[发明专利]基于增强型非参数最大边缘准则的人脸识别方法

摘要

本发明公开了基于增强型非参数最大边缘准则的人脸识别方法，主要解决现有技术识别泛化能力差的问题，其实现步骤为1.选取人脸图像并划分训练和测试样本集；2.初始化训练样本的误分率、不同类别间的误分率和子分类器的个数；3.将训练样本集分划分为两个子集；4.利用第一子样本集学习最优投影子空间，并将训练样本投影到该空间，得到样本特征；5.根据样本特征，用k近邻分类器对其进行分类，计算子分类器的置信度；6.更新样本的误分率、不同类别间的误分率和第一子样本集；7.利用子样本集学习子分类器；8.根据学习到的子分类器，对测试样本分类。本发明提升了人脸识别的识别率，可用于视频监控、图像检索和公共安全。

主权项

基于增强型非参数最大边缘准则的人脸识别方法，包括如下步骤：(1)人脸图像预处理：(1a)从标准人脸库中获得c类样本的G幅人脸图像，并将其划分为N幅训练样本图像和M幅测试样本图像，构成训练样本集和测试样本集其中c≥3，G≥2，N≥1，M≥1，xij表示第i类的第j个训练样本，yij表示xij的类别标签，zij表示第i类的第j个测试样本，vij表示zij的类别标签；(2)分别初始化训练样本集X中训练样本xij的误分率和不同类别之间的误分率其中y∈Y，p,q∈Y,p≠q，Y＝{1,…,c}是类别标签的集合，初始化子分类器Ct的个数t＝1；(3)根据训练样本集X中样本的误分率γ(xij,y)将训练样本集X划分为第一子样本集Xg和第二子样本集Xp；(4)利用第一子样本集Xg学习第t个最优投影子空间Wt，并将训练样本集X中的样本投影到该空间Wt，得到训练样本特征；(5)根据训练样本特征，利用k近邻分类器对训练样本集X中的样本分类，并根据分类结果计算子分类器Ct的置信度βt；(6)根据步骤5)得到的置信度βt，利用下式更新样本误分率γ(xij,y)和类间误分率A(p,q)：γ(xij,y)=γ(xij,y)×βt(1-h^t(yij|xij)+h^t(y|xij))/2]]>其中，表示xij属于第yij类的后验概率，表示xij属于第y类的后验概率，Np表示第p类的个数，Nq表示第q类的个数；(7)根据步骤(6)更新的误分率γ(xij,y)将训练样本集合X中的样本从大到小进行排序，用前Ng个γ(xij,y)值对应的训练样本集X中的样本更新第一子样本集Xg，其中，Ng为第一子样本集Xg中训练样本的个数；(8)将子分类器的个数t加1，取T1为总的子分类器数，T1＝60，判断是否继续学习子空间：如果t≠T1，则返回步骤(4)继续进行迭代；否则，子空间学习过程结束，得到T1个最优投影子空间Wt以及对应的子分类器Ct,t＝1,…,T1；(9)对于人脸测试样本集Z中的任意一个人脸测试样本zij，分别利用学习得到的T1个最优投影子空间Wt以及对应的子分类器Ct对其进行分类识别，得到T1个后验概率t＝1,…,T1，然后对T1个后验概率进行求和，得到测试样本zij的识别结果，依次对M幅人脸测试样进行识别，得到M幅人脸测试样本最终的识别结果。