基于粗糙集和集成学习的人脸识别方法
【专利摘要】本发明公开了一种基于粗糙集和集成学习的人脸识别方法。其步骤为：1.提取人脸图像并预处理，产生决策表；2.对决策表进行属性约减，得到最佳属性约减空间；3.从最佳属性约减空间中随机选择一组最佳属性约减组合并保存；4.计算最佳属性约减组合中每一个条件属性的依赖度值；5.根据依赖度值缩小约减空间；6.从缩小的约减空间中选择一组最佳属性约减组合并保存；7.判断保存的最佳属性约减组合的数量是否达到预先设定的值，若是，则返回4.，否则，用保存的最佳属性约减组合训练基本分类器，识别人脸图像。本发明通过对人脸图像的属性约减，提高了人脸图像的识别率和稳定性。可用于反恐安全、案件调查取证及商业、个人隐私保密。
【专利说明】基于粗糙集和集成学习的人脸识别方法
【技术领域】
[0001] 本发明图像处理【技术领域】，特别涉及一种人脸识别方法，可用于反恐安全、案件调 查取证及商业、个人隐私保密。
【背景技术】
[0002] 近几十年以来，人脸识别技术逐渐成为图像处理、模式识别等领域的研究热点。人 脸识别技术是根据人的面部特征进行身份鉴定的一种生物特征识别技术，由于人脸特征是 人类自身拥有，且很难伪造和窃取，再加上识别时不需要直接接触、不易被人察觉的优势， 因此其在反恐安全、案件调查取证及商业和个人隐私保密领域都有着广泛应用。学术界以 及工业界越来越重视人脸识别技术的研究，它是目前生物特征识别中可行性、可靠性和准 确性等专业技术指标中数值较高的技术。
[0003] 人脸识别方法易受到周围光线，人体面部被头发、饰物遮挡，人年纪增长面部衰老 等多方面因素的影响。传统的基于单个支持向量机SVM的人脸识别方法，试图使得分类器 在经验风险和泛化能力上达到一种妥协，进而提高分类器的性能。单个SVM分类器在有大 量训练样本的情况下，能获得较好的识别性能，但在实际应用中，获得大量的训练样本往往 是不现实的。
[0004] 集成学习通过把多个单个分类器的分类结果进行某种组合来决定最终的分类，以 取得比单个分类器更好的性能。典型的集成学习方法包括Bagging, Adaboost和Random subspace，他们采用不同的策略产生用于训练基本分类器的训练集。Bagging方法中训练基 本分类器需要的训练集是由原始训练集中随机抽取一定数量的样本组成；Adaboost方法 根据每次基本分类器对训练集中每个样本的分类结果，及上次总体分类的准确率，对每个 样本的权值进行调整，降低被基本分类器分类正确的样本的权值，提高被基本分类器分类 错误的样本的权值，以此通过改变每个样本的权值产生新的训练集；Random subspace方法 从原始训练集中随机选择不同的属性组成新的训练集。
[0005] 上述集成学习方法由于均没有较好的考虑人脸样本中属性之间的关系，也没有对 人脸特征进行有效地提取，因此不能获得较好的人脸识别效果。
【发明内容】
[0006] 本发明的目的在于针对上述已有技术的不足，提出了一种基于粗糙集和集成学习 的人脸识别方法，提高人脸识别率。
[0007] 本发明的技术思路是：从人脸图像中提取多组有利于分类的特征，并确保在没有 大量训练样本的情况下，通过集成若干个基本分类器，提高对人脸的识别率。
[0008] 根据上述思路，本发明的技术方案包括如下步骤：
[0009] (1)人脸图像预处理：
[0010] (Ia)从标准人脸库中获取T幅人脸图像，并将其划分成N幅训练样本图像和M幅 测试样本图像，其中T彡2, N彡1，M彡1，N+M = T ;
