基于Sigmoid函数的人脸识别方法
【技术领域】
[0001] 本发明涉及人脸识别方法，具体涉及一种基于Sigmoid函数的人脸识别方法。
【背景技术】
[0002] 随着社会的发展和科技的进步，人们对于人脸识别的研究越来越重视。在众多基 于生物信息的身份鉴别技术中，由于基于人脸特征的识别具有无侵犯性、低成本和较好的 隐蔽性等优点，它在身份验证、安全监测和人机交互等应用中发挥着不可替代的作用。
[0003] 人脸识别系统是一个复杂而庞大的系统，它处理的对象是来自动态视频序列的图 像或者静态的人脸与场景图像。人脸识别的目的是将不明身份的一张或多张人脸图像与 数据库中明确身份的人脸图像进行对比，进而确定二者是否来自同一个人。人脸识别可以 被看成一个典型的分类任务。在实际中，通常并不直接利用图像像素作为人脸图像特征， 而是使用更为有效的特征来表示人脸图像数据，如局部二值模式（LBP)或者卷积神经网络 (CNN)输出的特征。在训练的过程中，通过最小化分类误差，为每个身份得到一个预测的模 型；在预测的过程中，将待确认身份的人脸图像特征输入到这些已知身份的预测模型进行 身份的预测。
[0004] 由于在获取人脸图像数据的过程中会受到背景、姿态和光照等因素的影响，图像 数据中的噪声和野点将对人脸识别的性能带来很大的困难。如何提高身份预测模型的准确 性和鲁棒性是一个亟待解决的重要问题。0-1损失目标通过最小化错误分类的数目进行预 测模型的建立，并被证实是一种对野点鲁棒的方法。然而由于它是NP hard的问题，很难 直接进行优化求解。近年来，涌现出很多研究工作，致力于寻求具有较好计算性质的替代损 失函数。例如，专利申请CN 103208007A和CN 103530657A均在支持向量机的框架下使用 hinge损失函数作为0-1损失函数凸的替代函数。尽管，hinge损失函数可以通过高效的计 算达到全局的优化，它并不对野点具有鲁棒性，而且它并不是一个光滑的函数。
【发明内容】
[0005] 本发明主要针对人脸识别问题。本发明所要解决的技术问题是探索Sigmoid函 数，这一光滑可微的0-1损失函数的近似函数，进而提出了一种基于Sigmoid函数的人脸识 别方法。
[0006] 为了实现上述目的，本发明采用以下技术方案：基于Sigmoid函数的人脸识别方 法，其特征在于，包括以下步骤：
[0007] 步骤1对人脸训练图像进行预处理，并提取人脸图像的特征（LBP局部二值模 式）；
[0008] 步骤2对人脸预测模型进行建立；步骤2包括以下步骤：
[0009] 步骤 2. 1，设定 k = 1
[0010] 步骤2. 2,从训练集中采样N+个属于第k个身份的样本丨以及N个不属 于第k个身份的样本
，它们的标签分别是y = 1和y = -1。确定优化的 目标函数为
[0011]
[0012] 并随机初始化W，设定梯度下降的速率η，最大迭代优化次数τ，以及容许的目标 函数值的最小变化e;
[0013] 步骤2. 3,计算目标函数关于当前％的梯度值
[0014] 步骤 2.4，更新％|，
[0015]
[0016] 步骤2. 5,判断迭代次数是否小于T，判断更新后的使目标函数值的变化是否大 于e ;如果没有达到收敛条件，则回到步骤2. 3 ;
[0017] 步骤2.6，存储第1^个身份的预测模型&〇^%);
[0018] 步骤2. 7,设定k = k+Ι，重复执行步骤2. 2-步骤2. 6,直到获得所有K个身份的预 测模型{??,?，wK)}。
[0019] 步骤3,将待确认身份的人脸图像进行如步骤1所述的处理，得到高效的人脸图像 识别特征；
[0020] 步骤4,将待确认身份的图像特征依次输入K个身份的预测模型R1 (X，W1),…， fK (X，wK) }，得到K个身份的预测得分；取最大得分所对应的身份信息作为最终的确认身份， 完成人脸识别任务。
[0021] 本发明的有益效果在于：提出了一种基于Sigmoid函数的人脸识别算法，具体为：
[0022] (1)与以往使用均方、hinge和log损失函数替代0-1损失函数度量分类误差不 同，本发明在人脸识别预测模型的建立中，直接使用近似的0-1损失函数进行分类误差的 度量。
[0023] (2)本发明使用改进的Sigmoid函数来近似0-1损失函数。通过调整参数λ，可 以控制近似的精确程度。当λ - + ^时，改进的Sigmoid函数将等价于(K1损失函数。
[0024] (3)由于0-1损失函数对野点具有鲁棒性，改进的Sigmoid函数在趋近于0-1损失 函数的同时，也将获得对野点的鲁棒性。
[0025] 下面结合附图和【具体实施方式】对本发明做进一步的描述。
【附图说明】
[0026] 图1为不同损失函数的曲线图。
[0027] 图2为不同参数下的Sigmoid函数对0-1损失函数的近似曲线图。
[0028] 图3为本发明的人脸识别方法流程图。
【具体实施方式】
[0029] 基于Sigmoid函数的人脸识别方法，包括以下步骤：预处理训练集中的人脸图像， 并提取高效的人脸图像特征；将训练数据输入到以改进的Sigmoid函数为损失函数的目标 函数进行训练，得到所有身份的预测模型；提取待确认身份的人脸图像特征，并计算其对应 所有身份的预测得分，取最大得分所对应的身份信息作为最终的确认身份。具体为，
