[发明专利]一种用于半监督人脸识别门禁系统的代价敏感隐语义回归方法

说明书

本发明公开了一种用于半监督人脸识别门禁系统的代价敏感隐语义回归方法；属于人脸图像处理领域；包含如下步骤：设置错分代价矩阵；代价敏感的隐语义回归；模型预测；本发明针对真实人脸识别门禁系统中的半监督和代价敏感学习问题，设计了一种代价敏感的统一学习框架，用于联合学习人脸图像的隐语义表示、无标签训练样本的标签信息和代价敏感的分类器。在仅使用少量监督训练样本的条件下，本发明提出的代价敏感隐语义回归模型能够最小化人脸识别门禁系统的整体错分损失，因此具有较高的实用价值。

技术领域

本发明属于人脸图像处理领域，特别涉及一种用于半监督人脸识别门禁系统的代价敏感隐语义回归方法。

背景技术

随着科学技术的发展，人脸识别技术取得了飞速发展和广泛应用。传统的人脸识别方法追求最小的识别错误率，即假设不同错分所带来的损失相同。然而，在真实的人脸识别应用中，这一假设往往不成立，不同错分所带来的损失不同。例如，在人脸识别门禁系统中，存在入侵者类I和合法者类G_i,i＝1,2,L,c-1。一般而言，将入侵者错分成合法者的损失高于将合法者错分成入侵者的损失，而将合法者错分成其他合法者的损失又要低于将合法者错分成入侵者的损失。此外，在真实的人脸识别应用中，用于训练识别模型的训练样本集通常是半监督的，即训练集中只有少量监督样本，大部分样本的标签信息未知。这是因为要获取样本的标签信息难，需要付出大量人力和财力。

针对人脸识别门禁系统中的不同错分损失问题和半监督学习问题，研究者提出了代价敏感的半监督学习方法。它们采用两步学习的策略，即先标签扩展无标签样本的标签信息，然后根据监督样本的标签信息和学得的无监督样本的标签信息，将错分代价信息嵌入学习算法，设计代价敏感的学习模型。

虽然现有代价敏感的半监督学习方法，在人脸识别门禁系统中取得了不错的识别性能，其两步学习的策略主要存在如下两个方面的缺陷：1)采用的标签扩展算法代价不敏感，如稀疏学习或L₂范数方法。这将导致错误的标签预测结果，从而丢失大量有用的代价信息。2)标签扩展和代价敏感的学习模型相互独立，很难预学习得到全局最优的标签信息，用于随后的代价敏感学习模型。

发明内容

发明目的：本发明为了解决人脸识别门禁系统中的不同错分损失问题和半监督学习问题，提出了一种用于半监督人脸识别门禁系统的代价敏感隐语义回归方法，从而在仅使用少量监督训练样本的条件下，学得的最优分类器能够最小化人脸识别门禁系统的整体错分损失，有效的将入侵者拒之门外，而允许合法者进入。

发明内容：本发明公开了一种用于半监督人脸识别门禁系统的代价敏感隐语义回归方法，包含如下步骤：

步骤1，设置错分代价矩阵；

步骤2，建立代价敏感的隐语义回归模型；

步骤3，模型预测：利用步骤2学得的代价敏感分类器，预测待验证的人脸图像；

步骤2“代价敏感的隐语义回归”构建了一种代价敏感的统一学习框架，用于联合学习人脸图像的隐语义特征S、训练样本的标签矩阵F和代价敏感的分类器W，该统一学习框架的目标函数表达式为：

s.t.||f_i||₀＝1,f_i∈{0,1}^c,i＝1,2,L,N (1)