基于序列简化支持向量的人脸检测方法技术

本发明专利技术公开了一种基于序列简化支持向量的人脸检测方法，主要解决现有人脸检测方法鉴别速率低和求解约减向量集速率低的问题。该方法通过用约减向量集来代替支持向量集策略提高鉴别速率，采用序列简化方法求解约减向量集，它包括对待训练图像训练和对待测试图像鉴别两部分，其中：对待训练图像训练是将原始训练图像进行行拉伸的预处理、利用行拉伸后的训练样本训练支持向量机和求解约减向量集；对待测试图像鉴别是对待测试图像进行行拉伸的预处理、用约减向量集鉴别行拉伸后的测试样本和鉴别结果输出。本发明专利技术可对图像进行实时检测，具有计算复杂度和存储空间低的优点，用于机器学习和模式识别范畴内的人脸检测以及其他大规模数据的检测系统。

【技术实现步骤摘要】

本专利技术属于图像处理
，特别是涉及人脸的检测，可用于公共安全，信 息安全，金融安全的监督和防护。
技术介绍
生物特征识别技术是利用人自身具备的永久生物特征，如指纹、人脸、虹膜、 掌纹等进行人身份的鉴别技术。而用指纹、掌型、虹膜等识别技术都需要被识别者 配合，不能在被识别者不知情的情况下完成，但人的面部识别则可以用摄像头较远 距离捕捉图像，在当事人不知不觉的情况下完成身份确认识别工作，在实际中有非 常重大的意义。由此可见，人脸识别技术是用于人身份鉴别的一种非常重要和实用 的方法。人脸检测实际上是一个两类的人脸鉴别问题，即在一幅图像中只有"人脸" 和"非人脸"之分。其基本思想是基于知识或统计的方法对人脸鉴别，从而得到可 能存在的人脸区域。支持向量机首先是由Vapnik及其合作者在1995年首先提出来的，是近年来机 器学习研究的一项重大成果。支持向量机可以应用于，如目标体检测、人脸检测、 和数字体识别等多个领域。1997年，Os皿a将支持向量机应用于人脸检测。但是， 支持向量机训练得到的支持向量有很多都是冗余的，因此Burges提出一种简化的向 量准则来鉴别未知测试样本，用约减向量集来代替原有支持向量集，可有效的提高 鉴别速率。为加快Burges方法求解约减向量集的速率，Sch61kopf于2003提出一种只针对高斯核函数的固定点迭代方法，并将此方法应用于人脸检测。Osuna提出的基于支持向量机的人脸检测方法，在鉴别的过程中用到的是支持 向量集，使得鉴别速率很慢。Burges提出的简化支持向量方法，在求解约减向量集 的过程中使用的是梯度下降算法或者共轭梯度下降算法，导致该过程需要大量时间。 Sch61kopf提出的固定点迭代方法求解约减集，只能用于高斯核函数，使得该方法的应用领域受到限制。
技术实现思路
本专利技术的目的在于克服上述技术的不足，提出一种基于序列简化支持向量的人 脸检测方法，以应用于任何核函数，而且在保证精度的前提下，提高求解约减向量集的速率和检测速率。为实现上述目的，本专利技术包括如下步骤(1) 对原始训练图像进行行拉伸的预处理，将行拉伸后的图像数据作为训练样本x,.ei ",Z-l,...，Z，其中"为训练样本维数，/为训练样本总个数，并且对每一个训练样本进行标识，使+1类表示人脸样本，-1类表示非人脸样本，得到训练样本集x,.e/ "，_y;e{+l，-l}，z' = l，.../，将该训练样本集输入到计算机中进行步骤(2);(2) 用训练样本集在计算机中训练支持向量机，得到最优的偏置6e及、支持向量系数0^及和支持向量8,.€及"，/ = 1,...^，其中A^为支持向量个数；(3) 利用序列优化约减向量方法对支持向量系数a,.e及，和支持向量 8,^及"，/ = 1，...，7\^进行约减，具体步骤如下3a)设定求解约减向量的有约束目标函数&=丄c 2，") aA)沈A々0，A、0，z = l"..，/式中，^-《，z'-l，…，/表示第/个训练样本x,.