[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

说明书

本发明提供了一种基于信息熵选择的代价敏感增量式人脸识别方法，由深度卷积神经网络部分、基于信息熵的样本选择部分以及基于代价敏感序贯三支决策分类部分组成。利用信息熵评估人脸识别样本分类结果的信息量，使系统能够自动评估未标记样本信息量，挑选信息量大的样本进行人为标记；利用代价敏感序贯三支决策的思想，把人脸识别问题看成是一个信息粒度由粗到细的序贯过程，将增加标记样本的每个迭代循环作为序贯三支决策的一个决策步骤，根据贝叶斯风险最小原则给出每个决策步骤中样本最小代价识别效果。

技术领域

本发明涉及一种人脸识别方法，尤其是一种基于信息熵选择的代价敏感增量式人脸识别方法。

背景技术

人脸识别技术是图像信息处理与人工智能领域的一项重要技术，该技术主要基于人的脸部特征进行身份认证。相比较于其他生物识别技术，人脸识别具有非入侵性的优势，只需要用户在相机视野范围之内就可以进行身份识别，被广泛应用于军队、边防、司法、金融、工厂、教育、医疗等领域。

随着科技的发展，人脸识别的准确率已经能够达到非常高的水准，但是训练一个表现较好的分类器(例如深度卷积神经网络)需要大量的标记样本，而现实中的人脸识别场景往往为标记样本稀缺条件下的人脸识别，对未标记样本进行人工标记，需要花费大量的人力物力。利用信息熵评估人脸识别样本分类结果的信息量，选取信息量大的样本优先进行标记，能够最大化的提升识别系统的识别率，对于减少标记成本具有重要意义。

从样本识别的误分类代价是否均衡这一角度来看，现有大部分人脸识别系统都可以认为是传统的非代价敏感二支决策模型，即在决策时只存在两个选项：接受或者拒绝，而且往往认为误分类代价相同，只追求最小化分类误差。这样的假设在现实分类场景具有局限性。例如，对于门禁系统，将外部人员I(Impostor)被识别为内部人员G(Gallery)的代价显然要高于将内部人员识别为外部人员。因此，即使是精度很高的分类器也有可能具有很高的误分类代价。

发明内容

本发明要解决的技术问题是：传统人脸识别系统存在的训练成本高、未考虑误分类代价不平衡性的问题。

为了解决上述技术问题，本发明提供了一种基于信息熵选择的代价敏感增量式人脸识别方法，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；