[发明专利]分类器训练方法和装置以及人脸认证方法和装置

权利要求书

1.一种用于人脸认证的分类器训练方法，其特征在于，包括如下步骤：

a、将各样本图像按照脸部特征点位置对齐并归一化；

b、从对齐归一化后的各样本图像中提取特征向量、并将对齐归一化后 的所有样本图像划分为相互交叠的若干子区域；

c、分别以相同人脸的各样本图像在每一子区域内特征向量差的绝对值 为该子区域的正样本特征、以不同人脸的各样本图像在每一子区域内的特征 向量差的绝对值为该子区域的反样本特征，为每一子区域训练一个子区域分 类器，所述子区域分类器可依据各样本图像在该子区域内的特征向量的差， 输出表示各样本图像属于同一人脸的置信度；

d、以所有子区域分类器针对相同人脸的各样本图像输出的置信度为正 样本特征、以所有子区域分类器针对不同人脸的各样本图像输出的置信度为 反样本特征，训练得到一个综合分类器，所述综合分类器可依据表示各样本 图像属于同一人脸的置信度，输出各样本图像是否属于同一人脸的分类结 果；

所述步骤c针对每一子区域执行如下步骤：

c0、给定该子区域的样本集L_B={(x_i,y_i)}，x_i∈X、x_i为特征向量差的绝对 值构成的样本特征、X为包含所有n个特征向量差的绝对值构成的样本特征 的特征向量，y_i为样本标识、y_i∈{+1,-1}，n为正反样本总数目；

c1、设置每个样本特征x_i的初始权重

c2、进行T轮迭代，其中，在第t轮迭代过程中，先依据以样本特征x_i取值为横坐标、以样本特征x_i的权重累积值为纵坐标的第t轮离散分布D_t为 每个样本特征x_i构造一弱分类器h_t(x_i)，然后从设定的所有弱分类器中选择可 使正反样本分类误差最小的一个作为第t次迭代的最优弱分类器h_t(X)，再分 别利用每个样本特征x_i的弱分类器h_t(x_i)更新该样本特征x_i下一次迭代的权 重，T为预先设定的迭代次数，t为小于T的自然数；

c3、利用T次迭代得到的所有最优弱分类器h_t(X)计算得到该子区域表 示所述置信度的所述子区域分类器所述步骤c2在第t次迭代 过程中包括如下步骤：

c20、将第t轮离散分布D_t上的特征取值空间划分为m个互不相交的区 间；

c21、统计每一区间X_j内出现正样本特征的概率以及 每一区间X_j内出现反样本特征的概率大于等于1且小于 等于m，D_t（i）为第t轮迭代过程中的权重；

c22、将每一区间X_j内的每一样本特征x_j的弱分类器h_t(x_j)设定为： ε为避免为0时引起数字溢出的预定系数；

c23、从所有弱分类器中选择分类误差上界最小的一个作为第t次迭代 的最优弱分类器h_t(X)，其中，弱分类器h_t(x_j)的分类误差上界

c24、通过计算来更新每个样本特征x_i下一次迭 代的权重D_t+1(i)；

所述步骤d包括：

d0、给定综合样本集L_p={(x'_p,y'_q)}，x'_p∈X'、x'_p为所述属于同一个人脸的 置信度构成的样本特征、X'为包含所有N个所述属于同一个人脸的置信度所 构成样本特征的特征向量，y'_p为样本标识、y'_p∈{+1,-1}，N为所述子区域的 总数；

d1、设置每个样本特征x'_p的初始权重

d2、进行R轮迭代，其中，在第r轮迭代过程中，先依据以样本特征x'_p取值为横坐标、以样本特征x'_p的权重累积值为纵坐标的第r轮离散分布D_r为 每个样本特征x'_p构造一弱分类器h_r(x'_p)，然后从设定的所有弱分类器中选择 可使正反样本分类误差最小的一个作为第r次迭代的最优弱分类器h_r(X')，再 分别利用每个样本特征x'_p的弱分类器h_r(x'_p)更新该样本特征x'_p下一次迭代的 权重，R为预先设定的迭代次数；

d3、利用R次迭代得到的所有最优弱分类器h_r(X')计算得到表示所述分 类结果的所述综合分类器b为预定的置信度阈值， sign()为表示是否大于b的符号函数；

所述步骤d2在第t次迭代过程中包括如下步骤：

d20、将第r轮离散分布D_r上的特征取值空间划分为Q个互不相交的区 间；

d21、统计每一区间X'_q内出现正样本特征的概率以 及每一区间X'_q内出现反样本特征的概率q大于等于1 且小于等于Q；

d22、将每一区间X'_q内的每一样本特征x'_q的弱分类器h_r(x'_q)设定为： ε为避免为0时引起数字溢出的预定系数；

d23、从所有弱分类器中选择分类误差上界最小的一个作为第r次迭代 的最优弱分类器h_r(X')，其中，弱分类器h_r(x'_q)的分类误差上界

d24、通过计算来更新每个样本特征x'_q下一 次迭代的权重D_r+1(p)。

2.一种用于人脸认证的分类器训练装置，其特征在于，包括：

样本对齐模块，将各样本图像按照脸部特征点位置对齐并归一化；

特征提取模块，从对齐归一化后的各样本图像中提取特征向量

区域划分模块，将对齐归一化后的所有样本图像划分为相互交叠的若干 子区域；

区域训练模块，分别以相同人脸的各样本图像在每一子区域内特征向量 差的绝对值为该子区域的正样本特征、以不同人脸的各样本图像在每一子区 域内的特征向量差的绝对值为该子区域的反样本特征，为每一子区域训练一 个子区域分类器，所述子区域分类器可依据各样本图像在该子区域内的特征 向量的差，输出表示各样本图像属于同一人脸的置信度；

