[发明专利]一种最终分类器的获得方法及应用方法、系统

说明书

技术领域

本发明涉及分类器及人脸匹配领域，尤其涉及一种获取基于相似性学习的最终分类器的方法及应用该最终分类器的人脸集匹配方法及系统。

背景技术

传统的计算机视觉分类系统中，目标的训练和测试过程通常采用单幅图像。

然而，采用单幅图像作为摄像机及大容量存储设备的输入以供其训练和测试，其识别效果对光照、姿势、表情等较为敏感，系统的鲁棒性较弱。

因此，为解决采用单幅图像作为设备的输入以供其训练和测试的匹配方式带来的系统的鲁棒性较弱的问题，本领域技术人员通过采用图像集合作为整体输入的匹配方式及系统，与采用单幅图像的匹配方式相比，采用图像集合可以充分利用多幅图像提供的信息，以获得更好的匹配和识别精度，可以在很大程度上避免各因素的影响，提高系统的鲁棒性。

相似性学习是机器学习和模式识别领域很多任务的重要基础，利用相似性学习进行模式分类中，选择合适的相似度量是问题的关键。通常采用支持向量机在差空间中进行相似性学习。

然而，随着原始样本空间的增加，差空间的样本对数量也会增加，导致算法复杂度的增加，导致分类器的执行速度变慢，并且，对支持向量机而言，高维数据会带来计算复杂度的增加，使其执行过程繁琐，周期变长。

发明内容

有鉴于此，本发明提供一种获取基于相似性学习的最终分类器的方法及应用该最终分类器的人脸集匹配方法及系统，以解决现有技术中分类器的执行速度变慢，高维数据带来的计算复杂度的增加，导致执行过程繁琐、周期变长的问题，其具体方案如下：

一种获得基于相似性学习的最终分类器的方法，包括：

从原始数据样本库中选取训练集样本和测试集样本，其中，所述原始数据样本库中包含多类样本；

根据训练集样本获得变换矩阵，根据变换矩阵的转置得到训练集样本的降维训练样本；

从所述降维训练样本中挑选多组训练样本，每组训练样本包含两个训练样本，计算每组训练样本的真实相似度；

对所述降维训练样本中任意两类不同样本进行分队，每队样本包含两个不同类的降维训练样本，并获取每队样本的几何平均值，根据所述几何平均值获取所述每组训练样本的计算相似度；

比较所述计算相似度与真实相似度，得到错误率，根据所述错误率选取最终分类器。

进一步的，根据所述错误率选取最终分类器，具体包括：

根据所述错误率获取分类器的权值，根据所述分类器的权值，选取最终分类器，具体的，

选取对应权值大于平均权值的分类器作为最终分类器；

对所述最终分类器的权值进行归一化，使得所述最终分类器的权值和为1。

进一步的，获得降维训练样本的过程，具体包括：

由训练集样本确定训练样本矩阵；

由训练样本矩阵确定邻接矩阵，并由所述邻接矩阵确定其对应的对角矩阵，获得计算矩阵；

对所述计算矩阵进行特征分解，获得特征值及其对应的特征矢量；

取负的特征值所对应的特征矢量组成变换矩阵；

根据训练样本矩阵中的样本及所述变换矩阵的转置，获得所述降维训练样本。

一种应用最终分类器的人脸集匹配方法，包括：

从原始数据样本库中选取训练集样本和测试集样本，其中，所述原始数据样本库中包含多类样本；

根据训练集样本获得变换矩阵，根据变换矩阵的转置得到训练集样本的降维训练样本；

从所述降维训练样本中挑选多组训练样本，每组训练样本包含两个训练样本，计算每组训练样本的真实相似度；

对所述降维训练样本中任意两类不同样本进行分队，每队样本包含两个不同类的降维训练样本，并获取每队样本的几何平均值，根据所述几何平均值获取所述每组训练样本的计算相似度；

比较所述计算相似度与真实相似度，得到错误率，根据所述错误率选取最终分类器；

获取所述训练样本集中每类样本的几何平均值；

根据所述最终分类器以及所述训练样本集中每类样本的几何平均值、每个测试样本，获取分类结果；

依据所述分类结果，按照预定规则获取每类测试样本的类别。

进一步的，获得降维训练样本的过程，具体包括：

由训练集样本确定训练样本矩阵；

由训练样本矩阵确定邻接矩阵，并由所述邻接矩阵确定其对应的对角矩阵，获得计算矩阵；

对所述计算矩阵进行特征分解，获得特征值及其对应的特征矢量；

取负的特征值所对应的特征矢量组成变换矩阵；