[发明专利]基于SAMME.RCW算法的人脸识别优化方法

摘要

基于SAMME.RCW算法的人脸识别优化方法，首先对人脸图像进行特征提取，用图像特征向量，使用SAMME.RCW算法进行识别分类。针对SAMME.R算法的权值调整过程进行修改，在重采样发生时，保证每一类样本的权值不能过小，其也使重采样后的权值调整更加偏向于少数类样本，保证了这些样本的分类效果。SAMME.R算法对弱分类器性能的要求，在各类中分类正确的样本权值大于任一其他类样本的权值，其针对各个类别单独进行正确率的要求。通过对于在重采样时权值分配的修改，保证了每一类样本被选中的概率基本相同，同时保证了少数类和多数类样本在弱分类器中的分类效果。得到最终的强分类器有效提高了人脸识别的准确率。

主权项

1.基于SAMME.RCW算法的人脸识别优化方法，其特征在于：具体而言，首先对人脸图像进行直方图均衡化、特征提取和降维，即利用PCA算法对图像进行特征提取和降维，同时在行与列上对图像矩阵进行降维，进一步降低特征向量的维数，有效降低问题的时间复杂度；用降维后的矩阵数据，使用SAMME.RCW算法进行识别分类；针对SAMME.R算法的权值调整过程进行修改，在重采样发生时，保证每一类样本的权值不能过小，同时，也使重采样后的权值调整更加偏向于少数类样本，保证了这些样本的分类效果；SAMME.R算法对弱分类器性能的要求，在各类中分类正确的样本权值大于任一其他类样本的权值，其针对各个类别单独进行正确率的要求；因此，考虑在重采样的权值分配时，应给予每一类别相同的权值，从而保证各类样本都有相同的概率被选中，多数类样本与少数类样本拥有相同被选中的概率，因此保证了少数类样本的分类结果；同时，还解决了由于权值调整幅度过大导致的重采样问题，不至于某一类样本无法被当前弱分类器选中；通过对于在重采样时权值分配的修改，保证了每一类样本被选中的概率基本相同，同时保证了少数类和多数类样本在弱分类器中的分类效果；由于其本身依旧以SAMME.R算法作为基础，也对本次弱分类器分类错误样本加大权值，使下次分类更加关注于本次错分的样本，从而满足SAMME.R算法的基本原理；流程图见图1，其具体步骤如下：步骤一：数据初始化1.1)对人脸库中的所有图像进行归一化处理，归一化的操作是指先把图像统一大小为32×32灰度值矩阵，得到大小为1024×1的灰度值矩阵，用PCA算法降维得到大小为256×1的矩阵；初始化权值其中m是图像个数,i是样本标号；步骤二：算法流程1、初始化权值2、for t＝1,...,T执行以下(1)‑(6)步；(1)根据当前权重训练弱分类器，并进行分类，h_t:x→y(2)循环计算各类中，分到各类样本的权值和：(a)for k＝1,...,K(b)for j＝1,...,K其中γ_tkj表示第t次迭代中，k类样本被分到j类的比率；判断各类中分类正确的样本权值和是否大于分到其他各类的样本的权值和若满足，继续循环；若不满足，则对权值进行类间归一化并返回步骤(1)重新开始计算；(3)计算伪错误率：(4)置(5)计算权值向量：w_i←w_i·exp(a^(t)·[[h_t(x_i)≠y_i]](6)归一化步骤三：最终强分类器3、其中C(x)为最终生成的强分类器，用于人脸识别分类，输出分类结果；x为输入的人脸头像数据，T为迭代次数，h_t(x)为弱分类器，a^(t)为参数。