CN103679160A - 一种人脸识别方法和装置 - Google Patents

Abstract

本发明提供了一种人脸识别的方法，该方法基于一类支持向量机来学习人脸图像之间的相似性，包括：对人脸样本进行分类得到训练样本组和测试样本组；对训练样本组中的训练样本进行分类得到至少两个类别，在每个类别中获取训练样本生成差样本对，并构造训练样本对组；依据训练样本对组对一类支持向量机进行训练，得到其决策模型参数，并得到相似性判别模型；将测试样本组中任意获取两个测试样本生成的测试差样本对输入相似性判别模型中进行相似性判断。在该方法中，输入一类支持向量机的训练样本采用分类并依据同类训练样本中生成训练样本差的方式，使得输入一类支持向量机的数据量减少，降低了计算的复杂度。

Description

一种人脸识别方法和装置

技术领域

本发明属于识别技术领域，尤其涉及一种人脸识别的方法和装置。

背景技术

人脸的一个信息丰富的模式集合，是人类互相判别、认识、记忆的主要标志。人脸识别在计算机视觉、模式识别、多媒体技术研究中占有重要的地位，因此人脸识别技术是模式识别与计算机视觉领域最有挑战性的研究课题之一。

人脸识别的主要工作，就是将现实空间中的人脸图像映射到机器空间，并采取某种方式（如人脸的几何特征、代数特征和变换系数等）尽可能完整而准确地描述人脸。将待识别的人脸与已知人脸进行比较，根据相似程度对人脸的身份进行判断。

P.Jonahton Phillips提出了利用SVM（Support Vector Machine，支持向量机）来学习人脸图像之间的相似性，从而来进行人脸识别。在相似性学习中，Phillips提出了差空间的构造方法来构造样本对，在差空间中，着重研究同一类个体不同图像之间的差别和不同类个体图像之间的差别。实验结果表明，该方法与传统的基于PCA（Principal Component Analysis，主元分析）的方法相比，确实具有一定的优势。但是，差空间方法的样本复杂度很高，例如有n幅人脸图像，则在差空间中会产生n²个训练样本，再采用SVM来训练，由于该训练样本数巨大，导致了SVM的训练时间过长，甚至内存溢出而无法执行。

因此，提供一种快速的人脸识别的方法及装置，来提高人脸识别的效率和提高相似性判别率的准确度，是本领域技术人员亟待解决的问题。

发明内容

有鉴于此，本发明的目的在于提供一种人脸识别的方法和装置，以解决现有技术中训练样本数量巨大导致的计算复杂度和相似性学习的难度大的问题。

一种人脸识别方法，所述方法基于一类支持向量机来学习人脸图像之间的相似性，该方法包括：

对人脸图像样本进行第一分类处理，分别得到训练样本组和测试样本组；

对所述训练样本组中的训练样本进行第二分类处理，得到至少两个类别，依据在每个类别中获取的训练样本产生差样本对，并依据所述差样本对构造训练样本对组；

依据所述训练样本对组对一类支持向量机进行训练，得到一类支持向量机的决策模型参数，并依据所述决策模型参数得到相似性判别模型；

在测试样本组中任意获取两个测试样本生成测试差样本对，将所述测试差样本对输入所述相似性判别模型中进行相似性判断，并将相似性判断的结果作为人脸识别的结果输出。

上述的方法，优选的，所述对所述训练样本组中的训练样本进行分类处理，得到至少两个类别，依据在每个类别中获取的训练样本产生差样本对，并依据所述差样本对构造训练样本对组对包括：

依据预设的分类条件，将所述训练样本组中的训练样本分为至少两个子集，每个子集对应一类数据；

在任一子集中获取任意两个训练样本，并依据所述两个训练样本生成一个训练差样本对；

在每个子集中获取预设个数的训练差样本对；

将各个子集中获取的训练差样本对集合，得到训练样本对组。

上述的方法，优选的，依据所述训练样本对组对一类支持向量机进行训练，得到一类支持向量机的决策模型参数包括：

选择核函数为高斯径向基函数，并预设核参数值；

将所述训练样本对组输入所述核函数中，训练一类支持向量机，得到模型系数；

依据所述模型系数计算得到决策模型参数。

上述的方法，优选的，所述相似性判断的结果作为人脸识别的结果输出包括：

当所述相似性判断的结果为两个测试样本相似，则所述两个测试样本对应的人脸图像样本为相似样本；

否则，所述两个测试样本对应的人脸图像样本不属于相似样本。

上述的方法，优选的，所述模型系数包括超球体分类模型的半径。

一种人脸识别装置，所述装置基于一类支持向量机来学习人脸图像之间的相似性，该装置包括：

第一分类模块，用于对人脸图像样本进行第一分类处理，分别得到训练样本组和测试样本组；

第二分类模块，用于对所述训练样本组中的训练样本进行第二分类处理，得到至少两个类别，依据在每个类别中获取的训练样本产生差样本对，并依据所述差样本对构造训练样本对组；

