[發(fā)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?zhí)枺?/td>: 201910229688.3
• 申請日: 2019-03-25
• 公開（公告）號: CN109934203B
• 公開（公告）日: 2023-09-29
• 發(fā)明（設(shè)計）人: 李華雄;顧心誠;辛博
• 申請（專利權(quán)）人: 南京大學(xué)
• 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(chǎn)權(quán)代理事務(wù)所(普通合伙) 11350
• 代理人: 湯東鳳

本發(fā)明提供了一種基于信息熵選擇的代價敏感增量式人臉識別方法，由深度卷積神經(jīng)網(wǎng)絡(luò)部分、基于信息熵的樣本選擇部分以及基于代價敏感序貫三支決策分類部分組成。利用信息熵評估人臉識別樣本分類結(jié)果的信息量，使系統(tǒng)能夠自動評估未標(biāo)記樣本信息量，挑選信息量大的樣本進(jìn)行人為標(biāo)記；利用代價敏感序貫三支決策的思想，把人臉識別問題看成是一個信息粒度由粗到細(xì)的序貫過程，將增加標(biāo)記樣本的每個迭代循環(huán)作為序貫三支決策的一個決策步驟，根據(jù)貝葉斯風(fēng)險最小原則給出每個決策步驟中樣本最小代價識別效果。

技術(shù)領(lǐng)域

本發(fā)明涉及一種人臉識別方法，尤其是一種基于信息熵選擇的代價敏感增量式人臉識別方法。

背景技術(shù)

人臉識別技術(shù)是圖像信息處理與人工智能領(lǐng)域的一項(xiàng)重要技術(shù)，該技術(shù)主要基于人的臉部特征進(jìn)行身份認(rèn)證。相比較于其他生物識別技術(shù)，人臉識別具有非入侵性的優(yōu)勢，只需要用戶在相機(jī)視野范圍之內(nèi)就可以進(jìn)行身份識別，被廣泛應(yīng)用于軍隊、邊防、司法、金融、工廠、教育、醫(yī)療等領(lǐng)域。

隨著科技的發(fā)展，人臉識別的準(zhǔn)確率已經(jīng)能夠達(dá)到非常高的水準(zhǔn)，但是訓(xùn)練一個表現(xiàn)較好的分類器(例如深度卷積神經(jīng)網(wǎng)絡(luò))需要大量的標(biāo)記樣本，而現(xiàn)實(shí)中的人臉識別場景往往為標(biāo)記樣本稀缺條件下的人臉識別，對未標(biāo)記樣本進(jìn)行人工標(biāo)記，需要花費(fèi)大量的人力物力。利用信息熵評估人臉識別樣本分類結(jié)果的信息量，選取信息量大的樣本優(yōu)先進(jìn)行標(biāo)記，能夠最大化的提升識別系統(tǒng)的識別率，對于減少標(biāo)記成本具有重要意義。

從樣本識別的誤分類代價是否均衡這一角度來看，現(xiàn)有大部分人臉識別系統(tǒng)都可以認(rèn)為是傳統(tǒng)的非代價敏感二支決策模型，即在決策時只存在兩個選項(xiàng)：接受或者拒絕，而且往往認(rèn)為誤分類代價相同，只追求最小化分類誤差。這樣的假設(shè)在現(xiàn)實(shí)分類場景具有局限性。例如，對于門禁系統(tǒng)，將外部人員I(Impostor)被識別為內(nèi)部人員G(Gallery)的代價顯然要高于將內(nèi)部人員識別為外部人員。因此，即使是精度很高的分類器也有可能具有很高的誤分類代價。

發(fā)明內(nèi)容

本發(fā)明要解決的技術(shù)問題是：傳統(tǒng)人臉識別系統(tǒng)存在的訓(xùn)練成本高、未考慮誤分類代價不平衡性的問題。

為了解決上述技術(shù)問題，本發(fā)明提供了一種基于信息熵選擇的代價敏感增量式人臉識別方法，包括如下步驟：

步驟1，輸入未標(biāo)記樣本集U和測試樣本集V，將未標(biāo)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(fù)類樣本集S_N，并設(shè)置代價損失函數(shù)λ_PN、λ_NP、λ_BN、λ_BP、λ_NN以及λ_PP；

步驟2，從未標(biāo)記樣本集U中抽取出部分未標(biāo)記樣本進(jìn)行標(biāo)記，形成已標(biāo)記樣本集L；

步驟3，利用已標(biāo)記樣本集L訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)模型M；

步驟4，利用訓(xùn)練好的深度卷積神經(jīng)網(wǎng)絡(luò)模型M對未標(biāo)記樣本集U中的每個未標(biāo)記樣本u_i進(jìn)行Softmax分類器分類，得到每個未標(biāo)記樣本u_i的Softmax概率輸出；

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