專利名稱：分類器訓(xùn)練方法和裝置以及人臉認(rèn)證方法和裝置的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及人臉識(shí)別技術(shù)，特別涉及用于人臉認(rèn)證的一種分類器訓(xùn)練方法和一種分類器訓(xùn)練裝置、以及一種人臉認(rèn)證方法、一種人臉認(rèn)證裝置。

背景技術(shù)：
人臉認(rèn)證是人臉識(shí)別技術(shù)的一個(gè)分支，人臉認(rèn)證過程就是在被認(rèn)證對(duì)象聲明自己的身份后，調(diào)用預(yù)先訓(xùn)練得到的分類器、并利用該分類器對(duì)被認(rèn)證對(duì)象的人臉圖像與人臉模型是否匹配進(jìn)行識(shí)別，以判定被認(rèn)證對(duì)象是否與其所聲明身份一致。
現(xiàn)有的上述人臉認(rèn)證方式中所使用的分類器，是利用人臉圖像中的全局特征訓(xùn)練得到的一個(gè)完整分類器，相應(yīng)地，利用該分類器的識(shí)別過程也是通過提取人臉圖像的全局特征來實(shí)現(xiàn)的，然而，基于人臉圖像全局特征的該人臉認(rèn)證方式，對(duì)人臉局部特征的利用十分有限，而相比于人臉全局特征，人臉局部特征卻更能夠體現(xiàn)人臉中的豐富細(xì)節(jié)。
因此，現(xiàn)有基于人臉圖像全局特征的人臉認(rèn)證方式，會(huì)由于忽略大量人臉局部特征而導(dǎo)致人臉認(rèn)證的準(zhǔn)確度不高。


發(fā)明內(nèi)容
有鑒于此，本發(fā)明提供了用于人臉認(rèn)證的一種分類器訓(xùn)練方法和一種分類器訓(xùn)練裝置、以及一種人臉認(rèn)證方法、一種人臉認(rèn)證裝置，能夠提高人臉認(rèn)證的準(zhǔn)確度。
本發(fā)明提供的一種用于人臉認(rèn)證的分類器訓(xùn)練方法，包括 a、將各樣本圖像按照臉部特征點(diǎn)位置對(duì)齊并歸一化； b、從對(duì)齊歸一化后的各樣本圖像中提取特征向量、并將對(duì)齊歸一化后的所有樣本圖像劃分為相互交疊的若干子區(qū)域； c、分別以相同人臉的各樣本圖像在每一子區(qū)域內(nèi)特征向量差的絕對(duì)值為該子區(qū)域的正樣本特征、以不同人臉的各樣本圖像在每一子區(qū)域內(nèi)的特征向量差的絕對(duì)值為該子區(qū)域的反樣本特征，為每一子區(qū)域訓(xùn)練一個(gè)子區(qū)域分類器，所述子區(qū)域分類器可依據(jù)各樣本圖像在該子區(qū)域內(nèi)的特征向量的差，輸出表示各樣本圖像屬于同一人臉的置信度； d、以所有子區(qū)域分類器針對(duì)相同人臉的各樣本圖像輸出的置信度為正樣本特征、以所有子區(qū)域分類器針對(duì)不同人臉的各樣本圖像輸出的置信度為反樣本特征，訓(xùn)練得到一個(gè)綜合分類器，所述綜合分類器可依據(jù)表示各樣本圖像屬于同一人臉的置信度，輸出各樣本圖像是否屬于同一人臉的分類結(jié)果。
所述步驟c針對(duì)每一子區(qū)域執(zhí)行如下步驟 c0、給定該子區(qū)域的樣本集LB＝{(xi，yi)}，xi∈X、xi為特征向量差的絕對(duì)值構(gòu)成的樣本特征、X為包含所有n個(gè)特征向量差的絕對(duì)值構(gòu)成的樣本特征的特征向量，yi為樣本標(biāo)識(shí)、yi∈{+1，-1}，n為所述正反樣本總數(shù)目； c1、設(shè)置每個(gè)樣本特征xi的初始權(quán)重
c2、進(jìn)行T輪迭代，其中，在第t輪迭代過程中，先依據(jù)以樣本特征xi取值為橫坐標(biāo)、以樣本特征xi的權(quán)重累積值為縱坐標(biāo)的第t輪離散分布Dt為每個(gè)樣本特征xi構(gòu)造一弱分類器ht(xi)，然后從設(shè)定的所有弱分類器中選擇可使正反樣本分類誤差最小的一個(gè)作為第t次迭代的最優(yōu)弱分類器ht(X)，再分別利用每個(gè)樣本特征xi的弱分類器ht(xi)更新該樣本特征xi下一次迭代的權(quán)重，T為預(yù)先設(shè)定的迭代次數(shù)； c3、利用T次迭代得到的所有最優(yōu)弱分類器ht(X)計(jì)算得到該子區(qū)域表示所述置信度的所述子區(qū)域分類器
所述步驟c2在第t次迭代過程中包括如下步驟 c20、將第t輪離散分布Dt上的特征取值空間劃分為m個(gè)互不相交的區(qū)間； c21、統(tǒng)計(jì)每一區(qū)間Xj內(nèi)出現(xiàn)正樣本特征的概率

以及每一區(qū)間Xj內(nèi)出現(xiàn)反樣本特征的概率

j大于等于1且小于等于m； c22、將每一區(qū)間Xj內(nèi)的每一樣本特征xj的弱分類器ht(xj)設(shè)定為

ε為避免W-1j為0時(shí)引起數(shù)字溢出的預(yù)定系數(shù)； c23、從所有弱分類器中選擇分類誤差上界最小的一個(gè)作為第t次迭代的最優(yōu)弱分類器ht(X)，其中，弱分類器ht(xj)的分類誤差上界
c24、通過計(jì)算

來更新每個(gè)樣本特征xi下一次迭代的權(quán)重Dt+1(i)。
所述步驟d包括 d0、給定綜合樣本集Lp＝{(x′p，y′q)}，x′p∈X′、x′p為所述屬于同一個(gè)人臉的置信度構(gòu)成的樣本特征、X′為包含所有N個(gè)所述屬于同一個(gè)人臉的置信度所構(gòu)成樣本特征的特征向量，y′p為樣本標(biāo)識(shí)、y′p∈{+1，-1}，N為所述子區(qū)域的總數(shù)； d1、設(shè)置每個(gè)樣本特征x′p的初始權(quán)重
d2、進(jìn)行R輪迭代，其中，在第r輪迭代過程中，先依據(jù)以樣本特征x′p取值為橫坐標(biāo)、以樣本特征x′p的權(quán)重累積值為縱坐標(biāo)的第r輪離散分布Dr為每個(gè)樣本特征x′p構(gòu)造一弱分類器hr(x′p)，然后從設(shè)定的所有弱分類器中選擇可使正反樣本分類誤差最小的一個(gè)作為第r次迭代的最優(yōu)弱分類器hr(X′)，再分別利用每個(gè)樣本特征x′p的弱分類器hr(x′p)更新該樣本特征x′p下一次迭代的權(quán)重，R為預(yù)先設(shè)定的迭代次數(shù)； d3、利用R次迭代得到的所有最優(yōu)弱分類器hr(X′)計(jì)算得到表示所述分類結(jié)果的所述綜合分類器

b為預(yù)定的置信度閾值，sign()為表示

是否大于b的符號(hào)函數(shù)。
所述步驟d2在第t次迭代過程中包括如下步驟 d20、將第r輪離散分布Dr上的特征取值空間劃分為Q個(gè)互不相交的區(qū)間； d21、統(tǒng)計(jì)每一區(qū)間X′q內(nèi)出現(xiàn)正樣本特征的概率

