[发明专利]一种用于复杂人脸识别门禁系统的高精度人脸识别方法

权利要求书

1.一种用于复杂人脸识别门禁系统的高精度人脸识别方法，其特征在于，包含如下步骤：

步骤1，人脸向量归一化；

步骤2，代价敏感的人脸特征降维：采用基于代价敏感线性判别分析的特征提取方法；

步骤3，模型预测：重复步骤1和2，提取人脸特征，训练分类模型，预测待验证的人脸图像。

2.如权利要求1所述的一种用于复杂人脸识别门禁系统的高精度人脸识别方法，其特征在于，所述基于代价敏感线性判别分析的特征提取方法包括以下步骤：

①设置错分代价矩阵C，定义合法者错分成其他合法者的代价C_GG，合法者错分成入侵者的代价C_GI，以及入侵者错分成合法者的代价C_IG；

②计算代价敏感的类内协方差矩阵其中是第i类的类内协方差矩阵，f(i)是定义的重要性函数，用于降低不同错分损失、类别不平衡以及不同类数据分布密度对类内协方差矩阵S_W的影响；

③近似成对贝叶斯风险，引入加权函数ω，使得LDA模型近似成对贝叶斯风险，其中，LDA模型为：

maxV:Σi=1c-1Σj=i+1cpipjtr(VTSW-1/2SijSW-1/2V)]]>

其中p_i，p_j是第i，j类的类先验概率，S_ij＝(m_i-m_j)(m_i-m_j)^T是由第i类均值m_i和第j类均值m_j度量的类间协方差矩阵；；

④矩阵特征分解，求解特征分解矩阵的特征值和特征向量；

⑤提取特征向量，将求得的特征值按降序排序，选择前d个最大特征值对应的特征向量V＝[v₁，v₂，...，v_d]；

⑥计算最终的投影矩阵

3.如权利要求2所述的一种用于复杂人脸识别门禁系统的高精度人脸识别方法，其特征在于，步骤③近似成对贝叶斯风险具体包括如下步骤：

步骤31，计算维数为1维下的成对贝叶斯风险其中p_i，p_j是第i，j类的类先验概率，A_ij(W)是第i，j类考虑了类别不平衡以及错分代价的贝叶斯准确率；

步骤32，化简A_ij(W)，得到退化后的成对贝叶斯风险；

步骤33，在维数为l维下，找到加权函数ω，使得LDA模型近似成对贝叶斯风险；

步骤34，在维数为d维下，找到加权函数ω，使得LDA模型近似成对贝叶斯风险。