[0030] (1)对人脸训练图像进行预处理，并提取人脸图像的特征（LBP局部二值模式）；
[0031] (2)对人脸预测模型进行建立；
[0032] 假设每幅人脸图像可由向量X S 30表示，训练图像集中的图像来自K个身份。接 下来，以第k个身份的预测模型建立为例进行介绍。考虑线性的预测函数，第k个身份的预 测模型定义如下：
[0033]
[0034] 其中Wiil € Me是判别向量。如果fk (X，Wk)彡0，则图像X是第k个身份；反之，则 不是第k个身份。假设训练集包含N+个属于第k个身份的样本以及N个不属 于第k个身份的样本
，它们的标签分别是y = 1和y =-1，那么yifk(Xi， wk) < 〇表示样本Xi被错误分类，而y ifkUi，?彡0表示样本被正确分类。理想的判别向 量_|可以通过求解下述问题获得，
[0035]
[0036] 其中，损失函数^(7;/&(?冰&))定义为关于Yif kUi, wk)的方程，R(Wk)是正则子，通 常取IN%曝或者I IwkI I1, C > 0是控制正则强度的参数。常见的损失函数选取为，[0037]
[0038]
[0039]
[0040]
[0041] 其中，1|>1是指示函数，如果参数是真的，则值为1 ;反之，值为0。由于0-1损失函 数不受错误分类点的yifk(Xl，wk)值的影响，它对野点具有鲁棒性，但是也使得它成为非凸 的函数；由于凸的均方、hinge和log损失函数对错误分类点的惩罚受到YifkUi, wk)值的 影响，它们对野点不具备鲁棒性，见图1。
[0042] 不光滑、不可微的0-1损失函数可以使用一个光滑可微的函数近似。通过对 Sigmoid函数进行变形，0-1损失函数可以近似为，
[0043]
[0044] 其中参数λ控制着光滑程度和近似程度。如图2,注意到，当λ -+ c?时，
[0045] 至此，以线性的预测函数和正则函数g为例，可以得到基于Sigmoid函数的 人脸识别训练模型，
[0046]
[0047] 由于目标方程关于Wk是光滑可微的，我们可以利用梯度下降的方法进行求解。在 每一次的迭代过程中，使用下式对进行更新，直到收敛
[0048] 其中；
：是目标方程关于W1^梯度，η控制梯度下降的速率。
[0049] 使用相同的方法依次完成对所有身份的预测模型的建立，可以得到K个身份的预 测模型{??,?，
[0050] (3)人脸识别
[0051] 人脸识别的过程与人脸预测模型建立的过程类似。将待确认身份的人脸图像进行 如步骤1所述的处理，得到高效的人脸图像识别特征。然后将图像特征依次输入到K个身 份的预测模型If 1(X^1),…，^(^%)}，进而得到K个身份的预测得分。取最大得分所对 应的身份信息作为最终的确认身份。
【主权项】
1. 基于Sigmoid函数的人脸识别方法，其特征在于，包括以下步骤： 步骤1对人脸训练图像进行预处理，并提取人脸图像的特征； 步骤2建立人脸预测模型； 步骤3,将待确认身份的人脸图像进行如步骤1所述的处理，得到高效的人脸图像识别 特征； 步骤4,将待确认身份的图像特征依次输入K个身份的预测模型，得到K个身份的预测 得分；取最大得分所对应的身份信息作为最终的确认身份，完成人脸识别任务。2. 根据权利要求1所述的基于Sigmoid函数的人脸识别方法，其特征在于，步骤2包括 以下步骤： 步骤2. 1，设定k = 1 步骤2. 2,从训练集中采样N+个属于第k个身份的样本Rf WvJ以及N个不属于第 k个身份的样本它们的标签分别是y = 1和y = -1 ;确定优化的目标 函数为并随机初始化《，设定梯度下降的速率η，最大迭代优化次数T，以及容许的目标函数 值的最小变化e; 步骤2. 3,计算目标函数关于当前％的梯度值 步骤2.4,更新:觀&步骤2. 5,判断迭代次数是否小于Τ，判断更新后的bf使目标函数值的变化是否大于 e ;如果没有达到收敛条件，则回到步骤2. 3 ; 步骤2. 6,存储第k个身份的预测模型fk (X，wk); 步骤2. 7,设定k = k+1，重复执行步骤2. 2-步骤2. 6,直到获得所有K个身份的预测模 型{fjx，W1)，…，fK(X，WK)} 〇
【专利摘要】本发明公开了一种基于Sigmoid函数的人脸识别方法，该方法包括以下步骤：预处理训练集中的人脸图像，并提取高效的人脸图像特征，如局部二值模式(LBP)；将训练数据输入到以改进的Sigmoid函数为损失函数的目标函数进行训练，得到所有身份的预测模型；提取待确认身份的人脸图像特征，并计算其对应所有身份的预测得分，取最大得分所对应的身份信息作为最终的确认身份。与以往使用均方、hinge和log损失函数替代0-1损失函数度量分类误差不同，本发明在人脸识别预测模型的建立中，使用改进的Sigmoid函数来近似0-1损失函数。通过调整参数，可以控制近似的精确程度。改进的Sigmoid函数在趋近于0-1损失函数的同时，将获得对野点的鲁棒性。
【IPC分类】G06K9/62, G06K9/00
【公开号】CN105160336
【申请号】CN201510688631
【发明人】陶大鹏
【申请人】云南大学
【公开日】2015年12月16日
【申请日】2015年10月21日