基于在线学习支持向量机性别分类的方法
【专利摘要】一种基于在线学习支持向量机性别分类的方法，利用支持向量机算法寻找到原始样本集中的性别样本的最优的分类面；获取测试目标的人脸特征，根据最优分类面对当前人脸特征进行估计并给出其所属性别的结果；计算人脸特征偏离最优分类面的偏离值，将该偏离值大于预设的阈值的人脸特征和对该人脸特征得到的性别分类结果加入到原始样本集形成新的原始样本集并重新计算新的最优分类面，对测试目标的人脸特征进行性别分类估计直到结束。本发明利用在线获取的人脸特征样本对原始样本集进行增量扩充，通过定量更新原始样本集，形成新的支持向量机参数和支持向量，提高了原始样本的鲁棒性，新的样本集提高了对外界环境的泛化能力，能够有更好的性别识别能力。
【专利说明】基于在线学习支持向量机性别分类的方法
【技术领域】
[0001]本发明涉及智能信息处理技术，尤其涉及基于向量机方法的性别分类的方法，特别是一种基于在线学习支持向量机性别分类的方法。
【背景技术】
[0002]现有技术性别识别分类过程中都是基于统计学原理的统计方法进行的。在统计学习过程中都是利用静态学习方法来实现的，也就是通过已经给定的样本进行学习，然后利用学习到的给定样本对未知环境中的情况进行估计和分析，进而得出分析结果。由于性别学习过程中存在大量的样本，人姿态的变化会造成样本本身的多样性和可变性，使得对样本的学习造成一定的困难，或者说难于用一个规定法则来描述所学习到的性别特征，所以，人们将性别学习确定在一定量的样本中进行，针对一定量的小样本学习，支持向量机(support vector machine, SVM)是目前最有效的方法。现有技术基于SVM方法进行性别识别是根据给定的定量静态性别人脸进行学习，针对定量样本的最优分类参数在实际环境中应用。然而，由于环境的未知性和人脸本身特征、姿态的变化使得这些最优参数在应用过程中难免会出现错误或者无法分类的情况，使性别分类器的泛化性受到影响，在实际环境中的鲁棒性不高。
[0003]因此，现有技术还有待于改进和发展。
【发明内容】
[0004]鉴于上述现有技术的不足之处，本发明为解决现有技术的缺陷和不足，提出一种基于在线学习支持向量机性别分类的方法及系统，能够很好的对外界环境中具有一定变化的性别样本进行选择性学习。
[0005]本发明解决技术问题所采用的技术方案如下:
一种基于在线学习支持向量机性别分类的方法，包括如下步骤:
A、将基于性别的人脸特征作为性别样本存储至原始样本集；
B、利用支持向量机算法对原始样本集中的性别样本进行学习和分类，寻找到最优的分类面，并得到原始样本集的支持向量；
C、获取测试目标的人脸并相应提取人脸特征，根据原始样本集的最优分类面对该人脸特征进行估计，同时利用支持向量机算法对该人脸特征进行性别分类；再计算测试目标的人脸特征偏离所述最优分类面的偏离值，并将该偏离值与预设的阈值进行比较，若所述偏离值大于预设的阈值，则将该人脸特征和对该人脸特征得到的性别分类结果作为性别样本加入到原始样本集构成新的样本集，并采用支持向量机算法计算新的样本集的最优分类面，以及得到新的样本集的支持向量；否则进入下一测试目标的人脸特征识别。
[0006]所述步骤A中基于性别的人脸特征包括人脸特征及其性别特征标签。
[0007]所述基于性别的人脸特征中的人脸特征是通过LBP、IDP、Gabor小波变换、PCA降维或Fisher算法来实现人脸特征的表达。[0008]所述步骤B中寻找最优分类面中对于所形成的低维特征空间是采用RBF函数将低维特征空间映射到相应的高维特征空间实现的。
[0009]所述步骤C获取测试目标的人脸并相应提取人脸特征中提取人脸特征是通过LBP、IDP、Gabor小波变换、PCA降维或Fisher算法来实现。
[0010]所述步骤C还进一步包括，当测试目标的数量等于原始样本集中样本的数量二分之一时，则将偏离值大于预设阈值的测试目标的人脸特征和对该人脸特征得到的性别分类结果加入到原始样本集更新为新的原始样本集以扩充原始样本集的样本数量，再根据该更新后的新的原始样本集进行下一测试目标的性别分类。
[0011]与现有技术相比较，本发明采用在线学习的方法将现有技术性别识别分类的静态学习过程改为动态学习过程，利用在线实时获取的人脸特征样本对原始样本集进行增量扩充，在扩充的过程中采用最优参数来对在线实时获取的人脸特征样本进行学习和分类，扩充的新的样本集获取新的最优参数及支持向量，通过定量更新原始样本集，形成新的支持向量机参数和支持向量，扩充了原始样本的鲁棒性，新的样本集提高了对外界环境的泛化能力，能够有更好的性别识别能力。