以及每一區(qū)間X′q內(nèi)出現(xiàn)反樣本特征的概率

q大于等于1且小于等于Q； d22、將每一區(qū)間X′q內(nèi)的每一樣本特征x′q的弱分類器hr(x′q)設(shè)定為

ε為避免W-1q為0時(shí)引起數(shù)字溢出的預(yù)定系數(shù)； d23、從所有弱分類器中選擇分類誤差上界最小的一個(gè)作為第r次迭代的最優(yōu)弱分類器hr(X′)，其中，弱分類器hr(x′q)的分類誤差上界
d24、通過計(jì)算

來更新每個(gè)樣本特征x′q下一次迭代的權(quán)重Dr+1(p)。
本發(fā)明提供的一種用于人臉認(rèn)證的分類器訓(xùn)練裝置，包括 樣本對(duì)齊模塊，將各樣本圖像按照臉部特征點(diǎn)位置對(duì)齊并歸一化； 特征提取模塊，從對(duì)齊歸一化后的各樣本圖像中提取特征向量 區(qū)域劃分模塊，將對(duì)齊歸一化后的所有樣本圖像劃分為相互交疊的若干子區(qū)域； 區(qū)域訓(xùn)練模塊，分別以相同人臉的各樣本圖像在每一子區(qū)域內(nèi)特征向量差的絕對(duì)值為該子區(qū)域的正樣本特征、以不同人臉的各樣本圖像在每一子區(qū)域內(nèi)的特征向量差的絕對(duì)值為該子區(qū)域的反樣本特征，為每一子區(qū)域訓(xùn)練一個(gè)子區(qū)域分類器，所述子區(qū)域分類器可依據(jù)各樣本圖像在該子區(qū)域內(nèi)的特征向量的差，輸出表示各樣本圖像屬于同一人臉的置信度； 綜合訓(xùn)練模塊，以所有子區(qū)域分類器針對(duì)相同人臉的各樣本圖像輸出的置信度為正樣本特征、以所有子區(qū)域分類器針對(duì)不同人臉的各樣本圖像輸出的置信度為反樣本特征，訓(xùn)練得到一個(gè)綜合分類器，所述綜合分類器可依據(jù)表示各樣本圖像屬于同一人臉的置信度，輸出各樣本圖像是否屬于同一人臉的分類結(jié)果。
所述區(qū)域訓(xùn)練模塊依次將每一子區(qū)域作為當(dāng)前子區(qū)域進(jìn)行處理、并針對(duì)當(dāng)前子區(qū)域包括 區(qū)域樣本配置模塊，設(shè)置有當(dāng)前子區(qū)域的樣本集LB＝{(xi，yi)}，xi∈X、xi為特征向量差的絕對(duì)值構(gòu)成的樣本特征、X為包含所有n個(gè)特征向量差的絕對(duì)值構(gòu)成的樣本特征的特征向量，yi為樣本標(biāo)識(shí)、yi∈{+1，-1}，n為所述正反樣本總數(shù)目； 區(qū)域權(quán)重配置子模塊，設(shè)置每個(gè)樣本特征xi的初始權(quán)重
區(qū)域迭代處理子模塊，進(jìn)行T輪迭代，其中，在第t輪迭代過程中，先依據(jù)以樣本特征xi取值為橫坐標(biāo)、以樣本特征xi的權(quán)重累積值為縱坐標(biāo)的第t輪離散分布Dt為每個(gè)樣本特征xi構(gòu)造一弱分類器ht(xi)，然后從設(shè)定的所有弱分類器中選擇可使正反樣本分類誤差最小的一個(gè)作為第t次迭代的最優(yōu)弱分類器ht(X)，再分別利用每個(gè)樣本特征xi的弱分類器ht(xi)更新該樣本特征xi下一次迭代的權(quán)重，T為預(yù)先設(shè)定的迭代次數(shù)； 區(qū)域分類器輸出子模塊，利用T次迭代得到的所有最優(yōu)弱分類器ht(X)計(jì)算得到當(dāng)前子區(qū)域表示所述置信度的所述子區(qū)域分類器
所述區(qū)域迭代處理子模塊包括循環(huán)執(zhí)行T輪迭代的如下子單元 區(qū)域區(qū)間劃分子單元，將第t輪離散分布Dt上的特征取值空間劃分為m個(gè)互不相交的區(qū)間； 區(qū)域概率統(tǒng)計(jì)子單元，統(tǒng)計(jì)每一區(qū)間Xj內(nèi)出現(xiàn)正樣本特征的概率

以及每一區(qū)間Xj內(nèi)出現(xiàn)反樣本特征的概率

j大于等于1且小于等于m； 區(qū)域弱分類器設(shè)定子單元，將每一區(qū)間Xj內(nèi)的每一樣本特征xj的弱分類器ht(xj)設(shè)定為

ε為避免W-1j為0時(shí)引起數(shù)字溢出的預(yù)定系數(shù)； 區(qū)域弱分類器選擇子單元，從所有弱分類器中選擇分類誤差上界最小的一個(gè)作為第t次迭代的最優(yōu)弱分類器ht(X)，其中，弱分類器ht(xj)的分類誤差上界
區(qū)域權(quán)重更新子單元，通過計(jì)算

來更新每個(gè)樣本特征xi下一次迭代的權(quán)重Dt+1(i)。
所述綜合訓(xùn)練模塊包括 全局樣本配置子模塊，設(shè)置有綜合樣本集Lp＝{(x′p，y′q)}，x′p∈X′、x′p為所述屬于同一個(gè)人臉的置信度構(gòu)成的樣本特征、X′為包含所有N個(gè)所述屬于同一個(gè)人臉的置信度所構(gòu)成樣本特征的特征向量，y′p為樣本標(biāo)識(shí)、y′p∈{+1，-1}，N為所述子區(qū)域的總數(shù)； 全局權(quán)重配置子模塊，設(shè)置有每個(gè)樣本特征x′p的初始權(quán)重
全局迭代處理子模塊，進(jìn)行R輪迭代，其中，在第r輪迭代過程中，先依據(jù)以樣本特征x′p取值為橫坐標(biāo)、以樣本特征x′p的權(quán)重累積值為縱坐標(biāo)的第r輪離散分布Dr為每個(gè)樣本特征x′p構(gòu)造一弱分類器hr(x′p)，然后從設(shè)定的所有弱分類器中選擇可使正反樣本分類誤差最小的一個(gè)作為第r次迭代的最優(yōu)弱分類器hr(X′)，再分別利用每個(gè)樣本特征x′p的弱分類器hr(x′p)更新該樣本特征x′p下一次迭代的權(quán)重，R為預(yù)先設(shè)定的迭代次數(shù)； 全局分類器輸出子模塊，利用R次迭代得到的所有最優(yōu)弱分類器hr(X′)計(jì)算得到表示所述分類結(jié)果的所述綜合分類器

