[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

摘要

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。

主权项

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。