训练模块，用于依据所述训练样本对组对一类支持向量机进行训练，得到一类支持向量机的决策模型参数，并依据所述决策模型参数得到相似性判别模型；

测试模块，用于在测试样本组中任意获取两个测试样本生成测试差样本对，将所述测试差样本对输入所述相似性判别模型中进行相似性判断，并将相似性判断的结果作为人脸识别的结果输出。

上述的装置，优选的，所述第二分类模块包括：

分类单元，用于依据预设的分类条件，将所述训练样本组中的训练样本分为至少两个子集，每个子集对应一类数据；

第一获取单元，用于在任一子集中获取任意两个训练样本，并依据所述两个训练样本生成一个训练差样本对，在每个子集中获取预设个数的训练差样本对；

集合单元，用于将各个子集中获取的训练差样本对集合，得到训练样本对组。

上述的装置，优选的，训练模块包括：

选择单元，用于选择核函数为高斯径向基函数，并预设核参数值；

训练单元，用于将所述训练样本对组输入所述核函数中，训练一类支持向量机，得到模型系数；

第一计算单元，用于依据所述模型系数计算得到决策模型参数；

第二计算单元，用于依据所述决策模型参数得到相似性判别模型。

上述的装置，优选的，所述相似性判断的结果作为人脸识别的结果输出包括：

当所述相似性判断的结果为两个测试样本相似，则所述两个测试样本对应的人脸图像样本为相似样本；

否则，所述两个测试样本对应的人脸图像样本不属于相似样本。

上述的装置，优选的，所述模型系数包括超球体分类模型的半径。

经由上述的技术方案可知，本申请提供一种人脸识别的方法，所述方法基于一类支持向量机来学习人脸图像之间的相似性，该方法包括：对人脸样本进行第一分类处理，分别得到训练样本组和测试样本组；对所述训练样本组中的训练样本进行第二分类处理，得到至少两个类别，依据在每个类别中获取的训练样本产生差样本对，并依据所述差样本对构造训练样本对组；依据所述训练样本对组对一类支持向量机进行训练，得到一类支持向量机的决策模型参数，并依据所述决策模型参数得到相似性判别模型；在测试样本组中任意获取两个测试样本生成测试差样本对，将所述测试差样本对输入所述相似性判别模型中进行相似性判断，并将相似性判断的结果作为人脸识别的结果输出。在该方法中，输入一类支持向量机的训练样本采用分类并依据同类训练样本中生成训练样本差的方式，使得输入一类支持向量机的数据量减少，计算复杂度降低。而且输入一类支持向量机的训练样本对为同类样本即相似样本，不受不相似样本的影响，提高了相似性学习的准确度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请提供的一种人脸识别的方法实施例1的流程图；

图2是本申请提供的一种人脸识别的方法实施例2的流程图；

图3是本申请提供的一种人脸识别的方法实施例3的流程图；

图4是本申请提供的一种人脸识别的方法实施例3识别的结果比对表格；

图5是本申请提供的一种人脸识别的装置实施例1的结构示意图；

图6是本申请提供的一种人脸识别的装置实施例2的结构示意图；

图7是本申请提供的一种人脸识别的装置实施例3的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本申请中的一类支持向量机，只知道目标样本（又称本类样本）特征，而不知道其他样本（又称异类样本）的特征，在该一类支持向量机中，用于训练分类器的只有一类目标样本，并要求其像支持向量机等两类分类器那样，能够对目标样本和异类样本做出判断的方法。

在本申请中，采用一类支持向量机来学习人脸图像之间的相似性。

实施例1

参见图1，示出了本申请提供的一种人脸识别的方法实施例1的流程图，包括：

步骤S101：对人脸图像样本进行第一分类处理，分别得到训练样本组和测试样本组；

在采用一类支持向量机对人脸图像进行识别过程中，首先对该一类支持向量机进行训练。

将数据库中的人脸图像样本分成两类，包括：训练样本组和测试样本组。

该训练样本组用于对一类支持向量机进行训练，使其参数更加精确、准确度更高。该测试样本组用于对该训练完成后的一类支持向量机进行测试，以检测该训练完成后的一类支持向量机的识别准确度。

