[發明專利]一種人臉識別的方法及系統

有效

• 申請號: 201210120265.6
• 申請日: 2012-04-23
• 公開（公告）號: CN102663370A
• 公開（公告）日: 2012-09-12
• 發明（設計）人: 張莉;夏佩佩;冷亦琴;何書萍;王邦軍;李凡長;楊季文
• 申請（專利權）人: 蘇州大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 常亮

技術領域

本發明涉及生物識別技術領域，更具體的說，是涉及一種人臉識別的方法及系統。

背景技術

在過去的幾十年中，人臉識別已經發展成為計算機視覺中非常流行的一個研究課題，同時也是在圖像分析領域最為成功的一個應用。如今，人臉識別的研究有著重大的現實意義，一旦研究成功與投入應用，將產生巨大的社會和經濟效益。人臉識別的研究算法中，主要分為兩類。一類是基于圖像的人臉識別算法，另一類是基于影像的人臉識別算法?；趫D像的人臉識別算法起步較早，技術較為成熟；基于影像的人臉識別算法相對于基于圖像的人臉識別算法較難，是近幾年才開始發展，目前也已取得一定的成果。

P.J.Phillips提出了利用SVM(Support?Vector?Machines，支持向量機)來學習人臉圖像之間的相似性，從而來進行人臉識別。在相似性學習中，Phillips提出了差空間的構造方法來構造樣本對，在差空間中，著重研究同一類個體不同圖像之間的差別和不同類個體之間的差別。實驗結果表明，該方法與傳統的基于PCA的方法相比，確實具有一定的優勢。但是，差空間方法的樣本復雜度非常高，例如有n幅人臉圖像，則在差空間中會產生n²個訓練樣本對，再采用SVM來訓練，計算復雜度也會非常的大，甚至會出現不能優化的情況；此外，由于差空間樣本對構造方法可能會丟失部分信息，所以即使原兩類樣本具有很好的可分性，也會使差空間中的樣本對出現嚴重的重疊，增加相似性學習的難度。

因此，提供一種快速的基于SVM相似性學習的人臉識別的方法及系統，來提高人臉識別的效率和降低相似性學習的難度，是本領域技術人員亟待解決的問題。

發明內容

有鑒于此，本發明提供了一種人臉識別的方法及系統，以克服現有技術中由于差空間方法的樣本復雜度非常高，導致計算復雜度和相似性學習的難度增加的問題。

為實現上述目的，本發明提供如下技術方案：

一種人臉識別的方法，其特征在于，基于支持向量機SVM來學習人臉圖像之間的相似性，包括：

對人臉訓練數據構造相似性學習的原始訓練樣本，并對所述原始訓練樣本進行隨機降維，生成相似性學習訓練集；

將所述相似性學習的訓練集采用支持向量機進行訓練，生成分類器模型；

對人臉測試數據構造相似性學習的原始測試樣本，并對所述原始測試樣本進行隨機降維，生成相似性學習測試集；

根據所述分類器模型對所述相似性學習測試集進行分類，得到所述相似性學習測試集的分類結果，根據所述相似性學習測試集的分類結果按照預設規則統計待測試樣本與所述原始訓練樣本中每一類訓練樣本間的相似性概率，并將所述相似性概率最大值輸出，得到人臉識別結果。

其中，所述對所述原始訓練樣本進行隨機降維，生成相似性學習訓練集具體為：

進行隨機降維后，生成降維后的訓練樣本集，保持降維后的類別標記不變；

對于所述降維后的測試樣本集中的任意兩個樣本，生成兩個不同的二元樣本對，判斷兩個樣本類別是否相同，如果是，則所述新的二元對形式的訓練樣本集的類別值為+1，即正樣本，如果否，則所述新的二元對形式的訓練樣本集的類別值為-1，即負樣本；

對每個樣本用K近鄰的方法找出K個最近的異類點，將所述異類點存儲在集合X_i^k中，生成相似性學習訓練集。

其中，所述將所述相似性學習的訓練集采用支持向量機進行訓練，生成分類器模型具體為：

選擇所述支持向量機的正則參數和高斯核函數，將所述相似性學習的訓練集輸入所述正則參數和高斯核函數，則得到分類器模型。

其中，所述對所述原始測試樣本進行隨機降維，生成相似性學習測試集具體為：

進行隨機降維后，生成降維后的待測試樣本集，保持降維后的類別標記不變；

對于所述降維后的待測試樣本集中的樣本與所述降維后的訓練集中的每個樣本生成二元樣本對，所述二元樣本對即為所述相似性學習測試集。

其中，所述根據所述相似性學習測試集的分類結果按照預設規則統計待測試樣本與所述原始訓練樣本中每一類訓練樣本間的相似性概率具體為：

將所述相似性學習測試集的每個所述分類結果之和，分別與每一類原始測試樣本的樣本數量取商，將所述取商得到的結果作為待測試樣本與所述原始訓練樣本中每一類訓練樣本間的相似性概率。

一種人臉識別的系統，基于支持向量機SVM來學習人臉圖像之間的相似性，包括：