[发明专利]一种用于半监督人脸识别门禁系统的代价敏感隐语义回归方法

权利要求书

1.一种用于半监督人脸识别门禁系统的代价敏感隐语义回归方法，其特征在于，包含如下步骤：

步骤1，设置错分代价矩阵；

步骤2，建立代价敏感的隐语义回归模型；

步骤3，模型预测：利用步骤2学得的代价敏感分类器，预测待验证的人脸图像；

步骤2“代价敏感的隐语义回归”构建了一种代价敏感的统一学习框架，用于联合学习人脸图像的隐语义特征S、训练样本的标签矩阵F和代价敏感的分类器W，该统一学习框架的目标函数表达式为：

其中，X＝[x₁,K x_N]∈R^D×N表示分布于D维空间上的N个训练样本；B∈R^D×d表示d维隐语义空间；h(i)定义了第i个训练样本的重要性；c表示样本的类别数；s_i和f_i分别表示第i个样本的隐语义特征和其预测标签；标签矩阵由N_l个监督样本的标签矩阵Y_L和全零矩阵构成；Q∈R^c×N表示惩罚矩阵；是为了避免过拟合的正则化项；e表示矩阵点积；||g||_F表示Frobenius范数；μ,γ,λ是三个平衡参数。

2.如权利要求1所述的一种用于半监督人脸识别门禁系统的代价敏感隐语义回归方法，其特征在于，人脸图像隐语义特征S的学习过程，不仅依赖于人脸图像X本身，还有效利用了训练样本的标签矩阵F和代价敏感的分类器W，人脸图像隐语义特征S的学习函数为：

3.如权利要求1所述的一种用于半监督人脸识别门禁系统的代价敏感隐语义回归方法，其特征在于，在鲁棒的隐语义空间中，基于代价敏感的分类器W，学习训练样本的标签矩阵F；并且通过定义代价敏感的正则化项，有效利用了监督样本的标签信息Y_L，训练样本的标签矩阵F的学习函数为：

4.如权利要求1所述的一种用于半监督人脸识别门禁系统的代价敏感隐语义回归方法，其特征在于，在鲁棒的隐语义空间中，基于训练样本的标签矩阵F，学习代价敏感的分类器W，使得学得的最优分类器W满足最小错分损失准则，代价敏感分类器W的学习函数为：