[發明專利]一種基于改進多核學習框架的近紅外人臉檢測方法

在審

• 申請號: 201810135334.8
• 申請日: 2018-02-07
• 公開（公告）號: CN108427915A
• 公開（公告）日: 2018-08-21
• 發明（設計）人: 包曉安;陳磊;張娜
• 申請（專利權）人: 浙江理工大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/66;G06N3/00
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 鄭海峰

1.一種基于改進多核學習框架的近紅外人臉檢測方法，其特征包括如下步驟：

A.使用正負樣本訓練模型；

S10：采用近紅外光下的人臉數據集作為訓練樣本，對訓練樣本進行歸一化處理，然后提取人臉特征；

S11：初始化粒子群優化算法的參數，隨機生成初始種群并且初始化粒子的初始速度與初始位置；

S12：計算每個粒子的適應值，即核權重系數，用每個粒子的核參數構造基核，然后將基核按權重組合成合成核，求出單個粒子所經歷過的最優位置與整個種群所經歷過的最優位置；

S13：更新每個粒子的速度與位置，判斷是否超出范圍，超出則重新確定粒子速度與位置；

S14：對終止條件進行判斷，不滿足終止條件，則跳到步驟S12執行，若滿足則迭代結束，找到最優解，即找到核參數與核權重；

S15：使用最優解構造最終基核與合成核，并用最終的合成核訓練分類器，得到最終分類模型；

B.讀入監控畫面，獲取包含人臉信息的圖片；

C.對獲取的圖片進行預處理；

D.對輸入的圖片進行人臉檢測；

E.將檢測到的人臉標記輸出到監控畫面。

2.根據權利要求1所述的一種基于改進多核學習框架的近紅外人臉檢測方法，其特征在于：所述步驟S13中，更新每個粒子的速度與位置具體為：

速度的更新公式如下：

v_i(t+1)＝ωv_i(t)+δ₁r₁[p_i-x_i(t)]+δ₂r₂[g-x_i(t)](1)

位置的更新公式如下：

x_i(t+1)＝x_i(t)+v_i(t+1)(2)

其中，t表示當前的迭代次數；x_i(t)為粒子i的當前迭代的位置；v_i(t)為粒子i的當前迭代的速度；ω為慣性權重，代表粒子保持自身運動的趨勢；δ₁、δ₂分別為自我認知的學習因子與社會認知的學習因子，前者表示粒子對在整個搜索過程中對自身所經歷過的最優位置的學習能力，后者表示整個種群對在整個搜索過程中所經歷過的最優位置的學習能力；r₁、r₂為[0，1]區間內的隨機數，ω用來平衡局部搜索與全局搜索，即當ω較大時局部搜索能力較弱而全局搜索能力較強，當ω較小是則反之。

3.根據權利要求1所述的一種基于改進多核學習框架的近紅外人臉檢測方法，其特征在于：所述步驟S13中，判斷是否超出范圍，超出則重新確定粒子速度與位置，具體為：如果粒子超出了它的速度與位置的范圍，則根據(4)和(5)重新更新粒子當前的速度與位置，

4.根據權利要求1所述的一種基于改進多核學習框架的近紅外人臉檢測方法，其特征在于：所述步驟S12，具體為：

估計合成核與理想核的相似性，然后找到每個粒子的最佳相似性，直到當前迭代；為了在PSO運算的開始階段具有較強的自我學習能力，減緩尋優速度，加強全局尋優能力，避免局部最優保證有效收斂，使尋優過程更容易找到全局最優解，自適應慣性權重以及可變學習因子采用以下公式計算，自適應慣性權重以及可變學習因子采用以下公式計算；

其中，t代表迭代次數；t_max為最大迭代次數；ω_start為迭代開始時的初始權重值，同時也是權重的最大值；ω_end為結束迭代的權重值，同時也是權重的最小值；δ_1init和δ_1end分別表示學習因子δ₁的初始值與停止值，同理δ_2init和δ_2end表示δ₂的初始值與停止值。

5.根據權利要求1所述的一種基于改進多核學習框架的近紅外人臉檢測方法，其特征在于：所述步驟B具體為：在近紅外光下，攝像頭采集監控畫面，讀入監控畫面，獲取包含人臉信息的圖片。