对应的系数， 一为将训练样本从w维实空间映射到高维特征空间尸的映射函数，C为惩罚因子，通过调节C的 大小，控制约减向量的个数；3b)求取约束目标函数的Lagrange对偶函数；3c)由约束目标函数和Lagrange对偶函数得到最优解满足的Karush-Kuhn-Tucker (KKT)条件；3d)以KKT条件作为求解约减向量的终止条件判断，判断当前所有样本是否满 足KKT条件，若有违反KKT条件的样本，继续步骤(3e)，否则跳至步骤(3f);3e)设定当前工作集中有且仅有一个元素，并且选用违反KKT条件最大者作为该元素，计算该元素的最优解；3f)设定一个正常数0，通过调节该常数控制约减向量的个数A^，计算每一个 训练样本所对应的系数^-《，/ = 1，...，/，在这/个系数中找到大于该常数0的项为6A.—《，= 1,...， Afe ，则这些项所对应训练样本被称为约减向量z"= 1，...， Afe ，这些 约减向量对应的系数定义为6=A.-《,_/ = l,...，A^ ，得到约减向量集 {z";o.},_/ = i,...,Afe，其中iVz为约减向量个数；(4) 对测试图像进行行拉伸的预处理，将行拉伸后的图像数据作为测试样本 xe及"，其中w为测试样本维数，并且对这个测试样本x进行标识，当该输入测试图像为人脸时，y = +l，否则y = -1，得到测试样本集xe及"，3;e(+l，-1}，将该测试样本输入到计算机中进行步骤(5);(5) 用步骤(3)中得到的约减向量集{2;，^},_/ = 1，...,^对测试样本乂进行鉴他别，计算函数值/&) = |>/0^》+ 6，其中6为支持向量机训练得到的偏置，A:为人工设定的核函数；如果函数值/00>0，则测试样本x是+l类样本，该测试图像为人脸；否则x是-l类样本，该测试图像为非人脸样本；如果得到的分类结果+l类 或者-l类与步骤(4)中的标识j;相同，则说明鉴别结果正确；否则鉴别结果错误。本专利技术与其他技术相比具有以下优点1、 本专利技术考虑到支持向量机鉴别过程中的支持向量存在冗余，将基于支持向量 机求解出的约减向量集替代原有支持向量集，用于鉴别测试样本，提高了鉴别速率。2、 本专利技术在原有基于支持向量机求解约减向量的思想上，巧妙地提出一种有约 束目标函数，并且可以通过调整参数C来控制约减向量的个数。3、 本专利技术将原有训练支持向量机的序列最小优化方法引进到求解巳提出的约束 目标函数上，并且用KKT条件作为终止条件判断。4、 本专利技术在求解约减向量集的过程中，当前工作集中元素个数固定，从而需要 调节参数相对较少，降低了复杂度。附图说明图1是本专利技术人脸检测方法的流程框图。 具体实施例方式参照图1，本专利技术包括训练过程和鉴别过程两部分，其中训练过程包括训练样本集获取、支持向量机训练和约减向量求解；鉴别过程包括测试样本集获取和鉴别 结果输出。具体实现如下步骤l:将原始图像进行预处理。输入一套20X20的MIT图像，其中包括人脸图像和非人脸图像片段，将每一副图像行拉伸为 一 个1 X 400的向量，得到样本集 {(Xij,)|x(ei 400j,e{+1，-1}，/ = 1广，7087}，其中，输入样本个数为7087，样本维数为400，第/个样本的标识为乃，使+l类表示人脸样本，-l类表示非人脸；将样本随机排序，采用IO倍交叉验证方法进行训练和鉴别,用于训练的样本个数为6378， 得到10组训练样本集^x,-，:^^ e及柳,x e{+l，—1},/ = 1，...，6378}，用于鉴别的样本个数为709，得到10组测试样本{、￡及4°°，!' = 1,...，709}和10组测试样本集 步骤2:支持向量机训练。将1组训练样本集{^，;^|\€及400,3;,"+1,-1}，/ = 1，...，7087}输入到支持向量 机进行训练，得到最优的偏置"及、支持向量系数a,.e及和支持向量 S,.ei 4°V' = l，...A^，得到支持向量集K，^，z、l，…，iVx，其中A^为支持向量个数。步骤3:根据训练支持向量机得到的支持向量集{8,.,",.},/ =本文档来自技高网...