[0011] (Ib)为训练样本图像建立决策表S，它是一个NXL矩阵，每一行代表一幅人脸图 像，每一列代表人脸图像的一个属性特征，其中L>2,前L-I列表示图像的条件属性，第L列 表示图像的决策属性；
[0012] (2)对决策表S进行属性约减，产生多组最佳属性约减组合，用这些最佳属性约减 组合构成一个最佳属性的约减空间K = U1, ..，Ai, ..，AJ，其中Ai为第i组最佳属性约减组 合，i = 1，? ? ?，z，z 彡 2，Ai = Ic1, ? ?，Cj, ? ?，cj ,Cj 为图像的第 j 个条件属性，j = 1，? ? ?，n， l<n<L ；
[0013] (3)从最佳属性约减空间中，随机选择一组最佳属性约减组合，并保存。
[0014] (4)计算最新保存的最佳属性约减组合中每一个条件属性的依赖度值公式：
【权利要求】
1. 一种基于粗糙集和集成学习的人脸识别方法，包括如下步骤： (1) 人脸图像预处理： (la) 从标准人脸库中获取T幅人脸图像，并将其划分成N幅训练样本图像和M幅测试 样本图像，其中T彡2,N彡1，M彡1，N+M=T; (lb) 为训练样本图像建立决策表S，它是一个NXL矩阵，每一行代表一幅人脸图像，每 一列代表人脸图像的一个属性特征，其中L>2,前L-1列表示图像的条件属性，第L列表示图 像的决策属性； (2) 对决策表S进行属性约减，产生多组最佳属性约减组合，用这些最佳属性约减组合 构成一个最佳属性的约减空间K= {&，..，化，..，AJ，其中化为第i组最佳属性约减组合， i= 1，…，z，z彡2,Ai={cd? ?，Cj, ? ?，cj，Cj为图像的第j个条件属性，j= 1，…，n， l<n<L； (3) 从最佳属性约减空间中，随机选择一组最佳属性约减组合，并保存； (4) 计算最新保存的最佳属性约减组合中每一个条件属性的依赖度值公式：
，其中rP (Cp为条件属性对P的依赖度值，P为从最佳属性约减组合中 删除条件属性Cj后的属性集，POSP(Cj)为条件属性Cj相对属性集P的正区域，| ? |为" ?" 的势； (5) 找出最大的依赖度值所对应的条件属性Cm，其中me[l，n]，从约减空间K中删除 包含该条件属性cm的最佳属性约减组合，用剩余的最佳属性约减组合构成一个缩小的约减 空间； (6) 从缩小的约减空间中，利用准确-多样评估函数选择一组最佳属性约减组合，并保 存； (7) 判断保存的最佳属性约减组合的数量是否达到预先设定的值：如果数量达不到预 先设定的值，则返回步骤（4)，如果数量达到预先设定的值，则执行步骤（8); (8) 利用保存的每一个最佳属性约减组合构建一个训练样本集，得到重新构建的多组 训练样本集；用每一个训练样本集训练一个基本分类器，利用不同的基本分类器对测试样 本集进行分类，得到不同的分类结果；采用集成学习中的多数投票法融合这些不同的分类 结果，得到测试样本集的最终识别结果。
2. 根据权利要求1所述的基于粗糙集和集成学习的人脸识别方法，其中步骤（lb)所 述的为训练样本图像建立决策表S:是利用MATLAB软件中的reshape函数分别将每一幅 人脸图像转换成一个行向量，每个行向量包含L-1个条件属性，得到N幅人脸图像的一个 NX(L-1)的矩阵A;用N幅人脸图像的决策属性形成一个NX1的列向量B;将得到的矩阵 A与列向量B合并，得到N幅人脸图像的决策表，它是一个NXL矩阵，其中L的具体取值由 人脸图像的大小决定。
3. 根据权利要求1所述的基于粗糙集和集成学习的人脸识别方法，其中所述步骤（2) 中最佳属性约减组合，指训练样本图像的最小属性子集，并且该子集具有原始属性的分辨 能力。