b為預(yù)定的置信度閾值，sign()為表示

是否大于b的符號(hào)函數(shù)。
所述全局迭代處理子模塊包括循環(huán)執(zhí)行R輪迭代的如下子單元 全局區(qū)間劃分子單元，將第r輪離散分布Dr上的特征取值空間劃分為Q個(gè)互不相交的區(qū)間； 全局概率統(tǒng)計(jì)子單元，統(tǒng)計(jì)每一區(qū)間X′q內(nèi)出現(xiàn)正樣本特征的概率

以及每一區(qū)間X′q內(nèi)出現(xiàn)反樣本特征的概率

q大于等于1且小于等于Q； 全局弱分類器設(shè)定子單元，將每一區(qū)間X′q內(nèi)的每一樣本特征x′q的弱分類器hr(x′q)設(shè)定為

ε為避免W-1q為0時(shí)引起數(shù)字溢出的預(yù)定系數(shù)； 全局弱分類器選擇子單元，從所有弱分類器中選擇分類誤差上界最小的一個(gè)作為第r次迭代的最優(yōu)弱分類器hr(X′)，其中，弱分類器hr(x′q)的分類誤差上界
全局權(quán)重更新子單元，通過計(jì)算

來更新每個(gè)樣本特征x′q下一次迭代的權(quán)重Dr+1(p)。
本發(fā)明提供的一種人臉認(rèn)證方法，包括 a’、將待認(rèn)證的輸入圖像與認(rèn)證身份所對(duì)應(yīng)的人臉模型按照臉部特征點(diǎn)位置對(duì)齊并歸一化； b’、從對(duì)齊歸一化后的輸入圖像和人臉模型提取特征向量，并將對(duì)齊歸一化后的輸入圖像和人臉模型劃分為相互交疊的若干子區(qū)域； c’、分別利用針對(duì)每個(gè)子區(qū)域預(yù)先訓(xùn)練得到的子區(qū)域分類器，對(duì)輸入圖像和人臉模型在該子區(qū)域內(nèi)特征向量的差進(jìn)行處理，得到表示輸入圖像和人臉模型基于該區(qū)域內(nèi)的特征向量可被確定為同一人的置信度； d’、利用預(yù)先訓(xùn)練得到的綜合分類器，對(duì)所有子區(qū)域分類器輸出的所述置信度進(jìn)行處理，并得到表示輸入圖像和人臉模型基于各子區(qū)域的置信度是否屬于同一人的認(rèn)證結(jié)果。
本發(fā)明提供的一種人臉認(rèn)證裝置，包括 跟蹤定位模塊，將待認(rèn)證的輸入圖像與認(rèn)證身份所對(duì)應(yīng)的人臉模型按照臉部特征點(diǎn)位置對(duì)齊并歸一化； 特征提取模塊，從對(duì)齊歸一化后的輸入圖像和人臉模型提取特征向量； 區(qū)域劃分模塊，將對(duì)齊歸一化后的輸入圖像和人臉模型劃分為相互交疊的若干子區(qū)域； 預(yù)先訓(xùn)練得到的對(duì)應(yīng)每個(gè)子區(qū)域的子區(qū)域分類器，對(duì)輸入圖像和人臉模型在該子區(qū)域內(nèi)特征向量的差進(jìn)行處理，得到表示輸入圖像和人臉模型基于該區(qū)域內(nèi)的特征向量可被確定為同一人的置信度； 預(yù)先訓(xùn)練得到的綜合分類器，對(duì)所有子區(qū)域分類器輸出的所述置信度進(jìn)行處理，并得到表示輸入圖像和人臉模型基于各子區(qū)域的置信度是否屬于同一人的認(rèn)證結(jié)果。
由上述技術(shù)方案可見，本發(fā)明將人臉圖像劃分為若干相互交疊的子區(qū)域，先利用人臉圖像在每個(gè)子區(qū)域內(nèi)的特征向量分別為各子區(qū)域訓(xùn)練一個(gè)子區(qū)域分類器，使每個(gè)子區(qū)域分類器可輸出一置信度，用于表示基于該子區(qū)域內(nèi)所具有的特征向量，可確定特征向量所屬人臉為真的概率；再利用各子區(qū)域分類器輸出的置信度訓(xùn)練得到一綜合分類器，使該綜合分類器能夠基于其各子區(qū)域所對(duì)應(yīng)的置信度確定人臉是否為真。這樣一來，在人臉認(rèn)證時(shí)即可通過子區(qū)域分類器更多地利用人臉局部特征，并基于人臉局部特征所對(duì)應(yīng)的置信度綜合判斷該人臉是否為真，從而相比于現(xiàn)有基于全局特征的方式，能夠提高人臉認(rèn)證的準(zhǔn)確性。



圖1為本發(fā)明實(shí)施例中用于人臉認(rèn)證的分類器訓(xùn)練方法的流程示意圖； 圖2為本發(fā)明實(shí)施例中人臉認(rèn)證方法的流程示意圖； 圖3為本發(fā)明實(shí)施例中用于人臉認(rèn)證的分類器訓(xùn)練裝置的結(jié)構(gòu)示意圖； 圖4為本發(fā)明實(shí)施例中人臉認(rèn)證裝置的結(jié)構(gòu)示意圖。

