[发明专利]一种在线学习的人脸识别方法

权利要求书

1.一种在线学习的人脸识别方法，其特征在于，利用外部数据集训练人脸特征提取器，提取本地数据集中各成员对应的参考特征以构成参考特征空间，对比待测试样本的特征向量和参考特征以确定与待测试样本的特征向量最相似的参考特征，在与待测试样本的特征向量最相似的参考特征满足阈值要求时，以与待测试样本的特征向量最相似的参考特征所属成员的身份为待测试样本的身份，否则，返回待测试样本身份识别失败的消息，根据待测试样本的预测特征向量与其在参考特征空间中对应的真实特征向量的差异更新参考特征空间；其中，

在待测试样本身份识别失败为将身份为本地成员的待测试样本错误识别为另一本地成员的情形时，通过学习待测试样本的预测特征向量与其在参考特征空间中对应的真实特征向量的误差，增强待测试样本的预测特征向量与其在参考特征空间中对应的真实特征向量的相似度以更新待测试样本在参考特征空间中对应的真实特征向量，降低错误身份对应的参考特征向量与待测试样本的预测特征向量的相似度以更新参考特征空间中与待测试样本的预测特征向量最相似的参考向量，

在待测试样本身份识别失败为将身份为本地成员的待测试者样本识别为非本地成员的情形时，通过学习待测试样本的预测特征向量与其在参考特征空间中对应的真实特征向量的误差，增强待测试样本的预测特征向量与其在参考特征空间中对应的真实特征向量的相似度以更新待测试样本在参考特征空间中对应的真实特征向量，

在待测试样本身份识别失败为将非本地成员的待测试样本误识别为本地成员的情形时，通过学习待测试样本的预测特征向量与其在参考特征空间中对应的真实特征向量的误差，降低错误身份对应的参考特征向量与待测试样本的预测特征向量的相似度以更新参考特征空间中与待测试样本的预测特征向量最相似的参考向量。

2.根据权利要求1所述一种在线学习的人脸识别方法，其特征在于，在待测试样本身份识别失败为将身份为本地成员的待测试样本错误识别为另一本地成员的情形时，更新待测试样本在参考特征空间中对应的真实特征向量以及参考特征空间中与待测试样本的预测特征向量最相似的参考向量的表达式为：

y_T′＝y_T+η(y-y_T)，{u_T∈U,u∈U,u≠u_T}，

y_T、y_T′为更新前、更新后的待测试样本在参考特征空间中对应的真实特征向量，y为待测试样本的预测特征向量，η(y-y_T)为测试样本的预测特征向量与其在参考特征空间中对应的真实特征向量误差的学习率，为更新前、更新后的参考特征空间中与待测试样本的预测特征向量最相似的参考向量，为测试样本的预测特征向量和参考特征空间中与其最相似参考向量误差的学习率，U为本地成员集合，u_T为待测试样本的身份标签，u为待测试样本身份标签的识别结果。

3.根据权利要求1所述一种在线学习的人脸识别方法，其特征在于，在待测试样本身份识别失败为将身份为本地成员的待测试者样本识别为非本地成员的情形时，更新待测试样本在参考特征空间中对应的真实特征向量的表达式为：y_T′＝y_T+η(y-y_T)，

y_T、y_T′为更新前、更新后的待测试样本在参考特征空间中对应的真实特征向量，y为待测试样本的预测特征向量，η(y-y_T)为测试样本的预测特征向量与其在参考特征空间中对应的真实特征向量误差的学习率，U为本地成员集合，u_T为待测试样本的身份标签，u为待测试样本身份标签的识别结果。

4.根据权利要求1所述一种在线学习的人脸识别方法，其特征在于，在待测试样本身份识别失败为将非本地成员的待测试样本误识别为本地成员的情形时，更新参考特征空间中与待测试样本的预测特征向量最相似的参考向量的表达式为：

为更新前、更新后的参考特征空间中与待测试样本的预测特征向量最相似的参考向量，y为待测试样本的预测特征向量，为测试样本的预测特征向量和参考特征空间中与其最相似参考向量误差的学习率，U为本地成员集合，u_T为待测试样本的身份标签，u为待测试样本身份标签的识别结果。