[发明专利]一种基于支持向量机的人脸识别方法及系统

说明书

技术领域

本发明涉及人脸识别领域，特别是涉及一种基于支持向量机的人脸识别方法及系统。

背景技术

人脸识别是指利用分析比较人脸视觉特征信息进行身份鉴别的计算机技术。目前，基于支持向量机（Support Vector Machine，SVM）的人脸识别方法发展较为迅速。

所谓支持向量是指那些在间隔区边缘的训练样本点。这里的“机（machine,机器）”实际上是“算法”的含义。在机器学习领域，常把一些算法看做是一个机器。支持向量机建立在统计学习理论的VC维（Vapnik-Chervonenkis Dimension）理论和结构风险最小原理基础上，根据有限的样本信息在模型的复杂性（即对特定训练样本的学习精度）和学习能力（即无错误地识别任意样本的能力）之间寻求最佳折衷，以求获得最好的推广能力。其中，VC维反映了函数集的学习能力，VC维越大则学习机器越复杂（容量越大）。

P.Jonathon Phillips在文章《Support Vector Machines Applied to Face Recognition》中提出将支持向量机（SVM）应用到人脸识别问题中。在该文章提出的方法中，支持向量机首先要学习一个相似性函数，构造样本对，然后通过人脸图像之间的相似性来进行人脸识别。

但是，该方法在构造样本对的过程中存在问题。一方面，该方法会产生大量的训练样本对，可能导致该方法的运行时间过长甚至内存溢出而无法执行。另一方面该方法会产生不平衡数据问题。不平衡数据问题是指，由于人脸识别问题的特殊性，会出现相似样本对和不相似样本对之间的极大不平衡，这会在很大程度上影响支持向量机的性能。

发明内容

本发明的目的是提供一种基于支持向量机的人脸识别方法及系统，能够减少训练样本对的数目，同时使相似样本对和不相似样本对的数目保持平衡，进而可以在保证快速采样的前提下提高人脸识别的效率。

为实现上述目的，本发明提供了如下方案：

一种基于支持向量机的人脸识别方法，包括：

获取人脸样本训练集的步骤：所述人脸样本训练集中包含有多个类别的人脸样本集合，每个类别的人脸样本集合中包含多个人脸样本；

选取同类样本和异类样本的步骤：对于所述人脸样本训练集中的每一个人脸样本，随机选取k个与该人脸样本属于同一个类别的人脸样本作为同类样本，随机选取k个与该人脸样本属于不同类别的人脸样本作为异类样本；

生成差样本对集合的步骤：根据所述同类样本和所述异类样本生成差样本对集合；所述差样本对集合中，对于所述人脸样本训练集中的每一个人脸样本，均有2k个同类差样本对，以及2k个异类差样本对；

生成分类模型的步骤：对于所述差样本对集合，采用支持向量机训练得到相似性判断模型，根据所述相似性判断模型得到分类模型；

人脸识别的步骤：采用所述分类模型进行人脸识别。

可选的，所述采用支持向量机训练得到相似性判断模型，包括：

采用核函数为高斯径向基函数的支持向量机训练得到所述相似性判断模型。

可选的，所述生成差样本对集合之前，还包括：

对所述人脸样本训练集中的各个样本进行随机降维，各个样本降维后的维数相同；

采用降维后的人脸样本生成差样本对集合；

相应的，采用所述分类模型进行人脸识别时，包括：

对待识别人脸样本进行随机降维，降维后的所述待识别人脸样本的维数与降维后的人脸样本的维数相同。

可选的，所述采用所述分类模型进行人脸识别，包括：

获取待识别人脸样本；

分别从所述人脸训练集每一类别的样本集合中随机选取k个人脸样本，生成2k个待识别差样本对，得到待识别差样本对集合；

利用所述分类模型对所述待识别差样本对集合进行分析，得到所述待识别人脸样本与所述人脸训练集中每一类的相似性概率；

根据所述相似性概率，确定所述待识别人脸样本归属的类别。

可选的，所述方法还包括：

重复执行选取同类样本和异类样本的步骤和生成差样本对集合的步骤，得到多个相似性判断模型，根据所述多个相似性判断模型得到分类模型；

相应的，所述利用所述分类模型对所述待识别差样本对集合进行分析，包括：

利用所述多个相似性判断模型对所述待识别差样本对集合进行分析，得到多个所述待识别人脸样本与所述人脸训练集中每一类的相似性概率；

对多个所述相似性概率求平均值，得到平均相似性概率；