[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

摘要

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。

主权项

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；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；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；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。