[发明专利]基于粗糙集和集成学习的人脸识别方法

说明书

技术领域

本发明图像处理技术领域，特别涉及一种人脸识别方法，可用于反恐安全、案件调查取证及商业、个人隐私保密。

背景技术

近几十年以来，人脸识别技术逐渐成为图像处理、模式识别等领域的研究热点。人脸识别技术是根据人的面部特征进行身份鉴定的一种生物特征识别技术，由于人脸特征是人类自身拥有，且很难伪造和窃取，再加上识别时不需要直接接触、不易被人察觉的优势，因此其在反恐安全、案件调查取证及商业和个人隐私保密领域都有着广泛应用。学术界以及工业界越来越重视人脸识别技术的研究，它是目前生物特征识别中可行性、可靠性和准确性等专业技术指标中数值较高的技术。

人脸识别方法易受到周围光线，人体面部被头发、饰物遮挡，人年纪增长面部衰老等多方面因素的影响。传统的基于单个支持向量机SVM的人脸识别方法，试图使得分类器在经验风险和泛化能力上达到一种妥协，进而提高分类器的性能。单个SVM分类器在有大量训练样本的情况下，能获得较好的识别性能，但在实际应用中，获得大量的训练样本往往是不现实的。

集成学习通过把多个单个分类器的分类结果进行某种组合来决定最终的分类，以取得比单个分类器更好的性能。典型的集成学习方法包括Bagging，Adaboost和Random subspace，他们采用不同的策略产生用于训练基本分类器的训练集。Bagging方法中训练基本分类器需要的训练集是由原始训练集中随机抽取一定数量的样本组成；Adaboost方法根据每次基本分类器对训练集中每个样本的分类结果，及上次总体分类的准确率，对每个样本的权值进行调整，降低被基本分类器分类正确的样本的权值，提高被基本分类器分类错误的样本的权值，以此通过改变每个样本的权值产生新的训练集；Random subspace方法从原始训练集中随机选择不同的属性组成新的训练集。

上述集成学习方法由于均没有较好的考虑人脸样本中属性之间的关系，也没有对人脸特征进行有效地提取，因此不能获得较好的人脸识别效果。

发明内容

本发明的目的在于针对上述已有技术的不足，提出了一种基于粗糙集和集成学习的人脸识别方法，提高人脸识别率。

本发明的技术思路是：从人脸图像中提取多组有利于分类的特征，并确保在没有大量训练样本的情况下，通过集成若干个基本分类器，提高对人脸的识别率。

根据上述思路，本发明的技术方案包括如下步骤：

(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。