在人脸识别领域的应用中，它存在着训练时间过长并且无法实现分布或并行式计算的不足。

目前，公知的Boosting算法都是在特征空间中依次学习出一系列弱分类器，然后用投票法将这些弱分类器组合成强分类器。在人脸识别领域，由于人脸模式具有高度的复杂性，通常抽取的特征数目非常巨大。一些和Boosting算法搭配使用的局部特征，如Haar-like特征、(LocalBinary Pattern局部二值模式)LBP特征和Gabor特征等，构成的特征空间的维数往往达到几万、十几万，甚至更高。以最常用的Gabor特征为例，如果采用50×60像素的人脸图像和5个尺度、8个方向的Gabor滤波器，得到的特征空间维数(特征数)是120,000。对于Boosting算法，高维的特征空间意味着大的计算量和大内存空间的需要。如果用和FERET人脸库中的训练集(314人的736张人脸图像)相当规模的数据作为训练样本的话，全部特征计算出来将需要4G左右的内存。由于一般的计算机内存配置小于4G，这使得训练时间剧增。上述的情况在一台配置为2G物理内存、P43.6G CPU的Dell服务器上训练，时间会长达一个多月。这对于使用Boosting进行工程开发或算法研究的人员来说是个极为不方便的地方。因此，在人脸识别领域，Boosting算法存在效率低下的问题。

相关的技术文献主要有以下几篇。其中文献[1]提出了一种基于Boosting和Haar特征的人脸检测算法。文献[2][3][4]分别提出了基于Boosting和Haar特征、Boosting和Gabor特征以及Boosting和LBP特征的人脸识别算法。文献[5]是关于FERET人脸库和测试的重要论文。文献[1][2][3][4]的检测和识别算法都是建立在公知的Boosting算法基础之上，存在分类器训练效率低下的问题。

[1]P.Viola and M.Jones，“Rapid Object Detection using a BoostedCascade of Simple Features，CVPR，2001.

[2]M.Jones and P.Viola，“Face Recognition Using Boosted LocalFeatures”，MERL Technical Reports.TR2003-25，April 2003.

[3]P.Yang，S.Shan，W.Gao，S.Z.Li，D.Zhang，“Face RecognitionUsing Ada-Boosted Gabor Features”，FGR2004.

[4]Stan Z.Li and His Face Team，“AuthenMetric F1：A HighlyAccurate and Fast Face Recognition System”，ICCV2005 Deom.

[5]P.Phillips，H.Moon，S.Rizvi and P.Rauss，“The FERET EvaluationMethodology for Face-Recognition Algorithms”，IEEE TPAMI，Vol 22，No.10，2000.

发明内容

为了克服在人脸识别领域Boosting算法训练需要大内存、训练时间过长、效率低的不足，本发明的目的是要提供减少计算量、减少训练时间和内存、提高效率、提高分类器的分类精度，为此，本发明提供一种用于人脸识别的高效提升Boosting训练方法。

本发明的一种用于人脸识别的高效提升Boosting训练方法，训练步骤如下：

获取训练数据步骤：利用人脸数据库，得到人脸训练数据；

构建原始特征空间步骤：选择或构造适用于人脸识别的特征，构建人脸原始特征空间；

生成随机子空间步骤：利用构建的人脸原始特征空间产生多个随机子空间；

生成随机子空间分类器步骤：在所述随机子空间中，训练生成若干个随机子空间分类器；