[发明专利]面向人脸识别的多任务正半定约束度量学习方法

权利要求书

1.一种面向人脸识别的多任务正半定约束度量学习方法，其特征在于，包括以下步骤：

S1.获取多个相似但不同的人脸识别模型的图像，随机抽取每个人脸识别模型的图像，以人工标记的方式，对这些抽取出来的图像进行标记，赋予类别标签，并且把一个人脸识别任务看成一个度量学习任务；将D个相似但不同的人脸识别任务作为D个度量学习任务，对这D个度量学习任务的样本进行人工标记，同时利用这些有标记的数据进行分类器的训练，从而训练出D个分类器；

S2.为每个人脸识别任务，构建训练样本二元组；利用在步骤S1所标记的D个度量学习任务的样本数据，构建D个度量学习任务的样本二元组，其具体方法为：对于第t个度量学习任务，存在m个训练样本，构建第i个样本X_i所对应的样本二元组，此时的样本二元组为{(X_i,X₁),...,(X_i,X_i),...(X_i,X_m)}，一共有m个样本二元对；

S3.为每个度量学习任务构建一个正半定凸优化问题；对于第t个度量学习任务，其正半定优化问题为：

M_t＞＝0,b_t≥1

式中，X_i^t为第t个度量学习任务的第i个样本，X_j^t为第t个度量学习任务的第j个样本，如果X_i^t和X_j^t是同类别数据，则Y_ij^t＝-1，否则Y_ij^t＝1；是第t个定量学习任务的非负误差项；M_t是第t个度量学习任务的正半定矩阵；||·||_F代表了矩阵的F范式，b_t表示第t个度量学习任务的距离基准；C是正则化参数；N_t是第t个度量学习任务所对应的样本二元组中的训练示例二元对的下标集合，i和j的范围为1到m；

S4.在S3步骤的基础上，将多个度量学习任务同时训练，构建一个多任务正半定约束优化问题；令M_t＝S₀+S_t，S_t代表着第t个人脸识别任务所独有的距离度量学习矩阵；S₀代表着D个人脸识别任务共享的距离度量学习矩阵，构建一个多任务正半定约束优化问题：

S₀＞＝0,S_t＞＝0,b_t≥1

式中，权值参数μ₀和μ₁用来控制度量学习矩阵S₀和S_t的大小；

S5.采用梯度下降的方法，对S4步骤提出的多任务正半定约束度量学习问题进行求解；

S51.对多任务正半定约束度量学习目标方程进行求导，则可以得到各个变量的梯度，分别如下：

S52.在每一次梯度下降的迭代过程中，利用上式给出的各个变量的梯度表达形式，对需要训练求解的变量S₀、S_t和b_t进行更新；

S53.在每次变量迭代更新之后，修正S₀、S_t为正半定矩阵，和修正b_t大于等于1；

S6.根据S5步骤的梯度下降方法的收敛结果，构建一个基于多任务正半定约束度量学习的K最近邻分类器，用于人脸识别；对于第t个人脸识别任务，构建出一个不基于欧式距离的K最近邻分类器，该分类器所采用的距离度量方程为：

D_t(X_i,X_j)＝(X_i^t-X_j^t)^T(S₀+S_t)(X_i^t-X_j^t)。