[发明专利]基于粗糙集和集成学习的人脸识别方法

权利要求书

1.一种基于粗糙集和集成学习的人脸识别方法，包括如下步骤：

(1)人脸图像预处理：

(1a)从标准人脸库中获取T幅人脸图像，并将其划分成N幅训练样本图像和M幅测试样本图像，其中T≥2,N≥1,M≥1,N+M＝T；

(1b)为训练样本图像建立决策表S，它是一个N×L矩阵，每一行代表一幅人脸图像，每一列代表人脸图像的一个属性特征，其中L>2，前L-1列表示图像的条件属性，第L列表示图像的决策属性；

(2)对决策表S进行属性约减，产生多组最佳属性约减组合，用这些最佳属性约减组合构成一个最佳属性的约减空间K＝{A₁,..,A_i,..,A_z}，其中A_i为第i组最佳属性约减组合，i＝1,...,z，z≥2，A_i＝{c₁,..,c_j,..,c_n}，c_j为图像的第j个条件属性，j＝1,...,n，1<n<L；

(3)从最佳属性约减空间中，随机选择一组最佳属性约减组合，并保存；

(4)计算最新保存的最佳属性约减组合中每一个条件属性的依赖度值公式：其中r_P(c_j)为条件属性c_j对P的依赖度值，P为从最佳属性约减组合中删除条件属性c_j后的属性集，POS_P(c_j)为条件属性c_j相对属性集P的正区域，|·|为“·”的势；

(5)找出最大的依赖度值所对应的条件属性c_m，其中m∈[1,n]，从约减空间K中删除包含该条件属性c_m的最佳属性约减组合，用剩余的最佳属性约减组合构成一个缩小的约减空间；

(6)从缩小的约减空间中，利用准确-多样评估函数选择一组最佳属性约减组合，并保存；

(7)判断保存的最佳属性约减组合的数量是否达到预先设定的值：如果数量达不到预先设定的值，则返回步骤(4)，如果数量达到预先设定的值，则执行步骤(8)；

(8)利用保存的每一个最佳属性约减组合构建一个训练样本集，得到重新构建的多组训练样本集；用每一个训练样本集训练一个基本分类器，利用不同的基本分类器对测试样本集进行分类，得到不同的分类结果；采用集成学习中的多数投票法融合这些不同的分类结果，得到测试样本集的最终识别结果。

2.根据权利要求1所述的基于粗糙集和集成学习的人脸识别方法，其中步骤(1b)所述的为训练样本图像建立决策表S：是利用MATLAB软件中的reshape函数分别将每一幅人脸图像转换成一个行向量，每个行向量包含L-1个条件属性，得到N幅人脸图像的一个N×(L-1)的矩阵A；用N幅人脸图像的决策属性形成一个N×1的列向量B；将得到的矩阵A与列向量B合并，得到N幅人脸图像的决策表，它是一个N×L矩阵，其中L的具体取值由人脸图像的大小决定。

3.根据权利要求1所述的基于粗糙集和集成学习的人脸识别方法，其中所述步骤(2)中最佳属性约减组合，指训练样本图像的最小属性子集，并且该子集具有原始属性的分辨能力。

4.根据权利要求1所述的基于粗糙集和集成学习的人脸识别方法，其中步骤(2)所述对决策表S进行属性约减，产生多组最佳属性约减组合，是利用Richard Jensen编写的嵌入到weka软件中的模糊粗糙集算法实现。