具體實(shí)施例方式 為使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下參照附圖并舉實(shí)施例，對(duì)本發(fā)明進(jìn)一步詳細(xì)說明。
圖1為本發(fā)明實(shí)施例中用于人臉認(rèn)證的分類器訓(xùn)練方法的流程示意圖。如圖1所示，本發(fā)明實(shí)施例中用于人臉認(rèn)證的分類器訓(xùn)練方法包括 步驟101，將各樣本圖像按照例如眼睛、鼻尖等臉部特征點(diǎn)位置對(duì)齊并歸一化。
本步驟中，如何識(shí)別眼睛、鼻尖等臉部特征，可以采用現(xiàn)有任一種方式來實(shí)現(xiàn)。
步驟102，從對(duì)齊歸一化后的各樣本圖像中提取特征向量。
本步驟中，可以提取蓋博(Gabor)特征作為特征向量。其中，Gabor特征由一系列不同尺度、不同方向的Gabor濾波器與圖像進(jìn)行二維卷積得到。具體說，本實(shí)施例可以采用m個(gè)尺度和n個(gè)方向所構(gòu)成的所有Gabor濾波器來獲取Gabor特征，稱為全局濾波器組、用G(m×n)表示，可以但不限于取m＝5，n＝8。
假定人臉圖像的寬度和高度分別為FW、FH，可以但不限于取FW為64、FH為64，則對(duì)一幅人臉圖像即可得到一個(gè)由m*n*FW*FH個(gè)特征組成的特征向量，換言之，將尺度個(gè)數(shù)為m、方向個(gè)數(shù)為n的Gabor濾波器對(duì)像素中心位置為(i，j)的圖像進(jìn)行濾波，得到的Gabor特征可表示為Gabor(m，n，i，j)。
步驟103，將對(duì)齊歸一化后的各樣本圖像劃分為相互交疊的若干子區(qū)域。
本步驟中，若干子區(qū)域的大小可以相同、也可以不全相同，每個(gè)子區(qū)域的長(zhǎng)寬比可以分別取但不限于取1∶1、1∶2、2∶1等等，且每個(gè)子區(qū)域與其任意鄰邊子區(qū)域交疊的寬度可以為至少1個(gè)像素。
步驟104，分別以相同人臉的各樣本圖像在每一子區(qū)域內(nèi)特征向量差的絕對(duì)值為該子區(qū)域的正樣本特征、以不同人臉的各樣本圖像在每一子區(qū)域內(nèi)的特征向量差的絕對(duì)值為該子區(qū)域的反樣本特征，為每一子區(qū)域訓(xùn)練一個(gè)子區(qū)域分類器，所述子區(qū)域分類器可依據(jù)各樣本圖像在該子區(qū)域內(nèi)的特征向量的差，輸出表示各樣本圖像屬于同一人臉的置信度，從而使所述子區(qū)域分類器能夠依據(jù)輸入圖像與人臉模型在對(duì)應(yīng)子區(qū)域內(nèi)的特征向量的差輸出該輸入圖像與人臉模型屬于同一人臉的置信度。
由于人臉識(shí)別是一個(gè)較為復(fù)雜的多類問題，即一個(gè)人臉與多個(gè)人臉的分類識(shí)別問題，因而為了簡(jiǎn)化處理，本步驟分別以同一人臉和不同人臉的各樣本圖像在每一子區(qū)域內(nèi)特征向量差的絕對(duì)值為正反樣本特征，而非利用若干人臉的樣本圖像本身作為正反樣本特征，從而將多類問題轉(zhuǎn)換為一個(gè)兩類問題。
具體說，本步驟中對(duì)于每一子區(qū)域的處理過程可以包括 1)給定由該子區(qū)域的正樣本和反樣本構(gòu)成的樣本集LB＝{(xi，yi)}，xi∈X、xi為樣本特征、X為所有n個(gè)樣本特征構(gòu)成的特征向量，yi為樣本標(biāo)識(shí)、yi∈{+1，-1}、xi為正樣本特征時(shí)yi取+1、xi為反樣本特征時(shí)yi取-1，i大于等于1且小于等于樣本圖像總數(shù)n、n為正反樣本的總數(shù)目； 2)設(shè)置每個(gè)樣本特征xi的初始權(quán)重

這里設(shè)置的權(quán)重可以看作是每個(gè)樣本特征xi出現(xiàn)的概率值； 3)進(jìn)行T輪迭代、T為預(yù)先設(shè)定的迭代次數(shù)，在第t輪迭代過程中 3.1)依據(jù)以樣本特征xi所有可能的取值為橫坐標(biāo)、以樣本特征xi的權(quán)重累積值為縱坐標(biāo)的第t輪離散分布Dt，為每個(gè)樣本特征xi構(gòu)造一弱分類器hi(xi)、hi(xi)表示基于對(duì)應(yīng)樣本特征xi基于其取值可被確定為真的概率。
例如 可以先將Dt(i)累積分布的樣本特征取值空間劃分為m個(gè)互不相交的區(qū)間； 然后，統(tǒng)計(jì)每一區(qū)間Xj內(nèi)出現(xiàn)正樣本的概率 以及，每一區(qū)間Xj內(nèi)出現(xiàn)反樣本特征的概率 然后，即可將每一區(qū)間Xj內(nèi)的每一樣本特征xj的弱分類器ht(xj)設(shè)定為


ε為避免W-1j為0時(shí)引起數(shù)字溢出的預(yù)定系數(shù)。
3.2)從設(shè)定的所有弱分類器中選擇可使正反樣本分類誤差最小的一個(gè)作為第t次迭代的最優(yōu)弱分類器ht(X)。
例如，對(duì)于弱分類器ht(xj)，其分類誤差上界
3.3)分別利用每個(gè)樣本特征xi的弱分類器ht(xi)更新該樣本特征xi下一次迭代的權(quán)重，以使得正樣本特征的權(quán)重越來越小、反樣本特征的權(quán)重隨著迭代過程的繼續(xù)而越來越大，從而使最優(yōu)弱分類器ht(X)的精度隨著迭代過程的繼續(xù)而越來越高，t大于等于1且小于等于T。
實(shí)際應(yīng)用中，可以計(jì)算

來更新該樣本特征xi下一次迭代的權(quán)重Dt+1(i)。
4)利用T次迭代得到的所有最優(yōu)弱分類器ht(X)計(jì)算得到該子區(qū)域的強(qiáng)分類器、也就是該子區(qū)域表示所述置信度的子區(qū)域器
需要說明的是，本步驟中所出現(xiàn)的i和j、以及m和n與步驟102中表示Gabor特征的i和j、以及m和n無關(guān)。
步驟105，以所有子區(qū)域分類器針對(duì)相同人臉的各樣本圖像輸出的置信度為正樣本特征、以所有子區(qū)域分類器針對(duì)不同人臉的各樣本圖像輸出的置信度為反樣本特征，訓(xùn)練得到一個(gè)綜合分類器，所述綜合分類器可依據(jù)表示各樣本圖像屬于同一人臉的置信度，輸出各樣本圖像是否屬于同一人臉的分類結(jié)果，從而使得所述綜合分類器能夠依據(jù)輸入圖像與人臉模型屬于同一人臉的置信度，輸出該輸入圖像與人臉模型是否屬于同一人臉的分類結(jié)果。
如前所述，人臉識(shí)別是一個(gè)較為復(fù)雜的多類問題，即一個(gè)人臉與多個(gè)人臉的分類識(shí)別問題，因而仍然是為了簡(jiǎn)化處理，本步驟中利用置信度作為正反樣本、而非利用樣本圖像本身作為正反樣本，從而將多類問題轉(zhuǎn)換為一個(gè)兩類問題。
本步驟中的基本原理與步驟104類似，具體包括 1)給定綜合樣本集Lp＝{(x′p，y′q)}，x′p∈X′、x′p為所述屬于同一個(gè)人臉的置信度構(gòu)成的樣本特征、X′為包含所有N個(gè)子區(qū)域分類器輸出的置信度所構(gòu)成樣本特征的特征向量，y′p為樣本標(biāo)識(shí)、y′p∈{+1，-1}，p大于等于1且小于等于子區(qū)域總數(shù)N； 2)設(shè)置每個(gè)樣本特征x′p的初始權(quán)重

