一种基于多个1类支持向量机的人脸相似性识别方法及系统技术方案

本发明专利技术提供一种基于多个1类支持向量机的人脸相似性识别方法及系统。所述方法包括以下步骤。S1、对现有的人脸训练样本集进行处理，获得差样本对，并构造差样本对训练集。S2、对所述差样本对训练集按类别分别进行训练学习，获得1类SVM模型系数，并通过所述模型系数获得超球体半径rc。S3、获取任意两个测试样本的测试差样本对，并根据所述测试差样本对及超球体半径计算相似性判别模型，以判断所述任意两个测试样本的相似性。

【技术实现步骤摘要】

本专利技术属于人脸识别领域，具体涉及一种基于多个1类支持向量机的人脸相似性识别方法及系统。
技术介绍
以人脸识别为代表的生物特征识别一直是研究关注的焦点，这是由于人脸是一个信息丰富的模式集合，是人类互相判别、认识、记忆的主要标志。人脸识别在计算机视觉、模式识别、多媒体技术研究中占有重要的地位，因此人脸识别技术是模式识别与机器视觉领域最有挑战性的研究课题之一。人脸识别的主要工作，就是将现实空间的人脸图像映射到机器空间，并采取某种表示方式(如人脸的几何特征、代数特征和变换系数等)尽可能完整而准确地描述人脸。将待识别的人脸与已知人脸进行比较，根据相似程度对人脸的身份信息进行判断。这一过程又分为两类：一类是确认(Verification)，是一对一进行图像比较的过程。另一类是辨认(Identification)，是一对多进行图像匹配对比的过程。根据对人脸不同的特征表示，分类器选择也不同。目前人脸识别的基本方法主要有：整体匹配方法、基于局部特征的匹配方法和两者混合的方法。一般的模式识别问题中，样本具有类别少，每类样本多的特点；然而在人脸识别问题中，样本的种类很多，而每一类的样本数量较少。P.Jonathon Phillips在文章“Support Vector Machines Applied to Face Recognition”中提出将支持向量机(SVM)应用到人脸识别问题中。在该方法中，支持向量机首先要学习一个相似性函数，通过人脸图像之间的相似性来进行人脸识别。该方法采用了差空间(difference space)的样本对生成方式，即通过计算两个人脸图像的差异，将人脸识别转变为两类问题：相似或不相似。差空间是生成样本对的常用方法。该方法中，若原始样本个数为n，则差空间的样本个数是n2。所以在Phillips的实验中，会产生大量的训练样本，从而导致算法的运行时间过长甚至内存溢出而无法执行。由于人脸识别问题的样本种类繁多，而每一类的样本数量少这一特殊性，会出现相似样本对和不相似样本对之间的极大不平衡，即不相似样本数量远多于相似样本的个数，并且大量的训练的数据样本会导致时间冗长以及内存溢出问题，在很大程度上影响了支持向量机的性能。鉴于此，本专利技术提供一种基于多个1类支持向量机的人脸相似性识别方法，以解决上述问题。
技术实现思路
本专利技术提供一种基于多个1类支持向量机的人脸相似性识别方法，包括以下步骤。S1、对现有的人脸训练样本集进行处理，获得差样本对，并构造差样本对训练集；S2、对所述差样本对训练集按类别分别进行训练学习，获得1类SVM模型系数，并通过所述模型系数获得超球体半径rc；S3、获取任意两个测试样本的测试差样本对，并根据所述测试差样本对及超球体半径计算相似性判别模型，以判断所述任意两个测试样本的相似性。优选的，步骤S1中所述的人脸训练样本集为{(x1,v1),…,(xi,vi),…,(xn,vn)本文档来自技高网...

【技术保护点】
一种基于多个1类支持向量机的人脸相似性识别方法，其特征在于，包括以下步骤：S1、对现有的人脸训练样本集进行处理，获得差样本对，并构造差样本对训练集；S2、对所述差样本对训练集按类别分别进行训练学习，获得1类SVM模型系数，并通过所述模型系数获得超球体半径rc；S3、获取任意两个测试样本的测试差样本对，并根据所述测试差样本对及超球体半径计算相似性判别模型，以判断所述任意两个测试样本的相似性。

【技术特征摘要】
1.一种基于多个1类支持向量机的人脸相似性识别方法，其特征在于，
包括以下步骤：
S1、对现有的人脸训练样本集进行处理，获得差样本对，并构造差样本
对训练集；
S2、对所述差样本对训练集按类别分别进行训练学习，获得1类SVM模
型系数，并通过所述模型系数获得超球体半径...

【专利技术属性】
技术研发人员：张莉，卢星凝，王邦军，陶志伟，李凡长，杨季文，
申请(专利权)人：苏州大学，
类型：发明
国别省市：江苏;32