[发明专利]一种基于信息熵选择的代价敏感增量式人脸识别方法

权利要求书

1.一种基于信息熵选择的代价敏感增量式人脸识别方法，其特征在于，包括如下步骤：

步骤1，输入未标记样本集U和测试样本集V，将未标记样本集U和测试样本集V均按划分比例分别划分为正类样本集S_P和负类样本集S_N，并设置代价损失函数λ_PN、λ_NP、λ_BN、λ_BP、λ_NN以及λ_PP；

步骤2，从未标记样本集U中抽取出部分未标记样本进行标记，形成已标记样本集L；

步骤3，利用已标记样本集L训练深度卷积神经网络模型M；

步骤4，利用训练好的深度卷积神经网络模型M对未标记样本集U中的每个未标记样本u_i进行Softmax分类器分类，得到每个未标记样本u_i的Softmax概率输出；

步骤5，利用每个未标记样本u_i的Softmax概率输出计算其信息熵值，再根据信息熵值对各个未标记样本u_i进行信息熵值大小排序，选取信息熵值较大的前n个未标记样本u_i进行标记，并在标记后加入到已标记样本集L中；

步骤6，利用训练好的深度卷积神经网络模型M对测试样本集V中的每个测试样本v_i进行Softmax分类器分类，得到每个测试样本v_i的Softmax概率输出，再利用Softmax概率输出分别计算对应测试样本v_i属于正类样本集S_P和负类样本集S_N的条件概率p(S_P|v_i)和p(S_N|v_i)；

步骤7，利用条件概率和代价损失函数计算测试样本集V中的每个测试样本v_i分别被分类到正域P、负域N以及边界域B的分类代价，选取分类代价最小的分类域作为该测试样本v_i的分类结果；

步骤8，利用测试集分类准确样本数除以总样本数得到测试集分类准确率，若满足分类准确率大于设定的准确率比例，则识别结束，若不满足，则返回步骤3；

步骤1中，将未标记样本集U和测试样本集V均按3:1的比例分别划分为正类样本集S_P和负类样本集S_N；步骤2中，从未标记样本集U中抽取出10％未标记样本进行标记；步骤8中，准确率比例为80％。

2.根据权利要求1所述的基于信息熵选择的代价敏感增量式人脸识别方法，其特征在于，深度卷积神经网络模型M包括卷积层、激励层、池化层、全连接层以及分类层；卷积层、激励层以及池化层顺序循环执行至少两次，用于对人脸图像进行特征提取；全连接层以及分类层用于对提取的人脸图像特征进行Softmax分类器分类，输出该人脸图像属于各个类别的概率。

3.根据权利要求2所述的基于信息熵选择的代价敏感增量式人脸识别方法，其特征在于，Softmax分类器的结果计算公式为：

式中，P(y^(k)＝k|x^(k)；θ)为当前人脸图像属于第k类样本的概率，为全连接层对应第k类样本的输出。

4.根据权利要求1所述的基于信息熵选择的代价敏感增量式人脸识别方法，其特征在于，利用Softmax概率输出计算其信息熵值的计算公式为：

式中，p_c(y|x)为分类结果中样本x属于每一类的概率。

5.根据权利要求1所述的基于信息熵选择的代价敏感增量式人脸识别方法，其特征在于，条件概率p(S_P|v_i)和p(S_N|v_i)的计算公式分别为：

式中，和分别为测试样本v_i通过深度卷积神经网络模型M分类至正类样本集S_P和负类样本集S_N的Softmax概率输出。