這里設(shè)置的權(quán)重可以看作是每個(gè)樣本特征x′p出現(xiàn)的概率值； 3)進(jìn)行R輪迭代、R為預(yù)先設(shè)定的迭代次數(shù)，其中，在第r輪迭代過程中 3.1)依據(jù)以樣本特征x′p所有可能的取值為橫坐標(biāo)、以樣本特征x′p的權(quán)重累積值為縱坐標(biāo)的第r輪離散分布Dr，為每個(gè)樣本特征x′p構(gòu)造一弱分類器hr(x′p)； 例如 可先將第r輪離散分布Dr上的特征取值空間劃分為Q個(gè)互不相交的區(qū)間； 統(tǒng)計(jì)每一區(qū)間X′q內(nèi)出現(xiàn)正樣本特征的概率 以及，每一區(qū)間X′q內(nèi)出現(xiàn)反樣本特征的概率 q大于等于1且小于等于Q； 然后，即可將每一區(qū)間X′q內(nèi)的每一樣本特征x′q的弱分類器hr(x′q)設(shè)定為


ε為避免W-1q為0時(shí)引起數(shù)字溢出的預(yù)定系數(shù)。
3.2)從設(shè)定的所有弱分類器中選擇可使正反樣本分類誤差最小的一個(gè)作為第r次迭代的最優(yōu)弱分類器hr(X′)； 例如，對(duì)于弱分類器hr(x′q)，其分類誤差上界
3.3)分別利用每個(gè)樣本特征x′p的弱分類器hr(x′p)更新該樣本特征x′p下一次迭代的權(quán)重，以使得正樣本特征的權(quán)重越來越小、反樣本特征的權(quán)重隨著迭代過程的繼續(xù)而越來越大，從而使最優(yōu)弱分類器hr(x′)的精度隨著迭代過程的繼續(xù)而越來越高，r大于等于1且小于等于R； 例如，可通過計(jì)算

來更新每個(gè)樣本特征x′i下一次迭代的權(quán)重Dr+1(p)。
4)利用R次迭代得到的所有最優(yōu)弱分類器hr(x′)計(jì)算得到表示所述分類結(jié)果的所述綜合分類器

b為預(yù)定的置信度閾值，sign()為表示

是否大于b的符號(hào)函數(shù)、其輸出正表示真、輸出負(fù)表示假。
至此，本流程結(jié)束。
基于上述流程訓(xùn)練得到的子區(qū)域分類器和綜合分類器，即可實(shí)現(xiàn)分區(qū)域的人臉認(rèn)證。
圖2為本發(fā)明實(shí)施例中人臉認(rèn)證方法的流程示意圖。如圖2所示，基于上述訓(xùn)練方法得到的子區(qū)域分類器和綜合分類器，本實(shí)施例中的人臉認(rèn)證方法包括 步驟201、將待認(rèn)證的輸入圖像與認(rèn)證身份所對(duì)應(yīng)的人臉模型按照例如眼睛、鼻尖等臉部特征點(diǎn)位置對(duì)齊并歸一化。
步驟202、從對(duì)齊歸一化后的輸入圖像和人臉模型提取特征向量。
步驟203、將對(duì)齊歸一化后的輸入圖像和人臉模型劃分為相互交疊的若干子區(qū)域。
本步驟中對(duì)若干子區(qū)域的劃分，是按照訓(xùn)練子區(qū)域分類器時(shí)相同的方式。
步驟204、分別利用針對(duì)每個(gè)子區(qū)域訓(xùn)練得到的子區(qū)域分類器，對(duì)輸入圖像和人臉模型在該子區(qū)域內(nèi)特征向量的差進(jìn)行處理，得到表示輸入圖像和人臉模型基于該區(qū)域內(nèi)的特征向量可被確定為同一人的置信度。
步驟205、利用預(yù)先訓(xùn)練得到的綜合分類器，對(duì)所有子區(qū)域分類器輸出的所述置信度進(jìn)行處理，并得到表示輸入圖像和人臉模型基于各子區(qū)域的置信度是否屬于同一人的認(rèn)證結(jié)果。
至此，本流程結(jié)束。
由上述分類器訓(xùn)練方法、以及基于該分類器訓(xùn)練方法的人臉認(rèn)證方法可見，本發(fā)明實(shí)施例將人臉圖像劃分為若干相互交疊的子區(qū)域，先利用人臉圖像在每個(gè)子區(qū)域內(nèi)的特征向量分別為各子區(qū)域訓(xùn)練一個(gè)子區(qū)域分類器，使每個(gè)子區(qū)域分類器可輸出一置信度，用于表示基于該子區(qū)域內(nèi)所具有的特征向量可確定所屬人臉為真的概率；再利用各子區(qū)域分類器輸出的置信度訓(xùn)練得到一綜合分類器，使該綜合分類器能夠基于其各子區(qū)域所對(duì)應(yīng)的置信度確定人臉是否為真。這樣一來，在人臉認(rèn)證時(shí)即可通過子區(qū)域分類器更多地利用人臉局部特征，并基于人臉局部特征所對(duì)應(yīng)的置信度綜合判斷該人臉是否為真，從而相比于現(xiàn)有基于全局特征的方式，能夠提高人臉認(rèn)證的準(zhǔn)確性。
下面，再對(duì)本發(fā)明實(shí)施例中用于人臉認(rèn)證的分類器訓(xùn)練裝置和人臉認(rèn)證裝置進(jìn)行詳細(xì)說明。
圖3為本發(fā)明實(shí)施例中用于人臉認(rèn)證的分類器訓(xùn)練裝置的結(jié)構(gòu)示意圖。如圖3所示，本實(shí)施例中用于人臉認(rèn)證的分類器訓(xùn)練裝置包括 樣本對(duì)齊模塊301，將各樣本圖像按照臉部特征點(diǎn)位置對(duì)齊并歸一化； 特征提取模塊302，從對(duì)齊歸一化后的各樣本圖像中提取特征向量，例如Gabor特征； 區(qū)域劃分模塊303，將對(duì)齊歸一化后的所有樣本圖像劃分為相互交疊的若干子區(qū)域； 區(qū)域訓(xùn)練模塊304，分別以相同人臉的各樣本圖像在每一子區(qū)域內(nèi)特征向量差的絕對(duì)值為該子區(qū)域的正樣本特征、以不同人臉的各樣本圖像在每一子區(qū)域內(nèi)的特征向量差的絕對(duì)值為該子區(qū)域的反樣本特征，為每一子區(qū)域訓(xùn)練一個(gè)子區(qū)域分類器，所述子區(qū)域分類器可依據(jù)各樣本圖像在該子區(qū)域內(nèi)的特征向量的差，輸出表示各樣本圖像屬于同一人臉的置信度； 綜合訓(xùn)練模塊305，以所有子區(qū)域分類器針對(duì)相同人臉的各樣本圖像輸出的置信度為正樣本特征、以所有子區(qū)域分類器針對(duì)不同人臉的各樣本圖像輸出的置信度為反樣本特征，訓(xùn)練得到一個(gè)綜合分類器，所述綜合分類器可依據(jù)表示各樣本圖像屬于同一人臉的置信度，輸出各樣本圖像是否屬于同一人臉的分類結(jié)果。
實(shí)際應(yīng)用中，區(qū)域訓(xùn)練模塊304依次將每一子區(qū)域作為當(dāng)前子區(qū)域進(jìn)行處理、并針對(duì)當(dāng)前子區(qū)域包括(圖3中未示出) 區(qū)域樣本配置模塊，設(shè)置有當(dāng)前子區(qū)域的樣本集LB＝{(xi，yi)}，xi∈X、xi為特征向量差的絕對(duì)值構(gòu)成的樣本特征、X為包含所有n個(gè)特征向量差的絕對(duì)值構(gòu)成的樣本特征的特征向量，yi為樣本標(biāo)識(shí)、yi∈{+1，-1}，n為所述正反樣本總數(shù)目； 區(qū)域權(quán)重配置子模塊，設(shè)置每個(gè)樣本特征xi的初始權(quán)重
區(qū)域迭代處理子模塊，進(jìn)行T輪迭代、T為預(yù)先設(shè)定的迭代次數(shù)，其中，在第t輪迭代過程中，先依據(jù)以樣本特征xi取值為橫坐標(biāo)、以樣本特征xi的權(quán)重累積值為縱坐標(biāo)的第t輪離散分布Dt為每個(gè)樣本特征xi構(gòu)造一弱分類器ht(xi)，然后從設(shè)定的所有弱分類器中選擇可使正反樣本分類誤差最小的一個(gè)作為第t次迭代的最優(yōu)弱分類器ht(X)，再分別利用每個(gè)樣本特征xi的弱分類器ht(xi)更新該樣本特征xi下一次迭代的權(quán)重； 區(qū)域分類器輸出子模塊，利用T次迭代得到的所有最優(yōu)弱分類器ht(X)，計(jì)算得到當(dāng)前子區(qū)域表示所述置信度的所述子區(qū)域分類器
進(jìn)一步地，區(qū)域迭代處理子模塊又可以包括循環(huán)執(zhí)行T輪迭代的如下子單元 區(qū)域區(qū)間劃分子單元，將第t輪離散分布Dt上的特征取值空間劃分為m個(gè)互不相交的區(qū)間； 區(qū)域概率統(tǒng)計(jì)子單元，統(tǒng)計(jì)每一區(qū)間Xj內(nèi)出現(xiàn)正樣本特征的概率

