[发明专利]一种基于改进多核学习框架的近红外人脸检测方法

权利要求书

1.一种基于改进多核学习框架的近红外人脸检测方法，其特征包括如下步骤：

A.使用正负样本训练模型；

S10：采用近红外光下的人脸数据集作为训练样本，对训练样本进行归一化处理，然后提取人脸特征；

S11：初始化粒子群优化算法的参数，随机生成初始种群并且初始化粒子的初始速度与初始位置；

S12：计算每个粒子的适应值，即核权重系数，用每个粒子的核参数构造基核，然后将基核按权重组合成合成核，求出单个粒子所经历过的最优位置与整个种群所经历过的最优位置；

S13：更新每个粒子的速度与位置，判断是否超出范围，超出则重新确定粒子速度与位置；

S14：对终止条件进行判断，不满足终止条件，则跳到步骤S12执行，若满足则迭代结束，找到最优解，即找到核参数与核权重；

S15：使用最优解构造最终基核与合成核，并用最终的合成核训练分类器，得到最终分类模型；

B.读入监控画面，获取包含人脸信息的图片；

C.对获取的图片进行预处理；

D.对输入的图片进行人脸检测；

E.将检测到的人脸标记输出到监控画面。

2.根据权利要求1所述的一种基于改进多核学习框架的近红外人脸检测方法，其特征在于：所述步骤S13中，更新每个粒子的速度与位置具体为：

速度的更新公式如下：

v_i(t+1)＝ωv_i(t)+δ₁r₁[p_i-x_i(t)]+δ₂r₂[g-x_i(t)](1)

位置的更新公式如下：

x_i(t+1)＝x_i(t)+v_i(t+1)(2)

其中，t表示当前的迭代次数；x_i(t)为粒子i的当前迭代的位置；v_i(t)为粒子i的当前迭代的速度；ω为惯性权重，代表粒子保持自身运动的趋势；δ₁、δ₂分别为自我认知的学习因子与社会认知的学习因子，前者表示粒子对在整个搜索过程中对自身所经历过的最优位置的学习能力，后者表示整个种群对在整个搜索过程中所经历过的最优位置的学习能力；r₁、r₂为[0，1]区间内的随机数，ω用来平衡局部搜索与全局搜索，即当ω较大时局部搜索能力较弱而全局搜索能力较强，当ω较小是则反之。

3.根据权利要求1所述的一种基于改进多核学习框架的近红外人脸检测方法，其特征在于：所述步骤S13中，判断是否超出范围，超出则重新确定粒子速度与位置，具体为：如果粒子超出了它的速度与位置的范围，则根据(4)和(5)重新更新粒子当前的速度与位置，

4.根据权利要求1所述的一种基于改进多核学习框架的近红外人脸检测方法，其特征在于：所述步骤S12，具体为：

估计合成核与理想核的相似性，然后找到每个粒子的最佳相似性，直到当前迭代；为了在PSO运算的开始阶段具有较强的自我学习能力，减缓寻优速度，加强全局寻优能力，避免局部最优保证有效收敛，使寻优过程更容易找到全局最优解，自适应惯性权重以及可变学习因子采用以下公式计算，自适应惯性权重以及可变学习因子采用以下公式计算；

其中，t代表迭代次数；t_max为最大迭代次数；ω_start为迭代开始时的初始权重值，同时也是权重的最大值；ω_end为结束迭代的权重值，同时也是权重的最小值；δ_1init和δ_1end分别表示学习因子δ₁的初始值与停止值，同理δ_2init和δ_2end表示δ₂的初始值与停止值。

5.根据权利要求1所述的一种基于改进多核学习框架的近红外人脸检测方法，其特征在于：所述步骤B具体为：在近红外光下，摄像头采集监控画面，读入监控画面，获取包含人脸信息的图片。