[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

说明书

本发明公开一种基于PCA与自适应哈希保留集的SVM增量学习算法，其能够针对大规模高维数据的处理和增量学习的问题；包括：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、构建保留集；S3、SVM分类器训练、结果生成；S4、用SVM分类器对测试图像集进行分类识别；本发明方法其能够针对大规模高维数据的处理和增量学习的问题；本发明方法的使用要优于其他改进的SVM增量学习算法的分类速度，并且能够获得较好的分类精度，因此，本发明方法可用于人类的性别分类。

技术领域

本发明具体公开一种基于PCA与自适应哈希保留集的SVM增量学习算法，其能够针对大规模高维数据的处理和增量学习的问题。

背景技术

性别分类可以用作面部识别的预处理步骤，因为它可以减少人的识别之前的候选项数量，从而减少计算时间。成功的性别识别系统在人脸分析领域以及人机交互，监视和安全性等其他基础和高级领域中具有各种应用，因此研究人类的性别分类具有极其重要的现实意义。

发明内容

本发明的目的在于克服现有技术的不足，适应现实需要，提供一种基于PCA与自适应哈希保留集的SVM增量学习算法，其能够针对大规模高维数据的处理和增量学习的问题。

为了实现本发明的目的，本发明所采用的技术方案为：

公开一种基于PCA与自适应哈希保留集的SVM增量学习算法，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。

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。

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)：