【专利附图】
【附图说明】
[0012]图1是本发明基于在线学习支持向量机性别分类的方法处理流程图。
【具体实施方式】
[0013]为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0014]本发明方法应用的范围包括在数码产品、智能家庭数字平台以及移动终端中利用摄像设备对人脸进行识别过程中需要进行性别识别的应用场合。利用在线学习的手段将性别识别的静态学习方法改为动态学习，即在进行人脸的性别分类过程中对基于性别的人脸特征的原始样本集进行人脸特征的添加，利用增量的原始样本集来对后续的测试目标的人脸特征进行支持向量机训练，不断提高原始样本集中的样本数量，实现动态学习的功能。本发明中所说的测试目标是指进入产品视域范围的人脸，能够根据人脸进行性别识别。
[0015]图1所示为本发明基于在线学习支持向量机性别分类的方法处理流程图，该处理流程图示出了在线学习的基本过程，其实现步骤如下:
步骤S100，将基于性别的人脸特征作为性别样本存储至原始样本集；
步骤S101，利用支持向量机算法对原始样本集中的性别样本进行学习和分类，寻找到最优的分类面，并得到原始样本集的支持向量；
步骤S102，获取测试目标的人脸并相应提取人脸特征，根据原始样本集的最优分类面对该人脸特征进行估计，同时利用支持向量机算法对该人脸特征进行性别分类；
步骤S103，计算测试目标的人脸特征偏离所述最优分类面的偏离值，并将该偏离值与预设的阈值进行比较；
步骤S104，判断偏离值是否大于预设的阈值，如果大于，执行步骤S105，否则执行步骤S106 ；步骤S105，将该人脸特征作为性别样本加入到原始样本集构成新的样本集，并采用支持向量机算法计算新的样本集的最优分类面，以及得到新的样本集的支持向量；
步骤S106，判断是否有下一测试目标，如有，返回执行步骤S102，否则执行步骤S107 ； 步骤S107，结束。
[0016]下面对以上步骤结合具体实现中采用的算法进行详细阐述本发明方法的实现过程。
[0017]首先如步骤SlOO存储基于性别的人脸特征的性别样本至原始样本集中，获取原始样本集为
【权利要求】
1.一种基于在线学习支持向量机性别分类的方法，其特征在于，包括如下步骤: A、将基于性别的人脸特征作为性别样本存储至原始样本集； B、利用支持向量机算法对原始样本集中的性别样本进行学习和分类，寻找到最优的分类面，并得到原始样本集的支持向量； C、获取测试目标的人脸并相应提取人脸特征，根据原始样本集的最优分类面对该人脸特征进行估计，同时利用支持向量机算法对该人脸特征进行性别分类；再计算测试目标的人脸特征偏离所述最优分类面的偏离值，并将该偏离值与预设的阈值进行比较，若所述偏离值大于预设的阈值，则将该人脸特征和对该人脸特征得到的性别分类结果作为性别样本加入到原始样本集构成新的样本集，并采用支持向量机算法计算新的样本集的最优分类面，以及得到新的样本集的支持向量；否则进入下一测试目标的人脸特征识别。
2.根据权利要求1所述的基于在线学习支持向量机性别分类的方法，其特征在于，所述步骤A中基于性别的人脸特征包括人脸特征及其性别特征标签。
3.根据权利要求2所述的基于在线学习支持向量机性别分类的方法，其特征在于，所述基于性别的人脸特征中的人脸特征是通过LBP、IDP, Gabor小波变换、PCA降维或Fisher算法来实现人脸特征的表达。
4.根据权利要求1所述的基于在线学习支持向量机性别分类的方法，其特征在于，所述步骤B中寻找最优分类面中对于所形成的低维特征空间是采用RBF函数将低维特征空间映射到相应的高维特征空间实现的。
5.根据权利要求1所述的基于在线学习支持向量机性别分类的方法，其特征在于，所述步骤C获取测试目标的人脸并相应提取人脸特征中提取人脸特征是通过LBP、IDP、Gabor小波变换、PCA降维或Fisher算法来实现。
6.根据权利要求1所述的基于在线学习支持向量机性别分类的方法，其特征在于，所述步骤C还进一步包括，当测试目标的数量等于原始样本集中样本的数量二分之一时，则将偏离值大于预设阈值的测试目标的人脸特征和对该人脸特征得到的性别分类结果加入到原始样本集更新为新的原始样本集以扩充原始样本集的样本数量，再根据该更新后的新的原始样本集进行下一测试目标的性别分类。
【文档编号】G06K9/62GK103514454SQ201210373327
【公开日】2014年1月15日 申请日期:2012年9月27日 优先权日:2012年9月27日
【发明者】周龙沙, 邵诗强 申请人:Tcl集团股份有限公司