[发明专利]基于PCA与自适应哈希保留集的SVM增量学习算法名称

权利要求书

1.一种基于PCA与自适应哈希保留集的SVM增量学习算法，其特征在于：包括如下步骤；

S1、输入原样本图像集、新增样本图像集、测试图像集，并进行特征提取；

S2、分别对图像特征提取后的原样本图像集、新增样本图像集构建保留集；

S3、SVM分类器分类识别、结果生成；

S4、用SVM分类器对测试图像集进行分类识别。

2.如权利要求1所述的基于PCA与自适应哈希保留集的SVM增量学习算法，其特征在于：图像特征提取中，对原样本图像集、新增样本图像集、测试图像集、采用LBP特征谱的统计直方图作为特征向量，具体步骤如下：

f1、将原样本图像集、新增样本图像集、测试图像集中的每个人脸图像划分为16×16的子图；

f2、对于每个子图中的一个像素，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0，如此，3*3邻域内的8个点经比较可产生8位二进制数，即得到该人脸图像中心像素点的LBP值；

f3、计算每个子图的直方图，即每个数字(假定是十进制数LBP值)出现的频率，然后对该直方图进行归一化处理；

f4、将得到的每个子图的统计直方图进行连接成为一个特征向量，此即为单个人脸图像的LBP纹理特征向量。

3.如权利要求1所述的基于PCA与自适应哈希保留集的SVM增量学习算法，其特征在于：步骤S2中，原样本构建保留集中：

g1、以经图像特征提取后的原样本到超平面的几何距离作为筛选条件构建原样本保留集，几何距离的计算如式(1)：

θ_old为自适应阈值，设D₀为D₊₀和D_-0的并集，原样本图像集经过图像特征提取处后的原样本中正样本到超平面几何距离的集合为D₊₀，负样本到超平面几何距离的集合为D_-0，且集合D₊₀和D_-0中样本按γ_i的升序排列，m和n分别为集合D₊₀和D_-0中样本的总数，γ_+i∈D₊₀，γ_-i∈D_-0，θ_old计算公式如式(2)：

式中，σ₀和σ₁分别为D₀和D₁上的样本总体方差；sim()是新旧样本在特征空间分布的相似度计算函数，定义如下：

g2、当增量样本中出现不满足KKT条件的样本时，从原模型的非支持向量集中保留距离超平面几何距离小于等于θ_old的样本，加入到原模型的保留集中；

g3、使用集合D₊₀和D_-0中靠近超平面1/3处的样本与对应集合中最靠近超平面的样本之间差值的平均来计算θ_old。

4.如权利要求1所述的基于PCA与自适应哈希保留集的SVM增量学习算法，其特征在于：步骤S2中，对新增样本图像集构建保留集具体包括如下步骤：

k1、使用主成分分析法对新增样本图像集经LBP特征提取后的特征向量进行PCA降维处理；

k2、构建新增样本保留集。