步骤S102：对所述训练样本组中的训练样本进行第二分类处理，得到至少两个类别，依据在每个类别中获取的训练样本产生差样本对，并依据所述差样本对构造训练样本对组；

该训练样本组中的训练样本数巨大，首先对该训练样本组中的训练样本进行处理，降低其数据量，具体方式为：

将训练样本组中的训练样本进行分类，在每个分类类别中获取训练样本，并依据同类别中的训练样本生成差样本对，将各个类别中产生的差样本对构造训练样本对组。

构成差样本对的训练样本，是根据一定的规则在同一分类类别中选择两个训练样本组成差样本对，因此，生成的差样本对的训练样本为相似样本，而避免了不相似样本的影响。

实际实施中，可根据需求选择若干差样本对，差样本对数量可预先限定。

将各个类别中的差样本对集合，得到新的训练样本对，该训练样本对组中含有的内容——训练样本对的个数小于训练样本组中的训练样本的个数。

步骤S103：依据所述训练样本对组对一类支持向量机进行训练，得到一类支持向量机的决策模型参数，并依据所述决策模型参数得到相似性判别模型；

根据该训练样本对组对一类支持向量机进行训练，所述训练样本对组中包含有若干相似样本组成的训练样本对。

一类支持向量机只需对一类样本训练建立超球体分类模型，就能够实现对样本进行判断分类。

根据该训练样本对组对一类支持向量机进行训练，得到一类支持向量机的决策模型参数，即该超球体分类模型的半径r。

进一步，根据该超球体半径就可得到相似性判别的模型，完成对该一类支持向量机的预训练过程。

步骤S104：在测试样本组中任意获取两个测试样本生成测试差样本对，将所述测试差样本对输入所述相似性判别模型中进行相似性判断，并将相似性判断的结果作为人脸识别的结果输出。

在测试样本组中任意选择两个测试样本，将这两个测试样本生成测试差样本对，将该测试差样本对输入该相似性判别的模型中，得到相似性判断的结果。可将该判断的结果作为人脸识别的结果输出。当两个测试样本的相似性判断结果为相似时，则所述两个测试样本对应的人脸图像样本为相似样本，即这两个测试样本对应的人脸识别结果为相似；否则，两个测试样本对应的人脸图像样本不属于相似样本，即这两个测试样本对应的人脸识别结果为不相似。

本实施例中，首先对样本进行测试样本组和训练样本组进行分类，然后对训练样本组中的训练样本进行分类，实际实施中不限定于此，由于数据库中的样本可根据其内容、参数等进行分类，可先对数据库中各个样本进行分类，再对分类好的样本进行测试样本组和训练样本组的分类。该先后顺序可根据实际情况设置，本申请中不再赘述。

综上，本申请实施例1提供的一种人脸识别的方法，在该方法中，输入一类支持向量机的训练样本采用分类并依据同类训练样本中生成训练样本差的方式，使得输入一类支持向量机的数据量减少，计算复杂度降低。而且输入一类支持向量机的训练样本对为同类样本即相似样本，不受不相似样本的影响，提高了相似性学习的准确度。

实施例2

参见图2，示出了本申请提供的一种人脸识别的方法实施例2的流程图，图1所示的流程图中，步骤S102包括：

步骤S1021：依据预设的分类条件，将所述训练样本组中的训练样本分为至少两个子集，每个子集对应一类数据；

按照分类条件，该分类条件可以为如年龄、性别、种族等各种与人脸区别相关的条件。

将训练样本组中的训练样本分成多个子集，每个子集中为一类数据。

设已有人脸训练样本集合，该样本以数据形式展示，{(x₁,v₁),…,(x_i,v_i),…,(x_n,v_n)}，其中x_i∈R^D，v_i∈{1,2,…,C}。

v_i是x_i的类别标签，表示分类的类别。本实施例中，训练样本组中的训练样本分为C个子集，

其中，第c个子集x_c中仅包含v_i＝c的数据。

比如，当该C为5时，该训练样本组中的训练样本分为5个子集{X₁,X₂,X₃,X₄,X₅}。

步骤S1022：在任一子集中获取任意两个训练样本，并依据所述两个训练样本生成一个训练差样本对；

在任一子集中任一获取两个训练样本，并根据该训练样本生成训练差样本对，比如，对于第c类数据，在Xc中任意选择两个样本

和

生成一个训练差样本对

同理，在每个子集中均获取训练样本，并生成训练差样本对。

步骤S1023：在每个子集中获取预设个数的训练差样本对；

从第1类开始直至第n类的子集中，在每个子集中获取预设个数的训练差样本对。

步骤S1024：将各个子集中获取的训练差样本对集合，得到训练样本对组。

将各个子集中获取的训练差样本对分别集合，最终得到总差样本对集合，命名为训练样本对组。

比如对第c类的训练差样本对，将其存储在集合SX_c中，则第c类的差样本对训练集可表示为

其中，z_j∈R^D，m_c为样本的个数，令总差样本对集合为

则总的差训练样本个数为

假设C＝5，

m_c＝10。该训练样本组中的训练样本分为5个子集，从某一类子集中任意选取两个数据，并生成一个相似差样本对，重复m_c次上述的过程，即可得到10个相似差样本对。对于这5类数据，每类数据皆生成10个相似差样本对，总计50个相似差样本对，构成训练样本对组。

