[发明专利]基于受试者工作特征曲线下部分面积优化的人脸识别方法

权利要求书

1.一种基于受试者工作特征曲线下部分面积优化的人脸识别方法，其特征在于，包括以下步骤：

步骤1：采用类中心学习策略构造样本对；

设训练集为x＝{x_uv|u＝1，…，U；v＝1，…，V_u}，其中u和v表示第u个身份里的第v张面部图像，U是训练集中总身份数，V_u是第u个身份所包含的面部图像数量，那么整个训练集中的面部图像数量为

采用类中心学习法构造集合把每个身份当做一个类，给每个身份定义一个类中心向量w，记作在每一次迭代时，从训练集x中随机选取t₁张面部图像，并将每张面部图像分别与每一个类中心进行组合，形成样本对，所有样本对形成集合其中包含了t₁对正例和(t₁U-t₁)对负例；

所述类中心是随机初始化的，并且在每次迭代时通过反向传播进行更新；

步骤2：提取面部图像的嵌入特征；

将集合中的样本对输入DCNN，DCNN输出得到样本对的嵌入特征；

步骤3：设计pAUC优化算法；

步骤3-1：定义训练集Γ＝{(x_n，y_n；l_n)|n＝1，2，…，M}，其中x_n和y_n是步骤2输出的样本对嵌入特征，l_n是用来判断x_n和y_n是否为同一身份的标签，如果x_n和y_n为同一身份，l_m＝1；否则l_n＝0；

定义余弦相似度函数

其中||·||为l₂范数；

则同一身份标签预测值为：

其中θ是决策阈值；

步骤3-2：当θ给定后，计算真正例率TPR和假正例率FPR；

TPR是指在所有的正例中，将同类样本l_n＝1正确预测为的比例；

FPR是指在所有的负例中，将不同类样本l_n＝0错误预测为同一类的比例；

在给定不同θ的情况下，得到一系列的{TPR(θ)，FPR(θ)}值，从而以FPR为横轴，以TPR为纵轴，绘制ROC曲线；

步骤3-3：构造两个集合：

P＝{(s_i，l_i＝1)|i＝1，2，…，I} (3)

N＝{(s_j，l_j＝0)|j＝1，2，…，J} (4)

其中I+J＝M，s_i和s_j分别为同一身份之间和不同身份之间的余弦相似度；

步骤3-4：通过约束FPR∈[α，β]从N得到一个新的子集N₀，其中α和β是两个超参数，构造步骤如下：

步骤3-4-1：用[j_α/J，j_β/J]代替[α，β]，其中和是两个整数；

步骤3-4-2：将相似度得分降序排列，其中表示所有满足条件b的a都会参与计算；

步骤3-4-3：构造负例子集N₀，N₀由集合N中相似得分按降序排列后的第j_α到第j_β个样本构成，记为N₀＝{(s_k，l_k＝0)|k＝1，2，…，K}，其中K＝j_β-j_α；

步骤3-5：则pAUC优化目标函数由集合P和N₀计算得：

其中I是集合P中的样本数量，I(.)是一个示性函数，当括号内条件成立时返回1，否则返回0；

步骤3-6：使用合页损失函数对式(5)进行松弛；

合页损失函数定义为：

其中z＝s_i-s_k，且δ＞0是一个可调的超参数；

对式(6)做如下改进：

将式(7)带入(5)并将最大化问题转为为最小化问题，则pAUC优化的目标函数表示为式(8)：

步骤4：使用步骤3得到的pAUC优化目标函数对DCNN进行训练，通过反向传播更新优化整个网络。