以及每一區(qū)間Xj內(nèi)出現(xiàn)反樣本特征的概率

j大于等于1且小于等于m； 區(qū)域弱分類器設(shè)定子單元，將每一區(qū)間Xj內(nèi)的每一樣本特征xj的弱分類器ht(xj)設(shè)定為

ε為避免W-1j為0時(shí)引起數(shù)字溢出的預(yù)定系數(shù)； 區(qū)域弱分類器選擇子單元，從所有弱分類器中選擇分類誤差上界最小的一個(gè)作為第t次迭代的最優(yōu)弱分類器ht(X)，其中，弱分類器ht(xj)的分類誤差上界
區(qū)域權(quán)重更新子單元，通過計(jì)算

來更新每個(gè)樣本特征xi下一次迭代的權(quán)重Dt+1(i)。
與區(qū)域訓(xùn)練模塊304基本相同的原理，綜合訓(xùn)練模塊305可以包括(圖3中未示出) 全局樣本配置子模塊，設(shè)置有綜合樣本集Lp＝{(x′p，y′q)}，x′p∈X′、x′p為所述屬于同一個(gè)人臉的置信度構(gòu)成的樣本特征、X′為包含所有N個(gè)子區(qū)域分類器輸出的所述屬于同一個(gè)人臉置信度所構(gòu)成樣本特征的特征向量，y′p為樣本標(biāo)識(shí)、y′p∈{+1，-1}，N為所述子區(qū)域的總數(shù)； 全局權(quán)重配置子模塊，設(shè)置有每個(gè)樣本特征x′p的初始權(quán)重
全局迭代處理子模塊，進(jìn)行R輪迭代、R為預(yù)先設(shè)定的迭代次數(shù)，其中，在第r輪迭代過程中，先依據(jù)以樣本特征x′p取值為橫坐標(biāo)、以樣本特征x′p的權(quán)重累積值為縱坐標(biāo)的第r輪離散分布Dr為每個(gè)樣本特征x′p構(gòu)造一弱分類器hr(x′p)，然后從設(shè)定的所有弱分類器中選擇可使正反樣本分類誤差最小的一個(gè)作為第r次迭代的最優(yōu)弱分類器hr(X′)，再分別利用每個(gè)樣本特征x′p的弱分類器hr(x′p)更新該樣本特征x′p下一次迭代的權(quán)重； 全局分類器輸出子模塊，利用R次迭代得到的所有最優(yōu)弱分類器hr(X′)計(jì)算得到表示所述分類結(jié)果的所述綜合分類器

b為預(yù)定的置信度閾值，sign()為表示

是否大于b的符號(hào)函數(shù)。
進(jìn)一步地，全局迭代處理子模塊又可以包括循環(huán)執(zhí)行R輪迭代的如下子單元 全局區(qū)間劃分子單元，將第r輪離散分布Dr上的特征取值空間劃分為Q個(gè)互不相交的區(qū)間； 全局概率統(tǒng)計(jì)子單元，統(tǒng)計(jì)每一區(qū)間X′q內(nèi)出現(xiàn)正樣本特征的概率

以及每一區(qū)間X′q內(nèi)出現(xiàn)反樣本特征的概率

q大于等于1且小于等于Q； 全局弱分類器設(shè)定子單元，將每一區(qū)間X′q內(nèi)的每一樣本特征x′q的弱分類器hr(x′q)設(shè)定為

ε為避免W-1q為0時(shí)引起數(shù)字溢出的預(yù)定系數(shù)； 全局弱分類器選擇子單元，從所有弱分類器中選擇分類誤差上界最小的一個(gè)作為第r次迭代的最優(yōu)弱分類器hr(X′)，其中，弱分類器hr(x′q)的分類誤差上界
全局權(quán)重更新子單元，通過計(jì)算