由于只针对训练样本中的同类样本（同类样本就是相似样本）进行训练，不受到异类训练样本的影响，提高相似性判断的准确度。

综上，本申请实施例2提供的一种人脸识别的方法，对训练样本组中的训练样本分类，并在每个分类对应的子集中获取训练样本并生成训练差样本对，各个分类对应的子集得到的训练差样本对集合得到训练样本对组，该方法对训练样本组中的训练样本进行抽取，生成训练差样本对，使得最终得到的数据量减少，减少后续步骤中对一类支持向量机输入数据，降低计算的复杂度。各个训练差样本对都是取自同一个类别的子集中，一对训练样本为相似样本，依据训练差样本对对一类支持向量机进行训练时，不受不相似样本的影响，提高了相似性学习的准确度。

实施例3

参见图3，示出了本申请提供的一种人脸识别的方法实施例3的流程图，图2所示的流程图中，步骤S103包括：

步骤S1031：选择核函数为高斯径向基函数，并预设核参数值；

选择该高斯径向基函数为一类支持向量机的核函数，高斯径向基函数k(z,z′)＝e^{-σ||z-z′||}，其中该σ是核参数，该核参数值依据实际情况预先设定。

步骤S1032：将所述训练样本对组输入所述核函数中，训练一类支持向量机，得到模型系数；

指定实验参数后，以该高斯径向基函数为核函数，输入训练样本对组中的训练样本，训练该一类执行向量机，可得到模型的系数α_p,p＝1,...,m。

p＝1,…,m表达训练差样本对的序号。α_p是训练1类支持向量机得到的模型系数，和z_p对应。

步骤S1033：依据所述模型系数计算得到决策模型参数；

依据该训练得到的模型的系数，计算超球体半径r：

$r^2=\frac{1}{\left|\mathrm{SV}\right|}\underset{z_q\∈\mathrm{SV}}{\mathrm{\Σ}}[k(z_q,z_q)-2\underset{p=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\α}}_{p}k(z_q,z_p)+\underset{p_1=1}{\overset{m}{\mathrm{\Σ}}}\underset{p_2=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\α}}_{p_1}{\mathrm{\α}}_{p_2}k(z_{p_1},z_{p_2})]---(1-1)$

其中，z_q指属于非边界支持向量集，即SV的训练差样本对，z_p、z_p1以及z_p2指所有的训练差样本对，p＝1,…,m，p₁＝1,…,m，p₂＝1,…,m，以不同的下标表达训练差样本对的序号，说明他们在上述公式的运行过程中有顺序差异。α_p、α_p1、α_p2则是训练1类支持向量机得到的模型系数，分别和z_p、z_p1、z_p2对应；SV＝{z_p|0＜α_p＜1}表示一类支持向量机训练产生的支持向量集。

步骤S1034：依据所述决策模型参数得到相似性判别模型。

计算得到该决策模型参数后，依据该决策模型参数，得到相似性判别的模型。

该一类支持向量机的相似性判别模型为：

$f\left(\stackrel{\‾}{z}\right)=[r^2-(k(\stackrel{\‾}{z},\stackrel{\‾}{z})-2\underset{p=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\α}}_{p}k(\stackrel{\‾}{z},z_p)+\underset{p_1=1}{\overset{m}{\mathrm{\Σ}}}\underset{p_2=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\α}}_{p_1}{\mathrm{\α}}_{p_2}k(z_{p_1},z_{p_2}))---(1-2)$

指待判断相似性的样本对，z_p、z_p1以及z_p2指所有的差参数样本对，p＝1,…,m，p₁＝1,…,m，p₂＝1,…,m，以不同的下标表达差参数样本对的序号，说明他们在上述公式的运行过程中有顺序差异。α_p、α_p1、α_p2则是训练1类支持向量机得到的模型系数，分别和z_p、z_p1、z_p2对应。

后续步骤S104中，测试样本组中任意获取两个测试样本生成测试差样本对，并将该测试差样本对输入该相似性判别模型中，根据计算得到的值判断这两个测试样本是否为相似样本。

