[发明专利]基于分类器集成的人脸识别系统及其方法

说明书

技术领域

本发明属于图像处理技术领域，特别是涉及人脸的识别，可用于公共安全，信息安全，金融安全的监督和防护。

背景技术

人脸识别是比较容易为人们所接受的非侵犯性识别手段，从而成为备受计算机视觉与模式识别等领域关注的热点问题。人脸识别技术的目的是赋予计算机根据人的面孔辨别人物身份的能力。人脸识别作为一个科学问题，是一个典型的图像模式分析，理解与分类的计算机问题，它涉及模式识别，计算机视觉，智能人机交互，图形学，认知科学等多个学科。作为生物特征识别关键技术之一的人脸识别技术在公共安全，信息安全，金融等领域具有潜在的应用前景。在人脸识别技术中，高精度核心识别算法是问题的关键，设计识别系统的最终目的是为了得到好的识别率。传统的方法是设计不同的分类器来实现人脸识别这个目的，在识别系统中的分类器的作用是：根据特征提取器得到的特征向量来给一个被测样本赋一个类别标记，从而达到分类的目的。由于不同分类器的错分样本不一定都相同，因而可对分类器进行融合，以产生更好的性能。大量的研究表明，集成多个子分类器是提高识别率一种有效手段。用这种手段可以实现对人脸的识别。

现有的分类器输出集成方法主要有：英国的J.Kittler等人在1998年论文中总结了分类器输出集成的方法。该方法提出，如果单个分类器的输出能表示成后验概率的形式，则可以采用乘积规则、和规则、最大规则、最小规则和中值规则来对多个子分类器的结果进行集成，这些规则是属于非线性的集成方式，在应用中比较复杂。而在实际应用中线性集成的方式是最为常见的，其中简单投票规则是常用的线性集成方式之一，为此意大利的G.Fumera等人在2005年对简单投票和加权投票方法进行了比较，指出如果单个分类器有相同的性能而且对估计误差有相同的相关性，则简单平均投票是最优的规则。否则，加权投票规则会优于简单平均投票规则。关于如何寻找权系数，J.A.Benediktsson等人于1997年和M.P.Perrone等人在1993年提出了用回归估计的方式来求解权系数，但这些方法不适用于分类问题。N.Ueda在2000年针对分类问题，设计了基于最小分类误差原则的线性加权方法。该方法的目标函数是非线性的，从理论上存在着局部极值点，而且求解目标函数所采用的梯度下降方法在很大程度上依赖于初始权值的选择，如果初始权值选择不好，将会降低分类器的识别率，导致人脸识别系统性能的恶化。

发明的内容

本发明的目的在于克服上述已有技术的不足，提出了一种基于分类器集成的人脸识别系统及其方法，以提高集成分类器的识别率，改善人脸识别系统的性能。

为实现上述目的，本发明的技术方案是：

一.基于分类器集成的人脸识别系统，包括：

原始人脸图像特征提取模块，用于对输入到计算机中的原始人脸图像进行特征提取，获取c类个有标识的原始训练样本集；

待分类人脸图像特征提取模块，用于对输入到计算机中的待分类人脸图像进行特征提取，获取待分类样本x∈Rⁿ；

训练模块，用于选择有后验概率输出的N个子分类器，并根据原始训练样本集对其进行训练，获得关于原始训练样本集的后验概率R_j(ω_k|x_i)，x_i表示第i个训练样本，ω_k表示第k个类别；

子分类器加权系数计算模块，用于根据后验概率P_j(ω_k|x_i)，通过线性规划求解各个子分类器的加权系数α_j，并输出到集成模块；

子分类器分类模块，用于将待分类样本输入到训练过程中训练好的N个子分类器中，获得待分类样本的后验概率P_j(ω_k|x)；

集成模块，用于根据训练过程得到的加权系数α_j和待分类的后验概率P_j(ω_k|x)设计分类规则，并根据该分类规则得到分类结果；

分类结果输出模块，用于将待分类样本的分类结果以类别标识的形式输出，并在计算机显示屏上显示。

二、基于分类器集成的人脸识别训练方法，包括如下过程：