[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

说明书

技术领域

本发明属于人脸图像处理领域，特别涉及一种用于复杂人脸识别门禁系统的高精度人脸识别方法。

背景技术

随着科学技术的发展，人脸识别技术取得了飞速的发展和广泛的应用，吸引了大量学者的关注。传统的人脸识别方法通常追求最小的识别错误率，即假设不同错分所带来的损失是相同的。然而，在许多真实的人脸识别应用中，这一假设往往是不成立的，不同错分所带来的损失是不同的。例如，在人脸识别的门禁系统中，存在入侵者类I和合法者类G_i，i＝1，2...，c-1，一般而言，将入侵者错分成合法者的损失往往要大于将合法者错分成入侵者的损失，而将合法者错分成入侵者的损失又要大于将合法者错分成其他合法者的损失。

人脸识别门禁系统除了存在不同错分损失问题，同时也存在噪声、类别不平衡、以及不同类数据分布密度问题。在门禁系统中，一般存在两种类别不平衡：入侵者类的样本数和整体合法者类的样本一般是不相同的，入侵者类的样本数和某一合法者类的样本数一般是不相同的。同时，在人脸数据集中可能存在着类中心远离其他类中心的噪声样本，该噪声样本会影响分类器的分类平面以及降维算法中其他类对投影方向的贡献。此外，由于入侵者类是由多个入侵者类构成的混合类，因此入侵者类的类数据分布密度和某一合法者类的类数据分布密度一般是不相同的。

针对人脸识别门禁系统中存在的不同错分损失问题，现有方法是将人脸识别门禁系统看作一个代价敏感的学习问题，对不同的错分赋予不同的错分代价。由于人脸识别的门禁系统最终可以归为一个分类问题，许多学者将错分代价融入传统的分类算法中，使得修改后的分类模型满足最小贝叶斯风险准则，提高了分类精度；又由于人脸是一个高维数据问题，为了提高分类效率以及去除冗余特征，我们通常采用先降维后分类的识别方式，如果仅将错分代价融入到分类部分，那么在人脸数据降维部分将丢失大量的代价信息，使得最终的分类模型只能得到局部最优的解。因此，有些学者将代价信息融入到降维部分，提出了代价敏感的降维算法，取得了比将代价信息融入到分类部分更优的识别效果。

然而，现有的代价敏感降维算法不能从理论上保证所提出的模型满足最小贝叶斯风险准则，也没有考虑人脸识别门禁系统的复杂性，即存在噪声、类别不平衡以及不同类数据分布密度问题。

发明内容

发明目的：本发明为了解决人脸识别门禁系统中存在的不同错分损失问题、噪声、类别不平衡以及不同类数据分布密度问题，提出了一种用于复杂人脸识别门禁系统的高精度人脸识别方法，从而有效的将入侵者拒之门外，而允许合法者进入。

发明内容：本发明公开了一种用于复杂人脸识别门禁系统的高精度人脸识别方法，所述复杂人脸识别门禁系统指的是存在不同错分损失、噪声、类别不平衡以及不同类数据分布密度问题的门禁系统，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，得到投影后的训练样本以及待验证样本，根据投影后的训练样本训练分类模型，并采用该分类模型预测投影后的待验证样本。

步骤2代价敏感的人脸特征降维包括如下步骤：

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、类别不平衡和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(Linear Discriminant Analysis，LDA)模型近似成对贝叶斯风险，其中，LDA模型为：