[发明专利]基于序列简化支持向量的人脸检测方法

权利要求书

1.一种基于序列简化支持向量的人脸检测方法，包括如下步骤：

(1)对原始训练图像进行行拉伸的预处理，将行拉伸后的图像数据作为训练样本 x_i∈Rⁿ，i＝1，...，l，其中n为训练样本维数，l为训练样本总个数，并且对每一个训练样 本进行标识，使+1类表示人脸样本，-1类表示非人脸样本，得到训练样本集 x_i∈Rⁿ，y_i∈{+1，-1}，i＝1，...l，将该训练样本集输入到计算机中进行步骤(2)；

(2)用训练样本集在计算机中训练支持向量机，得到最优的偏置b∈R、支持向 量系数α_i∈R和支持向量s_i∈Rⁿ，i＝1，...，Nx，其中Nx为支持向量个数；

(3)利用序列优化约减向量方法对支持向量系数α_i∈R，和支持向量 s_i∈Rⁿ，i＝1，...，Nx进行约减，具体步骤如下：

3a)设定求解约减向量的有约束目标函数：

FC=12||Σi=1l(βi-βi*)φ(xi)-Σi=1Nxαiφ(si)||+CΣi=1l(βi+βi*)---(1A)]]>

st.β_i≥0，i＝1，...，l

式中，i＝1，...，l表示第i个训练样本x_i对应的系数，φ为将训练样本从n维 实空间映射到高维特征空间F的映射函数，C为惩罚因子，通过调节C的大小，控制 约减向量的个数；

3b)求取约束目标函数的Lagrange对偶函数；

3c)由约束目标函数和Lagrange对偶函数得到最优解满足的Karush-Kuhn-Tucker 即KKT条件；

3d)以KKT条件作为求解约减向量的终止条件判断，判断当前所有样本是否满 足KKT条件，若有违反KKT条件的样本，继续步骤(3e)，否则跳至步骤(3f)；

3e)设定当前工作集中有且仅有一个元素，并且选用违反KKT条件最大者作为该 元素，计算该元素的最优解；

3f)设定一个正常数θ，通过调节该常数控制约减向量的个数Nz，计算每一个训 练样本所对应的系数i＝1，...，l，在这l个系数中找到大于该常数θ的项为 j＝1，...，Nz，则这些项所对应训练样本被称为约减向量z_j，j＝1，...，Nz，这些约 减向量对应的系数定义为j＝1，...，Nz，得到约减向量集 {z_j，γ_j}，j＝1，...，Nz，其中Nz为约减向量个数；

(4)对测试图像进行行拉伸的预处理，将行拉伸后的图像数据作为测试样本 x∈Rⁿ，其中n为测试样本维数，并且对这个测试样本x进行标识，当该测试图像为人 脸时，y＝+1，否则y＝-1，得到测试样本集x∈Rⁿ，y∈{+1，-1}，将该测试样本集输 入到计算机中进行步骤(5)；

(5)用步骤(3)中得到的约减向量集{z_j，γ_j}，j＝1，...，Nz对测试样本x进行鉴 别，计算函数值其中b为支持向量机训练得到的偏置，k为人 工设定的核函数；如果函数值f(x)＞0，则测试样本x是+1类样本，该测试图像为人 脸；否则x是-1类样本，该测试图像为非人脸样本；如果得到的分类结果+1类或者-1 类与步骤(4)中的标识y相同，则说明鉴别结果正确；否则鉴别结果错误。