一种基于多核集成回归的人脸识别方法技术

本发明专利技术公开了一种基于多核集成回归的人脸识别方法，通过获取人脸数据作为样本集，选择合适的核函数作为核函数库，根据选取的核函数构造人脸求解模型；对人脸求解模型进行循环求解，得到各参数的值的最优解；根据最优解参数，求得测试人脸的标签值，从而可以为人脸识别缩短了匹配时间、降低了匹配难度，提高人脸识别过程的准确率。

【技术实现步骤摘要】
一种基于多核集成回归的人脸识别方法
本专利技术属于人脸识别领域，尤其涉及一种基于多核集成回归的人脸识别方法。
技术介绍
人脸识别技术是一种通过计算机分析人的脸孔来辨别人体生物特征的识别技术，其内容涵盖计算机视觉、模式识别、图形学和认知科学等多个学科。相对于获取其他的人体生物特征，由于人脸图像的获取可以不需要用户的主动配合，并且认知度更强，从而在实际应用中人脸图像获取的容易程度大大地超过其他人体生物特征的获取，似的人脸的识别技术具有十分广泛的应用前景。人脸识别技术经过多年的研究，已经有了一批比较成熟的理论和有效的算法。但是目前即使是世界上最成熟的人脸识别系统，也只能在采集条件比较理想、用户配合的条件下，才可以基本达到适用的程度。现如今大部分采用的方法有基于特征脸(PCA)的人脸识别方法与神经网络的人脸识别方法。但这些方法对于人脸样本的要求较高。相对于这些现有的方法，我们的方法对于样本要求不高，传统的人脸数据集就可以正常操作。
技术实现思路
本专利技术根据现有技术的不足与缺陷，提出了一种基于多核集成回归的人脸识别方法，目的在于提高人脸识别的有效性。本专利技术所采用的技术方案如下，包括以下步骤：步骤1，获取人脸数据作为样本集，选择合适的核函数作为核函数库。步骤2，根据选取的核函数构造人脸求解模型；步骤3，对人脸求解模型进行循环求解，得到各参数的值的最优解；步骤4，根据最优解参数，求得测试人脸的标签值。进一步，所述核函数有多项式核函数：k1(m,n)＝(amTn+d)c；径向基核函数：高斯核函数：其中，m、n为人脸样本，a、d、c、ν、为核函数的参数；进一步，所述人脸求解模型：其中，e是残差，L是基回归器的个数，αi是每个训练集权重，Ki是第i个内核Gram矩阵，Y是样本的真实标签，wi是用来控制每个基核回归模型的权重，w为由所有wi构成的向量，矩阵H是由所有向量Hi构成的矩阵，向量Hi＝Kiαi+bi1N*1，即H＝[H1,H2...HN]，bi是对于特定Ki的偏移量，γ是控制系数收缩量的复杂性参数，μ、λi、η、ξ、τ是拉格朗日系数。进一步，对人脸求解模型进行循环得到最优解的过程为：步骤3.1，对参数αi、bi、Hi、e、w、μ、λ、η、ξ、τ赋予的初始值，计算出设开始时lossnew←0，从而得到loss＝|lossold-lossnew|；其中lossold和lossnew是归一化处理的损失值，loss是损失值之间的差值。步骤3.2，对参数αi、bi、Hi、e、w、μ、λ、η、ξ、τ进行以下更新；μ←μ+θ(Y-Hw-e)λ←λ+θ(Hi-Kiαi-bi×1N*1)η←η+θ(1-1Tw)ξ←ξ+θw其中，θ为学习率，I为单位矩阵。步骤3.3，根据更新后的参数重新计算出从而得到loss＝|lossnew-lossold|，更新lossold←lossnew，迭代次数加1；步骤3.4，退出循环时得到最优解；满足循环求解的判断条件时，退出循环得到最优解；进一步，循环求解的判断条件是：若更新后计算的loss大于1e-6或者迭代次数小于500次，将参数αi、bi、Hi、e、w、μ、λ、η、ξ、τ再次进行更新；若更新后计算的loss小于1e-6或者迭代次数大于500次，则退出循环；进一步，根据得到的最优解Hi、w得到标签值表示为Yp＝Hiw；本专利技术的有益效果：专利技术中基于多核集成模型的构造，解决了核函数及其参数选取较复杂的问题，为图像后期的匹配处理提供了较大的帮助。缩短了匹配时间、降低了匹配难度，使得人脸识别过程会更加准确地实现，获得更高识别准确率。附图说明图1是本专利技术的方法的流程图；图2循环更新的流程图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用于解释本专利技术，并不用于限定本专利技术。如图1所示，本专利技术提出一种基于多核集成回归的人脸识别方法，通过以下步骤：步骤1，获取人脸数据作为样本集，选择合适的核函数作为核函数库；获取人脸数据作为样本集,对于空间R，设有人脸样本集X＝[x1,x2....xN]∈RN*q和人脸样本的真实标签集Y＝[y1,y2....yN]∈RN*p，选择合适的核函数作为kernel池，可以选择的核函数有多项式核函数：k1(m,n)＝(amTn+d)c；径向基核函数：高斯核函数：其中，N为样本数，q为X的维度，p为Y维度，m、n为人脸样本，a、d、c、ν、为核函数的参数。步骤2，根据步骤1中选取的核函数构造多核集成的人脸求解模型；根据步骤1中所选取的核函数，采用多核集成方法构造人脸求解模型：其中，e是残差，L是基回归器的个数，αi是每个训练集权重，Ki是第i个内核Gram矩阵，Y是样本的真实标签，wi是用来控制每个基核回归模型的权重，w为由所有wi构成的向量，H是由所有Hi构成的矩阵，向量Hi＝Kiαi+bi1N*1，即H＝[H1,H2...HN]，bi是对于特定Ki的偏移量，γ是控制系数收缩量的复杂性参数，μ、λi、η、ξ、τ是拉格朗日系数。步骤3，如图2对人脸求解模型进行循环求解，得到各参数的值的最优解；步骤3.1，对参数αi、bi、Hi、e、w、μ、λ、η、ξ、τ赋予的初始值，α＝(KKT+γI)-1(KY)，b＝Y-Kα，H＝0，e＝1000，w＝1/L，μ＝0，λ＝0，η＝0，ξ＝0，τ＝1e-6。计算出设开始时lossnew←0，从而得到loss＝|lossold-lossnew|；其中lossold和lossnew是归一化处理的损失值，loss是损失值之间的差值。步骤3.2，对参数αi、bi、Hi、e、w、μ、λ、η、ξ、τ进行以下更新；μ←μ+θ(Y-Hw-e)(6)λ←λ+θ(Hi-Kiαi-bi×1N*1)(7)η←η+θ(1-1Tw)(8)ξ←ξ+θw(9)e与lasso算法形式一致，用已有的lasso算法求解，其中，I为单位矩阵，θ为学习率，θ其值设置为0.01。步骤3.3，根据更新后的参数重新计算出从而得到loss＝|lossnew-lossold|，更新lossold←lossnew，迭代次数加1；步骤3.4，循环求解的判断条件是：若更新后计算的loss大于1e-6或者迭代次数小于500次，将参数αi、bi、Hi、e、w、μ、λ、η、ξ、τ再次进行更新；若更新后计算的loss小于1e-6或者迭代次数大于500次，则退出循环；退出循环时得到最优解；步骤4，根据最优解参数，求得测试人脸的标签值,根据得到的最优解Hi、w得到标签值表示为Yp＝Hiw，其中Yp是预测的标签结果。将得到的预测的标签结果与真实样本的标签结果进行比对，得到我们方法的准确率。得到的结果与现如今已经成熟的人脸识别算法作对比，比它们都较优的话，则说明我们的方法是可行的。以上实施例仅用于说明本专利技术的设计思想和特点，其目的在于使本领域内的技术人员能够了解本专利技术的内容并据以实施，本专利技术的保护范围不限于上述实施例。所以，凡依据本专利技术所揭示的原理、设计思路所作的等同变化或修饰，均在本专利技术的保护范围之内。本文档来自技高网...