【技术保护点】
基于序列简化支持向量的人脸检测方法，包括如下步骤：　（１）对原始训练图像进行行拉伸的预处理，将行拉伸后的图像数据作为训练样本ｘ↓［ｉ］∈Ｒ↑［ｎ］，ｉ＝１，……，ｌ，其中ｎ为训练样本维数，ｌ为训练样本总个数，并且对每一个训练样本进行标 识，使＋１类表示人脸样本，－１类表示非人脸样本，得到训练样本集ｘ↓［ｉ］∈Ｒ↑［ｎ］，ｙ↓［ｉ］∈｛＋１，－１｝，ｉ＝１，……ｌ，将该训练样本集输入到计算机中进行步骤（２）；　（２）用训练样本集在计算机中训练支持向量机，得到最优的偏置 ｂ∈Ｒ、支持向量系数α↓［ｉ］∈Ｒ和支持向量ｓ↓［ｉ］∈Ｒ↑［ｎ］，ｉ＝１，……，Ｎｘ，其中Ｎｘ为支持向量个数；　（３）利用序列优化约减向量方法对支持向量系数αｉ∈Ｒ，和支持向量ｓｉ∈Ｒｎ，ｉ＝１，……，Ｎｘ进行约减，具体步骤如下：　 　３ａ）设定求解约减向量的有约束目标函数：　Ｆ↓［Ｃ］＝１／２｜｜＊（β↓［ｉ］－β↓［ｉ］↑［＊］）φ（ｘ↓［ｉ］）－＊α↓［ｉ］φ（ｓ↓［ｉ］）｜｜＋Ｃ＊（β↓［ｉ］＋β↓［ｉ］↑［＊］）　（１Ａ）　式中，β↓［ｉ］－β↓［ ｉ］↑［＊］，ｉ＝１，…，ｌ表示第ｉ个训练样本ｘ↓［ｉ］对应的系数，φ为将训练样本从ｎ维实空间映射到高维特征空间Ｆ的映射函数，Ｃ为惩罚因子，通过调节Ｃ的大小，控制约减向量的个数；　３ｂ）求取约束目标函数的Ｌａｇｒａｎｇｅ对偶函数；　 　３ｃ）由约束目标函数和Ｌａｇｒａｎｇｅ对偶函数得到最优解满足的Ｋａｒｕｓｈ－Ｋｕｈｎ－Ｔｕｃｋｅｒ（ＫＫＴ）条件；　３ｄ）以ＫＫＴ条件作为求解约减向量的终止条件判断，判断当前所有样本是否满足ＫＫＴ条件，若有违反ＫＫＴ条件的样本，继 续步骤（３ｅ），否则跳至步骤（３ｆ）；　３ｅ）设定当前工作集中有且仅有一个元素，并且选用违反ＫＫＴ条件最大者作为该元素，计算该元素的最优解；　３ｆ）设定一个正常数θ，通过调节该常数控制约减向量的个数Ｎｚ，计算每一个训练样本所对应 的系数β↓［ｉ］－β↓［ｉ］↑［＊］，ｉ＝１，…，ｌ，在这ｌ个系数中找到大于该常数θ的项为β↓［ｊ］－β↓［ｊ］↑［＊］，ｊ＝１，…，Ｎｚ，则这些项所对应训练样本被称为约减向量ｚ↓［ｊ］，ｊ＝１，…，Ｎｚ，这些约减向量对应的系数定义为γ↓［ｉ］＝β↓［ｊ］－β↓［ｊ］↑［＊］，ｊ＝１，…，Ｎｚ，得到约减向量集｛ｚ↓［ｊ］，γ↓［ｊ］｝，ｊ＝１，…，Ｎｚ，其中Ｎｚ为...

【技术特征摘要】

【专利技术属性】
技术研发人员：张莉，陈桂荣，宴哲，胡志，焦李成，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：87[中国|西安]