假设任意的两个测试样本为

和

依据这两个测试样本，生成测试差样本对

将其输入式（1-2）所示的相似性判别模型中。若得到的

则两个测试样本

和

是相似的，否则，不相似。若两个测试样本相似，则说明该测试样本对应的人脸图像也具有一定的相似度。

假设数据集中存在400张图像，共有40个不同年龄、不同性别和不同种族的对象，每张图片的大小为112×92。将数据库中存储的图像按照对象分类，分为40类，选取其中的35组作为第一组，后5组作为第二组，从第一组中随机生成1000个相似样本对组成训练样本组，从第一组中随机生成2000个样本以及从第二组中随机生成2000个样本组成测试样本对组。

本实施例中C＝35，D＝10304，m＝1000，即在训练样本中的35种类中，每类获取1000对样本，共得到35000个相似样本对。采用35000个相似样本对输入高斯径向基函数的方法对一类支持向量机进行训练，得到模型系数，进而计算得到决策模型参数，最终得到相似性判别模型。将测试样本对组中的样本对输入该相似性判别模型中，得到两测试样本之间是否是相似的结果。

参见图4所示识别的结果比对表格，应用本申请提供的一种人脸识别方法，该方法中采用一类支持向量机，最终识别的结果：同类样本对的正确决策率高于普通的支持向量机，执行时间远远小于普通的支持向量机。相似性识别准确度高，识别时间短。

综上，本申请实施例3提供的一种人脸识别的方法，该方法中，选择高斯径向基函数为核函数，将训练样本对组输入核函数对一类支持向量机进行训练，得到一类支持向量机的决策模型参数并依据所述决策模型参数得到相似性判别模型，该相似性判别模型，输入参数为训练样本对，一类支持向量机中输入的数据量少，降低了计算的复杂度、计算速度加快。而且由于各个训练差样本对都是取自同一个类别的子集中，一对训练样本为相似样本，依据训练差样本对对一类支持向量机进行训练时，不受不相似样本的影响，提高了相似性学习的准确度。

与本申请提供的一种人脸识别的方法实施例相对应的，本申请还提供了一种人脸识别的装置实施例。

实施例1

参见图5，示出了本申请提供的一种人脸识别的装置实施例1的结构示意图，包括：第一分类模块101、第二分类模块102、训练模块103和测试模块104；

其中，所述第一分类模块101，用于对人脸图像样本进行第一分类处理，分别得到训练样本组和测试样本组；

在采用一类支持向量机对人脸图像进行识别过程中，首先对该一类支持向量机进行训练。

第一分类模块101将数据库中的人脸图像样本分成两类，包括：训练样本组和测试样本组。

该训练样本组用于对一类支持向量机进行训练，使其参数更加精确、准确度更高。该测试样本组用于对该训练完成后的一类支持向量机进行测试，以检测该训练完成后的一类支持向量机的识别准确度。

其中，所述第二分类模块102，用于对所述训练样本组中的训练样本进行第二分类处理，得到至少两个类别，依据在每个类别中获取的训练样本产生差样本对，并依据所述差样本对构造训练样本对组；

该训练样本组中的训练样本数巨大，首先第二分类模块102对该训练样本组中的训练样本进行处理，降低其数据量，具体方式为：

第二分类模块102将训练样本组中的训练样本进行分类，在每个分类类别中获取训练样本，并依据同类别中的训练样本生成差样本对，将各个类别中产生的差样本对构造训练样本对组。

构成差样本对的训练样本，是根据一定的规则在同一分类类别中选择两个训练样本组成差样本对，因此，生成的差样本对的训练样本为相似样本，而避免了不相似样本的影响。

实际实施中，可根据需求选择若干差样本对，差样本对数量可预先限定。

将各个类别中的差样本对集合，得到新的训练样本对，该训练样本对组中含有的内容——训练样本对的个数小于训练样本组中的训练样本的个数。

其中，所述训练模块103，用于依据所述训练样本对组对一类支持向量机进行训练，得到一类支持向量机的决策模型参数，并依据所述决策模型参数得到相似性判别模型；

训练模块103根据该训练样本对组对一类支持向量机进行训练，所述训练样本对组中包含有若干相似样本组成的训练样本对。

一类支持向量机只需对一类样本训练建立超球体分类模型，就能够实现对样本进行判断分类。

根据该训练样本对组对一类支持向量机进行训练，得到一类支持向量机的决策模型参数，即该超球体分类模型的半径r。

进一步，训练模块103根据该超球体半径就可得到相似性判别的模型，完成对该一类支持向量机的预训练过程。

其中，所述测试模块104，用于在测试样本组中任意获取两个测试样本生成测试差样本对，将所述测试差样本对输入所述相似性判别模型中进行相似性判断，并将相似性判断的结果作为人脸识别的结果输出。

