[发明专利]基于序列简化支持向量的人脸检测方法

说明书

技术领域

本发明属于图像处理技术领域，特别是涉及人脸的检测，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

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，Osuna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，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。 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。

发明内容

本发明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，本发明包括如下步骤：

(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∈Rⁿ，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∈Rⁿ，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∈Rⁿ，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α_i∈R，和支持向量 s_i∈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：