综合训练模块，以所有子区域分类器针对相同人脸的各样本图像输出的 置信度为正样本特征、以所有子区域分类器针对不同人脸的各样本图像输出 的置信度为反样本特征，训练得到一个综合分类器，所述综合分类器可依据 表示各样本图像属于同一人脸的置信度，输出各样本图像是否属于同一人脸 的分类结果；

所述区域训练模块依次将每一子区域作为当前子区域进行处理、并针对 当前子区域包括：

区域样本配置模块，设置有当前子区域的样本集L_B={(x_i,y_i)}，x_i∈X、x_i为特征向量差的绝对值构成的样本特征、X为包含所有n个特征向量差的绝 对值构成的样本特征的特征向量，y_i为样本标识、y_i∈{+1,-1}，n为正反样本 总数目；

区域权重配置子模块，设置每个样本特征x_i的初始权重

区域迭代处理子模块，进行T轮迭代，其中，在第t轮迭代过程中，先 依据以样本特征x_i取值为横坐标、以样本特征x_i的权重累积值为纵坐标的第 t轮离散分布D_t为每个样本特征x_i构造一弱分类器h_t(x_i)，然后从设定的所有 弱分类器中选择可使正反样本分类误差最小的一个作为第t次迭代的最优弱 分类器h_t(X)，再分别利用每个样本特征x_i的弱分类器h_t(x_i)更新该样本特征 x_i下一次迭代的权重，T为预先设定的迭代次数，t为小于T的自然数；

区域分类器输出子模块，利用T次迭代得到的所有最优弱分类器h_t(X)计 算得到当前子区域表示所述置信度的所述子区域分类器

所述区域迭代处理子模块包括循环执行T轮迭代的如下子单元：

区域区间划分子单元，将第t轮离散分布D_t上的特征取值空间划分为m 个互不相交的区间；

区域概率统计子单元，统计每一区间X_j内出现正样本特征的概率 以及每一区间X_j内出现反样本特征的概率 j大于等于1且小于等于m，D_t（i）为第t轮迭代过程中 的权重；

区域弱分类器设定子单元，将每一区间X_j内的每一样本特征x_j的弱分类 器h_t(x_j)设定为：ε为避免为0时引起数字溢出的预定 系数；

区域弱分类器选择子单元，从所有弱分类器中选择分类误差上界最小的 一个作为第t次迭代的最优弱分类器h_t(X)，其中，弱分类器h_t(x_j)的分类误 差上界Z=2ΣjW+1jW-1j;]]>

区域权重更新子单元，通过计算来更新每个样 本特征x_i下一次迭代的权重D_t+1(i)；

所述综合训练模块包括：

全局样本配置子模块，设置有综合样本集L_p={(x'_p,y'_q)}，x'_p∈X'、x'_p为所 述属于同一个人脸的置信度构成的样本特征、X'为包含所有N个所述属于同 一个人脸的置信度所构成样本特征的特征向量，y'_p为样本标识、y'_p∈{+1,-1}， N为所述子区域的总数；

全局权重配置子模块，设置有每个样本特征x'_p的初始权重

全局迭代处理子模块，进行R轮迭代，其中，在第r轮迭代过程中，先 依据以样本特征x'_p取值为横坐标、以样本特征x'_p的权重累积值为纵坐标的第 r轮离散分布D_r为每个样本特征x'_p构造一弱分类器h_r(x'_p)，然后从设定的所 有弱分类器中选择可使正反样本分类误差最小的一个作为第r次迭代的最优 弱分类器h_r(X')，再分别利用每个样本特征x'_p的弱分类器h_r(x'_p)更新该样本特 征x'_p下一次迭代的权重，R为预先设定的迭代次数；

全局分类器输出子模块，利用R次迭代得到的所有最优弱分类器h_r(X') 计算得到表示所述分类结果的所述综合分类器b为预 定的置信度阈值，sign()为表示是否大于b的符号函数；

所述全局迭代处理子模块包括循环执行R轮迭代的如下子单元：

全局区间划分子单元，将第r轮离散分布D_r上的特征取值空间划分为Q 个互不相交的区间；

全局概率统计子单元，统计每一区间X'_q内出现正样本特征的概率 以及每一区间X'_q内出现反样本特征的概率 q大于等于1且小于等于Q；

全局弱分类器设定子单元，将每一区间X'_q内的每一样本特征x'_q的弱分 类器h_r(x'_q)设定为：ε为避免为0时引起数字溢出的 预定系数；

全局弱分类器选择子单元，从所有弱分类器中选择分类误差上界最小的 一个作为第r次迭代的最优弱分类器h_r(X')，其中，弱分类器h_r(x'_q)的分类误 差上界Z=2ΣqW+1qW-1q;]]>

全局权重更新子单元，通过计算来更新每个 样本特征x'_q下一次迭代的权重D_r+1(p)。