【技术保护点】
1.一种基于多核集成回归的人脸识别方法,其特征在于，包括以下步骤：步骤1，获取人脸数据作为样本集，选择合适的核函数作为核函数库；步骤2，根据选取的核函数构造人脸求解模型；步骤3，对人脸求解模型进行循环求解，得到各参数的值的最优解；步骤4，根据最优解参数，求得测试人脸的标签值。

【技术特征摘要】
1.一种基于多核集成回归的人脸识别方法,其特征在于，包括以下步骤：步骤1，获取人脸数据作为样本集，选择合适的核函数作为核函数库；步骤2，根据选取的核函数构造人脸求解模型；步骤3，对人脸求解模型进行循环求解，得到各参数的值的最优解；步骤4，根据最优解参数，求得测试人脸的标签值。2.根据权利要求1所述的一种基于多核集成回归的人脸识别方法，其特征在于，所述核函数有多项式核函数、径向基核函数、高斯核函数。3.根据权利要求1所述的一种基于多核集成回归的人脸识别方法，其特征在于，所述人脸求解模型：其中，e是残差，L是基回归器的个数，αi是每个训练集权重，Ki是第i个内核Gram矩阵，Y是样本的真实标签，wi是用来控制每个基核回归模型的权重，w为由所有wi构成的向量，矩阵H是由所有向量Hi构成的矩阵，向量Hi＝Kiαi+bi1N*1，即H＝[H1,H2...HN]，bi是对于特定Ki的偏移量，γ是控制系数收缩量的复杂性参数，μ、λi、η、ξ、τ是拉格朗日系数。4.根据权利要求1或3所述的一种基于多核集成回归的人脸识别方法，其特征在于，所述对人脸求解模型进行循环得到最优解的过程为：步骤3.1，对参数αi、bi、Hi、e、w、μ、λ...

【专利技术属性】
技术研发人员：沈项军，倪成功，
申请(专利权)人：江苏大学，
类型：发明
国别省市：江苏,32