[發明專利]一種基于信息熵選擇的代價敏感增量式人臉識別方法

有效

• 申請號: 201910229688.3
• 申請日: 2019-03-25
• 公開（公告）號: CN109934203B
• 公開（公告）日: 2023-09-29
• 發明（設計）人: 李華雄;顧心誠;辛博
• 申請（專利權）人: 南京大學
• 主分類號: G06V40/16
• 分類號: G06V40/16;G06V10/774;G06V10/82;G06N3/0464
• 代理公司: 北京科億知識產權代理事務所(普通合伙) 11350
• 代理人: 湯東鳳

1.一種基于信息熵選擇的代價敏感增量式人臉識別方法，其特征在于，包括如下步驟：

步驟1，輸入未標記樣本集U和測試樣本集V，將未標記樣本集U和測試樣本集V均按劃分比例分別劃分為正類樣本集S_P和負類樣本集S_N，并設置代價損失函數λ_PN、λ_NP、λ_BN、λ_BP、λ_NN以及λ_PP；

步驟2，從未標記樣本集U中抽取出部分未標記樣本進行標記，形成已標記樣本集L；

步驟3，利用已標記樣本集L訓練深度卷積神經網絡模型M；

步驟4，利用訓練好的深度卷積神經網絡模型M對未標記樣本集U中的每個未標記樣本u_i進行Softmax分類器分類，得到每個未標記樣本u_i的Softmax概率輸出；

步驟5，利用每個未標記樣本u_i的Softmax概率輸出計算其信息熵值，再根據信息熵值對各個未標記樣本u_i進行信息熵值大小排序，選取信息熵值較大的前n個未標記樣本u_i進行標記，并在標記后加入到已標記樣本集L中；

步驟6，利用訓練好的深度卷積神經網絡模型M對測試樣本集V中的每個測試樣本v_i進行Softmax分類器分類，得到每個測試樣本v_i的Softmax概率輸出，再利用Softmax概率輸出分別計算對應測試樣本v_i屬于正類樣本集S_P和負類樣本集S_N的條件概率p(S_P|v_i)和p(S_N|v_i)；

步驟7，利用條件概率和代價損失函數計算測試樣本集V中的每個測試樣本v_i分別被分類到正域P、負域N以及邊界域B的分類代價，選取分類代價最小的分類域作為該測試樣本v_i的分類結果；

步驟8，利用測試集分類準確樣本數除以總樣本數得到測試集分類準確率，若滿足分類準確率大于設定的準確率比例，則識別結束，若不滿足，則返回步驟3；

步驟1中，將未標記樣本集U和測試樣本集V均按3:1的比例分別劃分為正類樣本集S_P和負類樣本集S_N；步驟2中，從未標記樣本集U中抽取出10％未標記樣本進行標記；步驟8中，準確率比例為80％。

2.根據權利要求1所述的基于信息熵選擇的代價敏感增量式人臉識別方法，其特征在于，深度卷積神經網絡模型M包括卷積層、激勵層、池化層、全連接層以及分類層；卷積層、激勵層以及池化層順序循環執行至少兩次，用于對人臉圖像進行特征提取；全連接層以及分類層用于對提取的人臉圖像特征進行Softmax分類器分類，輸出該人臉圖像屬于各個類別的概率。

3.根據權利要求2所述的基于信息熵選擇的代價敏感增量式人臉識別方法，其特征在于，Softmax分類器的結果計算公式為：

式中，P(y^(k)＝k|x^(k)；θ)為當前人臉圖像屬于第k類樣本的概率，為全連接層對應第k類樣本的輸出。

4.根據權利要求1所述的基于信息熵選擇的代價敏感增量式人臉識別方法，其特征在于，利用Softmax概率輸出計算其信息熵值的計算公式為：

式中，p_c(y|x)為分類結果中樣本x屬于每一類的概率。

5.根據權利要求1所述的基于信息熵選擇的代價敏感增量式人臉識別方法，其特征在于，條件概率p(S_P|v_i)和p(S_N|v_i)的計算公式分別為：

式中，和分別為測試樣本v_i通過深度卷積神經網絡模型M分類至正類樣本集S_P和負類樣本集S_N的Softmax概率輸出。