测试模块104在测试样本组中任意选择两个测试样本，将这两个测试样本生成测试差样本对，将该测试差样本对输入该相似性判别的模型中，得到相似性判断的结果。可将该判断的结果作为人脸识别的结果输出。当两个测试样本的相似性判断结果为相似时，则所述两个测试样本对应的人脸图像样本为相似样本，即这两个测试样本对应的人脸识别结果为相似；否则，两个测试样本对应的人脸图像样本不属于相似样本，即这两个测试样本对应的人脸识别结果为不相似。

本实施例中，第一分类模块对样本进行测试样本组和训练样本组进行分类，第二分类对训练样本组中的训练样本进行分类，实际实施中不限定于此，由于数据库中的样本可根据其内容、参数等进行分类，可先采用第二分类模块对数据库中各个样本进行分类，再采用第一分类模块对分类好的样本进行测试样本组和训练样本组的分类。该先后顺序可根据实际情况设置，本申请中不再赘述。

综上，本申请实施例1提供的一种人脸识别的装置，在该装置中，输入一类支持向量机的训练样本采用分类并依据同类训练样本中生成训练样本差的方式，使得输入一类支持向量机的数据量减少，计算复杂度降低。而且输入一类支持向量机的训练样本对为同类样本即相似样本，不受不相似样本的影响，提高了相似性学习的准确度。

实施例2

参见图6，示出了本申请提供的一种人脸识别的装置实施例2的结构示意图，所述第二分类模块102包括：分类单元1021、获取单元1022和集合单元1023；

其中，所述分类单元1021，用于依据预设的分类条件，将所述训练样本组中的训练样本分为至少两个子集，每个子集对应一类数据；

按照分类条件，该分类条件可以为如年龄、性别、种族等各种与人脸区别相关的条件。

分类单元1021将训练样本组中的训练样本分成多个子集，每个子集中为一类数据。

设已有人脸训练样本集合，该样本以数据形式展示，{(x₁,v₁),…,(x_i,v_i),…,(x_n,v_n)}，其中x_i∈R^D，v_i∈{1,2,…,C}。

v_i是x_i的类别标签，表示分类的类别。本实施例中，训练样本组中的训练样本分为C个子集，

其中，第c个子集x_c中仅包含v_i＝c的数据。

比如，当该C为5时，该训练样本组中的训练样本分为5个子集{X₁,X₂,X₃,X₄,X₅}。

其中，所述获取单元1022，用于在任一子集中获取任意两个训练样本，并依据所述两个训练样本生成一个训练差样本对，在每个子集中获取预设个数的训练差样本对；

获取单元1022在任一子集中任一获取两个训练样本，并根据该训练样本生成训练差样本对，比如，对于第c类数据，在X_c中任意选择两个样本

和生成一个训练差样本对

同理，获取单元1022在每个子集中均获取训练样本，并生成训练差样本对。

从第1类开始直至第n类的子集中，在每个子集中获取预设个数的训练差样本对。

其中，所述集合单元1023，用于将各个子集中获取的训练差样本对集合，得到训练样本对组。

集合单元1023将各个子集中获取的训练差样本对分别集合，最终得到总差样本对集合，命名为训练样本对组。

比如对第c类的训练差样本对，将其存储在集合SX_c中，则第c类的差样本对训练集可表示为

其中，z_j∈R^D，m_c为样本的个数，令总差样本对集合为

则总的差训练样本个数为

假设C＝5，

m_c＝10。该训练样本组中的训练样本分为5个子集，从某一类子集中任意选取两个数据，并生成一个相似差样本对，重复m_c次上述的过程，即可得到10个相似差样本对。对于这5类数据，每类数据皆生成10个相似差样本对，总计50个相似差样本对，构成训练样本对组。

由于只针对训练样本中的同类样本（同类样本就是相似样本）进行训练，不受到异类训练样本的影响，提高相似性判断的准确度。

综上，本申请实施例2提供的一种人脸识别的装置，该装置对训练样本组中的训练样本进行抽取，生成训练差样本对，使得最终得到的数据量减少，减少后续步骤中对一类支持向量机输入数据，降低计算的复杂度。各个训练差样本对都是取自同一个类别的子集中，一对训练样本为相似样本，依据训练差样本对对一类支持向量机进行训练时，不受不相似样本的影响，提高了相似性学习的准确度。

实施例3

参见图7，示出了本申请提供的一种人脸识别的装置实施例3的结构示意图，所述训练模块103包括：选择单元1031、训练单元1032、第一计算单元1033和第二计算单元1034；

其中，所述选择单元1031，用于选择核函数为高斯径向基函数，并预设核参数值；

选择单元1031选择该高斯径向基函数为一类支持向量机的核函数，高斯径向基函数k(z,z′)＝e^{-σ||z-z′||}，其中该σ是核参数，该核参数值依据实际情况预先设定。

