[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

说明书

本发明属于人脸识别技术领域，涉及一种面向人脸识别的多任务正半定约束度量学习方法。包括：对多个相似但不同的人脸识别模型同时进行训练；为每个人脸识别度量学习任务构建训练样本二元组；为每个度量学习任务构建一个单任务正半定学习问题；多个单任务度量学习任务转换为多任务形式；利用梯度下降法求解多任务形式的正半定约束优化问题；构建一个面向人脸识别的基于多任务度量学习的K最近邻分类器。本发明能够使同类别人脸图像之间的距离最小化，不同类别人脸图像之间的距离最大化，降低了人脸图像中的特征干扰的影响，可以把不同人脸识别任务的分类模型同时进行学习，利用任务间的相关信息进行分类器的训练，提高人脸识别分类器的预测性能。

技术领域

本发明涉及人脸识别技术领域，更具体地，涉及一种面向人脸识别的多任务正半定约束度量学习方法。

背景技术

随着计算机以及图像识别技术的发展，人脸识别技术得到了世界各个机构的关注，对人脸识别技术的研究应运而生。在过去几十年中，为了提高人脸识别技术的实用性，各机构研究人员提出了各种各样用于人脸识别技术的算法与框架，从而提高了人脸识别分类器的性能。然而，在采集人脸图像的过程中，由于采集环境、采集设备和采集方法没有统一标准，会导致采集出来的人脸图像的质量有高有低，从而使人脸识别分类器的性能无法得到进一步的提高，所以人脸识别在机器学习与数据挖掘领域内仍然是一个富有挑战性的问题。

传统的人脸识别技术中，一般是把采集后的人脸图像的特征提取为计算机可识别的向量，从而进行分类器的训练，然后把这些训练好的分类器用于人脸识别。在这些方法中，一般使用欧式距离公式处理这些人脸图像的距离和相似性。在人脸识别的采集过程中，由于存在年龄，姿势，表情，发型发色，光照，遮挡等不可控的因素，采集出来的人脸图像的特征会受到各式各样的干扰与影响。当采用欧式距离公式计算这些被干扰后的人脸图像的距离和相似性时，计算出来的结果将会与正确结果有偏差。相对于欧式距离公式，度量学习方法能够在类别信息的指导下，让同类别的人脸图像聚集在一起，不同类别的人脸图像远离，从而降低了人脸图像中的特征干扰的影响，训练出一个能够更准确的处理人脸图像之间的距离和相似性的距离度量框架。

另一方面，为了建立一个高精度和高效率的基于度量学习的人脸识别框架，需要大量已经被标记好的人脸图像来进行人脸识别分类器的训练，但是通过人工标记方式来进行标记的人脸图像往往数量很少，如果用来训练的已标记好的人脸图像数量过少，则训练得出来的人脸识别分类器的精度将会不高。但是，使用人工标注的形式对大量人脸图像进行标记的成本又会很高。为了解决训练样本不足的问题，可以把不同人脸识别任务的分类模型同时进行训练，从而利用任务间的相关信息进行分类器的训练，提高各个人脸识别任务的分类性能。因此，如何为这些人脸识别任务建立一个高准确度的多任务正半定约束度量学习分类器是一个急需解决的问题。

发明内容

本发明为克服上述现有技术所述的至少一种缺陷，提供一种面向人脸识别的多任务正半定约束度量学习方法，采用正半定约束度量学习方法，为人脸识别任务构建出一个合适的分类器，并且把相似的人脸识别任务的分类器进行混合训练，把该混合训练问题看成一个多任务分类问题，提高了人脸识别分类器的预测性能。

为解决上述技术问题，本发明采用的技术方案是：一种面向人脸识别的多任务正半定约束度量学习方法，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少量图像，以人工标记的方式，对这些抽取出来的少量图像进行标记，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；多个人脸识别模型的训练过程，可以看出多个相似但不同的度量学习任务的训练过程；

S2.为每个人脸识别任务，即度量学习任务，构建训练样本二元组；

S3.为每个度量学习任务构建一个正半定凸优化问题；

S4.在S3步骤的单任务正半定约束优化问题的基础上，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；