[发明专利]基于Sigmoid函数的人脸识别方法

摘要

本发明公开了一种基于Sigmoid函数的人脸识别方法，该方法包括以下步骤：预处理训练集中的人脸图像，并提取高效的人脸图像特征，如局部二值模式(LBP)；将训练数据输入到以改进的Sigmoid函数为损失函数的目标函数进行训练，得到所有身份的预测模型；提取待确认身份的人脸图像特征，并计算其对应所有身份的预测得分，取最大得分所对应的身份信息作为最终的确认身份。与以往使用均方、hinge和log损失函数替代0‑1损失函数度量分类误差不同，本发明在人脸识别预测模型的建立中，使用改进的Sigmoid函数来近似0‑1损失函数。通过调整参数，可以控制近似的精确程度。改进的Sigmoid函数在趋近于0‑1损失函数的同时，将获得对野点的鲁棒性。 1

主权项

1.基于Sigmoid函数的人脸识别方法，其特征在于，包括以下步骤：

步骤1对人脸训练图像进行预处理，并提取人脸图像的特征；

步骤2建立人脸预测模型；步骤2包括以下步骤：

步骤2.1，设定k＝1

步骤2.2，从训练集中采样N₊个属于第k个身份的样本以及N_‑个不属于第k个身份的样本它们的标签分别是y＝1和y＝‑1；确定优化的目标函数为

并随机初始化w，设定梯度下降的速率η，最大迭代优化次数T，以及容许的目标函数值的最小变化∈；w_k∈R^D是判别向量；C>0是控制正则强度的参数；λ控制着光滑程度和近似程度；

步骤2.3，计算目标函数关于当前w_k的梯度值

步骤2.4，更新

步骤2.5，判断迭代次数是否小于T，判断更新后的使目标函数值的变化是否大于∈；如果没有达到收敛条件，则回到步骤2.3；

步骤2.6，存储第k个身份的预测模型f_k(x,w_k)；

步骤2.7，设定k＝k+1，重复执行步骤2.2‑步骤2.6，直到获得所有K个身份的预测模型{f₁(x,w₁),…,f_K(x,w_K)}；

步骤3，将待确认身份的人脸图像进行如步骤1所述的处理，得到高效的人脸图像识别特征；

步骤4，将待确认身份的图像特征依次输入k个身份的预测模型，得到K个身份的预测得分；取最大得分所对应的身份信息作为最终的确认身份，完成人脸识别任务。