其中，所述训练单元1032，用于将所述训练样本对组输入所述核函数中，训练一类支持向量机，得到模型系数；

指定实验参数后，训练单元1032以该高斯径向基函数为核函数，输入训练样本对组中的训练样本，训练该一类执行向量机，可得到模型的系数α_p,p＝1,...,m。

p＝1,…,m表达训练差样本对的序号。α_p是训练1类支持向量机得到的模型系数，和z_p对应。

其中，所述第一计算单元1033，用于依据所述模型系数计算得到决策模型参数；

第一计算单元1033依据该训练得到的模型的系数，计算超球体半径r：

$r^2=\frac{1}{\left|\mathrm{SV}\right|}\underset{z_q\∈\mathrm{SV}}{\mathrm{\Σ}}[k(z_q,z_q)-2\underset{p=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\α}}_{p}k(z_q,z_p)+\underset{p_1=1}{\overset{m}{\mathrm{\Σ}}}\underset{p_2=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\α}}_{p_1}{\mathrm{\α}}_{p_2}k(z_{p_1},z_{p_2})]---(2-1)$

其中，z_q指属于非边界支持向量集，即SV的训练差样本对，z_p、z_p1以及z_p2指所有的训练差样本对，p＝1,…,m，p₁＝1,…,m，p₂＝1,…,m，以不同的下标表达训练差样本对的序号，说明他们在上述公式的运行过程中有顺序差异。α_p、α_p1、α_p2则是训练1类支持向量机得到的模型系数，分别和z_p、z_p1、z_p2对应；SV＝{z_p|0＜α_p＜1}表示一类支持向量机训练产生的支持向量集。

其中，所述第二计算单元1034，用于依据所述决策模型参数得到相似性判别模型。

计算得到该决策模型参数后，第二计算单元1034依据该决策模型参数，得到相似性判别的模型。

该一类支持向量机的相似性判别模型为：

$f\left(\stackrel{\‾}{z}\right)=[r^2-(k(\stackrel{\‾}{z},\stackrel{\‾}{z})-2\underset{p=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\α}}_{p}k(\stackrel{\‾}{z},z_p)+\underset{p_1=1}{\overset{m}{\mathrm{\Σ}}}\underset{p_2=1}{\overset{m}{\mathrm{\Σ}}}{\mathrm{\α}}_{p_1}{\mathrm{\α}}_{p_2}k(z_{p_1},z_{p_2}))---(2-2)$

指待判断相似性的样本对，z_p、z_p1以及z_p2指所有的差参数样本对，p＝1,…,m，p₁＝1,…,m，p₂＝1,…,m，以不同的下标表达差参数样本对的序号，说明他们在上述公式的运行过程中有顺序差异。α_p、α_p1、α_p2则是训练1类支持向量机得到的模型系数，分别和z_p、z_p1、z_p2对应。

后续测试模块104中，测试样本组中任意获取两个测试样本生成测试差样本对，并将该测试差样本对输入该相似性判别模型中，根据计算得到的值判断这两个测试样本是否为相似样本。

假设任意的两个测试样本为

和

依据这两个测试样本，生成测试差样本对

将其输入式（1-2）所示的相似性判别模型中。若得到的

则两个测试样本

和

是相似的，否则，不相似。若两个测试样本相似，则说明该测试样本对应的人脸图像也具有一定的相似度。

假设数据集中存在400张图像，共有40个不同年龄、不同性别和不同种族的对象，每张图片的大小为112×92。将数据库中存储的图像按照对象分类，分为40类，选取其中的35组作为第一组，后5组作为第二组，从第一组中随机生成1000个相似样本对组成训练样本组，从第一组中随机生成2000个样本以及从第二组中随机生成2000个样本组成测试样本对组。

本实施例中C＝35，D＝10304，m＝1000，即在训练样本中的35种类中，每类获取1000对样本，共得到35000个相似样本对。采用35000个相似样本对输入高斯径向基函数的方法对一类支持向量机进行训练，得到模型系数，进而计算得到决策模型参数，最终得到相似性判别模型。将测试样本对组中的样本对输入该相似性判别模型中，得到两测试样本之间是否是相似的结果。

参见图4所示识别的结果比对表格，采用本申请提供的一种人脸识别装置，该装置中应用一类支持向量机，最终识别的结果：同类样本对的正确决策率高于普通的支持向量机，执行时间远远小于普通的支持向量机。相似性识别准确度高，识别时间短。