4. 根据权利要求1所述的基于粗糙集和集成学习的人脸识别方法，其中步骤（2)所述 对决策表S进行属性约减，产生多组最佳属性约减组合，是利用RichardJensen编写的嵌 入到weka软件中的模糊粗糙集算法实现。
5. 根据权利要求1所述的基于粗糙集和集成学习的人脸识别方法，其中所述步骤（4) 中条件属性h对P的依赖度值rP (Cp，按如下步骤获得： (4a)训练样本集U={xp. .，xk, . .，xN}，其中xk为第k个样本图像，对于属性集P，计 算不可分辨关系I(P):
其中，c为属性集P中的条件属性，Xl为第1个样本图像，g(xk，c)表示第k个样本图像 的第c个属性所对应的值，g(Xl，c)表示第1个样本图像的第c个属性所对应的值； (4b)根据步骤（4a)得到的不可分辨关系，计算基于属性集P产生的等价类[X]P:[x]P ={xI(xk,xx)GI(P),XGU}； (4c)根据步骤（4b)中得到的等价类，计算属性集P对于样本集X的下近似￡(X)和上 近似
其中，X是基于属性集Ci产生的等价类[.v|(,小表示空集； (4d)根据步骤（4c)中得到的下近似￡(X)，计算条件属性相对属性集P的正区域：POSp(Cj) =U￡(X)。
6. 根据权利要求1所述的基于粗糙集和集成学习的人脸识别方法，其中步骤（6)所述 的从缩小的约减空间中，利用准确-多样评估函数选择一组最佳属性约减组合的方法，按 如下步骤进行： (6a)计算基本分类器的经验损失A6mp(Ft，N):
其中，基本分类器组Ft由多个已确定的分类器和一个基本分类器组成，这些已确定的 分类器是基于保存的最佳属性约减组合训练得到，一个基本分类器是基于缩小的约减空间 中的一个最佳属性约减组合训练得到；at表示基本分类器组Ft中基本分类器的数量，fb (xk) 表示基本分类器组Ft中第b个分类器对第k个人脸图像分类的结果，yk表示第k个人脸图 像的决策属性，其中5为基于缩小的约减空间中的最佳属性约减组合训练的分类 器的总数，bG[l，aJ，kG[1，N]; (6b)计算基本分类器之间的多样性Ddiv(Ft，N):
其中，〇A定义为：如果第r个分类器能正确分类第k幅人脸图像，则0A= 1，否则0A =〇, 〇qk定义为，如果第q个分类器能正确分类第k幅人脸图像，则Oqk = 1，否则Oqk = 0， rG[1,at-l],qG[r+1,at]； (6c)根据步骤（6a)得到的基本分类器的经验损和步骤（6b)得到的基 本分类器之间的多样性Ddiv(Ft，N)，计算缩小的约减空间中每一个最佳属性约减组合的准 确-多样评估函数值： AD(Ft,N) = 1-Aefflp (Ft,N) + ?XDdiv (Ft,N), 其中，w是平衡经验损失和多样性的参数； (6d)选择最大的准确-多样评估函数值所对应的最佳属性约减组合。
7.根据权利要求1所述的基于粗糙集和集成学习的人脸识别方法，其中步骤（8)所述 的利用最佳属性约减组合重新构建训练样本集，按如下步骤进行： (7a)给出一个最佳属性约减组合化={Cl，. .，Cj，. .，cn}，其中Cj为训练样本集的第j个条件属性； (7b)从训练样本集U中删除最佳属性约减组合化中没有出现的属性，得到重新构建的 训练样本集歹=，其中5为第k个样本图像。
【文档编号】G06K9/62GK104408468SQ201410704349
【公开日】2015年3月11日 申请日期:2014年11月26日 优先权日:2014年11月26日
【发明者】焦李成, 郭雨薇, 屈嵘, 王爽, 侯彪, 杨淑媛, 马文萍, 马晶晶, 戎凯旋 申请人:西安电子科技大学