來更新每個(gè)樣本特征x′q下一次迭代的權(quán)重Dr+1(p)。
圖4為本發(fā)明實(shí)施例中人臉認(rèn)證裝置的結(jié)構(gòu)示意圖。如圖4所示，本實(shí)施例中的人臉認(rèn)證裝置包括 跟蹤定位模塊401，將待認(rèn)證的輸入圖像與認(rèn)證身份所對(duì)應(yīng)的人臉模型按照臉部特征點(diǎn)位置對(duì)齊并歸一化； 特征提取模塊402，從對(duì)齊歸一化后的輸入圖像和人臉模型提取特征向量； 區(qū)域劃分模塊403，將對(duì)齊歸一化后的輸入圖像和人臉模型劃分為相互交疊的若干子區(qū)域； 預(yù)先訓(xùn)練得到的對(duì)應(yīng)每個(gè)子區(qū)域的子區(qū)域分類器404，對(duì)輸入圖像和人臉模型在該子區(qū)域內(nèi)特征向量的差進(jìn)行處理，得到表示輸入圖像和人臉模型基于該區(qū)域內(nèi)的特征向量可被確定為同一人的置信度； 預(yù)先訓(xùn)練得到的綜合分類器405，對(duì)所有子區(qū)域分類器輸出的所述置信度進(jìn)行處理，并得到表示輸入圖像和人臉模型基于各子區(qū)域的置信度是否屬于同一人的認(rèn)證結(jié)果。
由上述分類器訓(xùn)練裝置、以及基于分類器訓(xùn)練裝置訓(xùn)練得到的子區(qū)域分類器和綜合分類器的人臉認(rèn)證裝置可見，本發(fā)明實(shí)施例將人臉圖像劃分為若干相互交疊的子區(qū)域，先利用人臉圖像在每個(gè)子區(qū)域內(nèi)的特征向量分別為各子區(qū)域訓(xùn)練一個(gè)子區(qū)域分類器，使每個(gè)子區(qū)域分類器可輸出一置信度，用于表示基于該子區(qū)域內(nèi)所具有的特征向量可確定所屬人臉為真的概率；再利用各子區(qū)域分類器輸出的置信度訓(xùn)練得到一綜合分類器，使該綜合分類器能夠基于其各子區(qū)域所對(duì)應(yīng)的置信度確定人臉是否為真。這樣一來，在人臉認(rèn)證時(shí)即可通過子區(qū)域分類器更多地利用人臉局部特征，并基于人臉局部特征所對(duì)應(yīng)的置信度綜合判斷該人臉是否為真，從而相比于現(xiàn)有基于全局特征的方式，能夠提高人臉認(rèn)證的準(zhǔn)確性。
以上所述僅為本發(fā)明的較佳實(shí)施例而已，并非用于限定本發(fā)明的保護(hù)范圍。凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換以及改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。
權(quán)利要求
1.一種用于人臉認(rèn)證的分類器訓(xùn)練方法，其特征在于，包括如下步驟
a、將各樣本圖像按照臉部特征點(diǎn)位置對(duì)齊并歸一化；
b、從對(duì)齊歸一化后的各樣本圖像中提取特征向量、并將對(duì)齊歸一化后的所有樣本圖像劃分為相互交疊的若干子區(qū)域；
c、分別以相同人臉的各樣本圖像在每一子區(qū)域內(nèi)特征向量差的絕對(duì)值為該子區(qū)域的正樣本特征、以不同人臉的各樣本圖像在每一子區(qū)域內(nèi)的特征向量差的絕對(duì)值為該子區(qū)域的反樣本特征，為每一子區(qū)域訓(xùn)練一個(gè)子區(qū)域分類器，所述子區(qū)域分類器可依據(jù)各樣本圖像在該子區(qū)域內(nèi)的特征向量的差，輸出表示各樣本圖像屬于同一人臉的置信度；
d、以所有子區(qū)域分類器針對(duì)相同人臉的各樣本圖像輸出的置信度為正樣本特征、以所有子區(qū)域分類器針對(duì)不同人臉的各樣本圖像輸出的置信度為反樣本特征，訓(xùn)練得到一個(gè)綜合分類器，所述綜合分類器可依據(jù)表示各樣本圖像屬于同一人臉的置信度，輸出各樣本圖像是否屬于同一人臉的分類結(jié)果。
2.如權(quán)利要求1所述的分類器訓(xùn)練方法，其特征在于，所述步驟c針對(duì)每一子區(qū)域執(zhí)行如下步驟
c0、給定該子區(qū)域的樣本集LB＝{(xi，yi)}，xi∈X、xi為特征向量差的絕對(duì)值構(gòu)成的樣本特征、X為包含所有n個(gè)特征向量差的絕對(duì)值構(gòu)成的樣本特征的特征向量，yi為樣本標(biāo)識(shí)、yi∈{+1，-1}，n為所述正反樣本總數(shù)目；
c1、設(shè)置每個(gè)樣本特征xi的初始權(quán)重
c2、進(jìn)行T輪迭代，其中，在第t輪迭代過程中，先依據(jù)以樣本特征xi取值為橫坐標(biāo)、以樣本特征xi的權(quán)重累積值為縱坐標(biāo)的第t輪離散分布Dt為每個(gè)樣本特征xi構(gòu)造一弱分類器ht(xi)，然后從設(shè)定的所有弱分類器中選擇可使正反樣本分類誤差最小的一個(gè)作為第t次迭代的最優(yōu)弱分類器ht(X)，再分別利用每個(gè)樣本特征xi的弱分類器ht(xi)更新該樣本特征xi下一次迭代的權(quán)重，T為預(yù)先設(shè)定的迭代次數(shù)；
c3、利用T次迭代得到的所有最優(yōu)弱分類器ht(X)計(jì)算得到該子區(qū)域表示所述置信度的所述子區(qū)域分類器
3.如權(quán)利要求2所述的分類器訓(xùn)練方法，其特征在于，所述步驟c2在第t次迭代過程中包括如下步驟
c20、將第t輪離散分布Dt上的特征取值空間劃分為m個(gè)互不相交的區(qū)間；
c21、統(tǒng)計(jì)每一區(qū)間Xj內(nèi)出現(xiàn)正樣本特征的概率
以及每一區(qū)間Xj內(nèi)出現(xiàn)反樣本特征的概率
大于等于1且小于等于m；
c22、將每一區(qū)間Xj內(nèi)的每一樣本特征xj的弱分類器ht(xj)設(shè)定為
ε為避免W-1j為0時(shí)引起數(shù)字溢出的預(yù)定系數(shù)；
c23、從所有弱分類器中選擇分類誤差上界最小的一個(gè)作為第t次迭代的最優(yōu)弱分類器ht(X)，其中，弱分類器ht(xj)的分類誤差上界
c24、通過計(jì)算
來更新每個(gè)樣本特征xi下一次迭代的權(quán)重Dt+1(i)。
4.如權(quán)利要求1至3中任一項(xiàng)所述的分類器訓(xùn)練方法，其特征在于，所述步驟d包括
