[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

说明书

本发明公开了一种基于改进多核学习框架的近红外人脸检测方法，涉及到智能监控、计算机视觉领域。在传统的多核学习(Multiple Kernel Learning,MKL)框架中融入元启发式优化算法来组合内核函数。在既不要求目标函数变化也不需要其梯度估计的情况下，对用于构造基本内核的参数和用于构造复合内核的内核权重这两组参数进行联合优化。经实验研究表明，本发明提出的方法在近红外人脸检测中具有高有效性。为在当前MKL研究中如何确定核函数以及核函数对应的权重系数提供了一种指导并且对人脸检测方法进行了补充。

技术领域

本发明涉及智能监控、计算机视觉领域，具体涉及一种基于改进多核学习框架的近红外人脸检测方法。

背景技术

人脸检测是一个复杂的具有挑战性的图像分类问题，是人脸识别系统中的关键技术，人脸检测的结果直接制约人脸识别的效果。对一张图片进行检测判断是否存在人脸实际上是一个二分类问题，在图像分类以及目标检测领域中最常用的分类器是SVM，但在样本规模较大、特征数较多以及特征在高维度空间分布不平坦时，SVM存在着局限性。为了解决以上问题，多核学习方法被提出，使得不同的特征通过不同的核函数映射到更高维度空间成为可能。

多核学习方法针对不同的特征采取不同的核函数，然后根据不同的特征训练每个核函数的权重系数(贡献值)，将问题转化为选择核参数与核权重系数的最佳组合问题。选出最佳核函数的凸组合，以获得最佳的分类精度。

传统的人脸检测在实际应用中受光线的影响较大。由于近红外人脸对光照变化的不变特性，该技术被应用的场景也越来越多。

所以，如何提高近红外光下人脸检测的准确性是有待解决的问题。

发明内容

为了解决是上述的问题，本发明的目的就在于提高近红外光下人脸检测的效果与准确率，通过改进粒子群优化算法并将改进后的算法融入多核学习框架中，实现内核参数与内核权重系数联合优化，提供一种基于改进多核学习框架的近红外人脸检测方法。

本发明主要的技术方案有两个过程：

S1：模型训练过程；

S2：人脸检测过程；

上述两种过程不可颠倒，必须先训练出近红外光下的人脸模型，才能够进行近红外光下的人脸检测。其中，过程S1的主要步骤如下：

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；本发明中采用LBP与HOG特征，其他特征亦可，但效果不及本发明所采用的两种特征；

S11：初始化粒子群优化算法的参数(种群大小设置为20、学习因子δ₁和δ₂等于2、ω_start为0.9、ω_end为0.4、δ_1init和δ_1end分别为2.5和0.5、δ_2init和δ_2end分别为0.5和2.5、迭代次t_max为5000)，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)，用每个粒子的权重系数将基核组合为合成核，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(即寻找最优的核函数与权重系数的组合)；

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

S14：对终止条件即是否超出种群数量与是否达到迭代次数最大值进行判断，满足则继续往下执行，不满足则跳到步骤S12执行，知道迭代结束，找到最优解(核参数与核权重系数)；

S15：生成最终的合成核，并用合成核进行训练生成模型。