综上，本申请实施例3提供的一种人脸识别的装置，该装置中，选择高斯径向基函数为核函数，将训练样本对组输入核函数对一类支持向量机进行训练，得到一类支持向量机的决策模型参数并依据所述决策模型参数得到相似性判别模型，该相似性判别模型，输入参数为训练样本对，一类支持向量机中输入的数据量少，降低了计算的复杂度、计算速度加快。而且由于各个训练差样本对都是取自同一个类别的子集中，一对训练样本为相似样本，依据训练差样本对对一类支持向量机进行训练时，不受不相似样本的影响，提高了相似性学习的准确度。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种人脸识别方法，其特征在于，所述方法基于一类支持向量机来学习人脸图像之间的相似性，该方法包括：

对人脸图像样本进行第一分类处理，分别得到训练样本组和测试样本组；

对所述训练样本组中的训练样本进行第二分类处理，得到至少两个类别，依据在每个类别中获取的训练样本产生差样本对，并依据所述差样本对构造训练样本对组；

依据所述训练样本对组对一类支持向量机进行训练，得到一类支持向量机的决策模型参数，并依据所述决策模型参数得到相似性判别模型；

在测试样本组中任意获取两个测试样本生成测试差样本对，将所述测试差样本对输入所述相似性判别模型中进行相似性判断，并将相似性判断的结果作为人脸识别的结果输出。

2.根据权利要求1所述的方法，其特征在于，所述对所述训练样本组中的训练样本进行分类处理，得到至少两个类别，依据在每个类别中获取的训练样本产生差样本对，并依据所述差样本对构造训练样本对组对包括：

依据预设的分类条件，将所述训练样本组中的训练样本分为至少两个子集，每个子集对应一类数据；

在任一子集中获取任意两个训练样本，并依据所述两个训练样本生成一个训练差样本对；

在每个子集中获取预设个数的训练差样本对；

将各个子集中获取的训练差样本对集合，得到训练样本对组。

3.根据权利要求1所述的方法，其特征在于，依据所述训练样本对组对一类支持向量机进行训练，得到一类支持向量机的决策模型参数包括：

选择核函数为高斯径向基函数，并预设核参数值；

将所述训练样本对组输入所述核函数中，训练一类支持向量机，得到模型系数；

依据所述模型系数计算得到决策模型参数。

4.根据权利要求1所述的方法，其特征在于，所述相似性判断的结果作为人脸识别的结果输出包括：

当所述相似性判断的结果为两个测试样本相似，则所述两个测试样本对应的人脸图像样本为相似样本；

否则，所述两个测试样本对应的人脸图像样本不属于相似样本。

5.根据权利要求1所述的方法，其特征在于，所述模型系数包括超球体分类模型的半径。

6.一种人脸识别装置，其特征在于，所述装置基于一类支持向量机来学习人脸图像之间的相似性，该装置包括：

第一分类模块，用于对人脸图像样本进行第一分类处理，分别得到训练样本组和测试样本组；

第二分类模块，用于对所述训练样本组中的训练样本进行第二分类处理，得到至少两个类别，依据在每个类别中获取的训练样本产生差样本对，并依据所述差样本对构造训练样本对组；

训练模块，用于依据所述训练样本对组对一类支持向量机进行训练，得到一类支持向量机的决策模型参数，并依据所述决策模型参数得到相似性判别模型；

测试模块，用于在测试样本组中任意获取两个测试样本生成测试差样本对，将所述测试差样本对输入所述相似性判别模型中进行相似性判断，并将相似性判断的结果作为人脸识别的结果输出。

7.根据权利要求1所述的装置，其特征在于，所述第二分类模块包括：

分类单元，用于依据预设的分类条件，将所述训练样本组中的训练样本分为至少两个子集，每个子集对应一类数据；

第一获取单元，用于在任一子集中获取任意两个训练样本，并依据所述两个训练样本生成一个训练差样本对，在每个子集中获取预设个数的训练差样本对；

集合单元，用于将各个子集中获取的训练差样本对集合，得到训练样本对组。

8.根据权利要求1所述的装置，其特征在于，训练模块包括：

选择单元，用于选择核函数为高斯径向基函数，并预设核参数值；

训练单元，用于将所述训练样本对组输入所述核函数中，训练一类支持向量机，得到模型系数；

第一计算单元，用于依据所述模型系数计算得到决策模型参数；

第二计算单元，用于依据所述决策模型参数得到相似性判别模型。

9.根据权利要求1所述的装置，其特征在于，所述相似性判断的结果作为人脸识别的结果输出包括：

当所述相似性判断的结果为两个测试样本相似，则所述两个测试样本对应的人脸图像样本为相似样本；

否则，所述两个测试样本对应的人脸图像样本不属于相似样本。

10.根据权利要求6所述的装置，其特征在于，所述模型系数包括超球体分类模型的半径。

Images