[發(fā)明專利]一種基于支持向量機(jī)的人臉識別方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 201310210372.2
• 申請日: 2013-05-30
• 公開（公告）號: CN103279746A
• 公開（公告）日: 2013-09-04
• 發(fā)明（設(shè)計(jì)）人: 張莉;夏佩佩;丁春濤;王邦軍;李凡長;何書萍;楊季文
• 申請（專利權(quán)）人: 蘇州大學(xué)
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/66
• 代理公司: 北京集佳知識產(chǎn)權(quán)代理有限公司 11227
• 代理人: 王寶筠

技術(shù)領(lǐng)域

本發(fā)明涉及人臉識別領(lǐng)域，特別是涉及一種基于支持向量機(jī)的人臉識別方法及系統(tǒng)。

背景技術(shù)

人臉識別是指利用分析比較人臉視覺特征信息進(jìn)行身份鑒別的計(jì)算機(jī)技術(shù)。目前，基于支持向量機(jī)（Support?Vector?Machine，SVM）的人臉識別方法發(fā)展較為迅速。

所謂支持向量是指那些在間隔區(qū)邊緣的訓(xùn)練樣本點(diǎn)。這里的“機(jī)（machine,機(jī)器）”實(shí)際上是“算法”的含義。在機(jī)器學(xué)習(xí)領(lǐng)域，常把一些算法看做是一個機(jī)器。支持向量機(jī)建立在統(tǒng)計(jì)學(xué)習(xí)理論的VC維（Vapnik-Chervonenkis?Dimension）理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小原理基礎(chǔ)上，根據(jù)有限的樣本信息在模型的復(fù)雜性（即對特定訓(xùn)練樣本的學(xué)習(xí)精度）和學(xué)習(xí)能力（即無錯誤地識別任意樣本的能力）之間尋求最佳折衷，以求獲得最好的推廣能力。其中，VC維反映了函數(shù)集的學(xué)習(xí)能力，VC維越大則學(xué)習(xí)機(jī)器越復(fù)雜（容量越大）。

P.Jonathon?Phillips在文章《Support?Vector?Machines?Applied?to?Face?Recognition》中提出將支持向量機(jī)（SVM）應(yīng)用到人臉識別問題中。在該文章提出的方法中，支持向量機(jī)首先要學(xué)習(xí)一個相似性函數(shù)，構(gòu)造樣本對，然后通過人臉圖像之間的相似性來進(jìn)行人臉識別。

但是，該方法在構(gòu)造樣本對的過程中存在問題。一方面，該方法會產(chǎn)生大量的訓(xùn)練樣本對，可能導(dǎo)致該方法的運(yùn)行時間過長甚至內(nèi)存溢出而無法執(zhí)行。另一方面該方法會產(chǎn)生不平衡數(shù)據(jù)問題。不平衡數(shù)據(jù)問題是指，由于人臉識別問題的特殊性，會出現(xiàn)相似樣本對和不相似樣本對之間的極大不平衡，這會在很大程度上影響支持向量機(jī)的性能。

發(fā)明內(nèi)容

本發(fā)明的目的是提供一種基于支持向量機(jī)的人臉識別方法及系統(tǒng)，能夠減少訓(xùn)練樣本對的數(shù)目，同時使相似樣本對和不相似樣本對的數(shù)目保持平衡，進(jìn)而可以在保證快速采樣的前提下提高人臉識別的效率。

為實(shí)現(xiàn)上述目的，本發(fā)明提供了如下方案：

一種基于支持向量機(jī)的人臉識別方法，包括：

獲取人臉樣本訓(xùn)練集的步驟：所述人臉樣本訓(xùn)練集中包含有多個類別的人臉樣本集合，每個類別的人臉樣本集合中包含多個人臉樣本；

選取同類樣本和異類樣本的步驟：對于所述人臉樣本訓(xùn)練集中的每一個人臉樣本，隨機(jī)選取k個與該人臉樣本屬于同一個類別的人臉樣本作為同類樣本，隨機(jī)選取k個與該人臉樣本屬于不同類別的人臉樣本作為異類樣本；

生成差樣本對集合的步驟：根據(jù)所述同類樣本和所述異類樣本生成差樣本對集合；所述差樣本對集合中，對于所述人臉樣本訓(xùn)練集中的每一個人臉樣本，均有2k個同類差樣本對，以及2k個異類差樣本對；

生成分類模型的步驟：對于所述差樣本對集合，采用支持向量機(jī)訓(xùn)練得到相似性判斷模型，根據(jù)所述相似性判斷模型得到分類模型；

人臉識別的步驟：采用所述分類模型進(jìn)行人臉識別。

可選的，所述采用支持向量機(jī)訓(xùn)練得到相似性判斷模型，包括：

采用核函數(shù)為高斯徑向基函數(shù)的支持向量機(jī)訓(xùn)練得到所述相似性判斷模型。

可選的，所述生成差樣本對集合之前，還包括：

對所述人臉樣本訓(xùn)練集中的各個樣本進(jìn)行隨機(jī)降維，各個樣本降維后的維數(shù)相同；

采用降維后的人臉樣本生成差樣本對集合；

相應(yīng)的，采用所述分類模型進(jìn)行人臉識別時，包括：

對待識別人臉樣本進(jìn)行隨機(jī)降維，降維后的所述待識別人臉樣本的維數(shù)與降維后的人臉樣本的維數(shù)相同。

可選的，所述采用所述分類模型進(jìn)行人臉識別，包括：

獲取待識別人臉樣本；

分別從所述人臉訓(xùn)練集每一類別的樣本集合中隨機(jī)選取k個人臉樣本，生成2k個待識別差樣本對，得到待識別差樣本對集合；

利用所述分類模型對所述待識別差樣本對集合進(jìn)行分析，得到所述待識別人臉樣本與所述人臉訓(xùn)練集中每一類的相似性概率；

根據(jù)所述相似性概率，確定所述待識別人臉樣本歸屬的類別。

可選的，所述方法還包括：

重復(fù)執(zhí)行選取同類樣本和異類樣本的步驟和生成差樣本對集合的步驟，得到多個相似性判斷模型，根據(jù)所述多個相似性判斷模型得到分類模型；

相應(yīng)的，所述利用所述分類模型對所述待識別差樣本對集合進(jìn)行分析，包括：

利用所述多個相似性判斷模型對所述待識別差樣本對集合進(jìn)行分析，得到多個所述待識別人臉樣本與所述人臉訓(xùn)練集中每一類的相似性概率；

對多個所述相似性概率求平均值，得到平均相似性概率；