d0、給定綜合樣本集Lp＝{(x′p，y′q)}，x′p∈X′、x′p為所述屬于同一個(gè)人臉的置信度構(gòu)成的樣本特征、X′為包含所有N個(gè)所述屬于同一個(gè)人臉的置信度所構(gòu)成樣本特征的特征向量，y′p為樣本標(biāo)識(shí)、y′p∈{+1，-1}，N為所述子區(qū)域的總數(shù)；
d1、設(shè)置每個(gè)樣本特征x′p的初始權(quán)重
d2、進(jìn)行R輪迭代，其中，在第r輪迭代過程中，先依據(jù)以樣本特征x′p取值為橫坐標(biāo)、以樣本特征x′p的權(quán)重累積值為縱坐標(biāo)的第r輪離散分布Dr為每個(gè)樣本特征x′p構(gòu)造一弱分類器hr(x′p)，然后從設(shè)定的所有弱分類器中選擇可使正反樣本分類誤差最小的一個(gè)作為第r次迭代的最優(yōu)弱分類器hr(X′)，再分別利用每個(gè)樣本特征x′p的弱分類器hr(x′p)更新該樣本特征x′p下一次迭代的權(quán)重，R為預(yù)先設(shè)定的迭代次數(shù)；
d3、利用R次迭代得到的所有最優(yōu)弱分類器hr(X′)計(jì)算得到表示所述分類結(jié)果的所述綜合分類器
b為預(yù)定的置信度閾值，sign()為表示
是否大于b的符號(hào)函數(shù)。
5.如權(quán)利要求4所述的分類器訓(xùn)練方法，其特征在于，所述步驟d2在第t次迭代過程中包括如下步驟
d20、將第r輪離散分布Dr上的特征取值空間劃分為Q個(gè)互不相交的區(qū)間；
d21、統(tǒng)計(jì)每一區(qū)間X′q內(nèi)出現(xiàn)正樣本特征的概率
以及每一區(qū)間X′q內(nèi)出現(xiàn)反樣本特征的概率
q大于等于1且小于等于Q；
d22、將每一區(qū)間X′q內(nèi)的每一樣本特征x′q的弱分類器hr(x′q)設(shè)定為
ε為避免W-1q為0時(shí)引起數(shù)字溢出的預(yù)定系數(shù)；
d23、從所有弱分類器中選擇分類誤差上界最小的一個(gè)作為第r次迭代的最優(yōu)弱分類器hr(X′)，其中，弱分類器hr(x′q)的分類誤差上界
d24、通過計(jì)算
來更新每個(gè)樣本特征x′q下一次迭代的權(quán)重Dr+1(p)。
6.一種用于人臉認(rèn)證的分類器訓(xùn)練裝置，其特征在于，包括
樣本對(duì)齊模塊，將各樣本圖像按照臉部特征點(diǎn)位置對(duì)齊并歸一化；
特征提取模塊，從對(duì)齊歸一化后的各樣本圖像中提取特征向量
區(qū)域劃分模塊，將對(duì)齊歸一化后的所有樣本圖像劃分為相互交疊的若干子區(qū)域；
區(qū)域訓(xùn)練模塊，分別以相同人臉的各樣本圖像在每一子區(qū)域內(nèi)特征向量差的絕對(duì)值為該子區(qū)域的正樣本特征、以不同人臉的各樣本圖像在每一子區(qū)域內(nèi)的特征向量差的絕對(duì)值為該子區(qū)域的反樣本特征，為每一子區(qū)域訓(xùn)練一個(gè)子區(qū)域分類器，所述子區(qū)域分類器可依據(jù)各樣本圖像在該子區(qū)域內(nèi)的特征向量的差，輸出表示各樣本圖像屬于同一人臉的置信度；
綜合訓(xùn)練模塊，以所有子區(qū)域分類器針對(duì)相同人臉的各樣本圖像輸出的置信度為正樣本特征、以所有子區(qū)域分類器針對(duì)不同人臉的各樣本圖像輸出的置信度為反樣本特征，訓(xùn)練得到一個(gè)綜合分類器，所述綜合分類器可依據(jù)表示各樣本圖像屬于同一人臉的置信度，輸出各樣本圖像是否屬于同一人臉的分類結(jié)果。
7.如權(quán)利要求6所述的分類器訓(xùn)練裝置，其特征在于，所述區(qū)域訓(xùn)練模塊依次將每一子區(qū)域作為當(dāng)前子區(qū)域進(jìn)行處理、并針對(duì)當(dāng)前子區(qū)域包括
區(qū)域樣本配置模塊，設(shè)置有當(dāng)前子區(qū)域的樣本集LB＝{(xi，yi)}，xi∈X、xi為特征向量差的絕對(duì)值構(gòu)成的樣本特征、X為包含所有n個(gè)特征向量差的絕對(duì)值構(gòu)成的樣本特征的特征向量，yi為樣本標(biāo)識(shí)、yi∈{+1，-1}，n為所述正反樣本總數(shù)目；
區(qū)域權(quán)重配置子模塊，設(shè)置每個(gè)樣本特征xi的初始權(quán)重
區(qū)域迭代處理子模塊，進(jìn)行T輪迭代，其中，在第t輪迭代過程中，先依據(jù)以樣本特征xi取值為橫坐標(biāo)、以樣本特征xi的權(quán)重累積值為縱坐標(biāo)的第t輪離散分布Dt為每個(gè)樣本特征xi構(gòu)造一弱分類器ht(xi)，然后從設(shè)定的所有弱分類器中選擇可使正反樣本分類誤差最小的一個(gè)作為第t次迭代的最優(yōu)弱分類器ht(X)，再分別利用每個(gè)樣本特征xi的弱分類器ht(xi)更新該樣本特征xi下一次迭代的權(quán)重，T為預(yù)先設(shè)定的迭代次數(shù)；
區(qū)域分類器輸出子模塊，利用T次迭代得到的所有最優(yōu)弱分類器ht(X)計(jì)算得到當(dāng)前子區(qū)域表示所述置信度的所述子區(qū)域分類器
8.如權(quán)利要求7所述的分類器訓(xùn)練裝置，其特征在于，所述區(qū)域迭代處理子模塊包括循環(huán)執(zhí)行T輪迭代的如下子單元
區(qū)域區(qū)間劃分子單元，將第t輪離散分布Dt上的特征取值空間劃分為m個(gè)互不相交的區(qū)間；
區(qū)域概率統(tǒng)計(jì)子單元，統(tǒng)計(jì)每一區(qū)間Xj內(nèi)出現(xiàn)正樣本特征的概率
以及每一區(qū)間Xj內(nèi)出現(xiàn)反樣本特征的概率
j大于等于1且小于等于m；
區(qū)域弱分類器設(shè)定子單元，將每一區(qū)間Xj內(nèi)的每一樣本特征xj的弱分類器ht(xj)設(shè)定為
ε為避免W-1j為0時(shí)引起數(shù)字溢出的預(yù)定系數(shù)；
區(qū)域弱分類器選擇子單元，從所有弱分類器中選擇分類誤差上界最小的一個(gè)作為第t次迭代的最優(yōu)弱分類器ht(X)，其中，弱分類器ht(xj)的分類誤差上界
區(qū)域權(quán)重更新子單元，通過計(jì)算
來更新每個(gè)樣本特征xi下一次迭代的權(quán)重Dt+1(i)。
9.如權(quán)利要求6至8中任一項(xiàng)所述的分類器訓(xùn)練裝置，其特征在于，所述綜合訓(xùn)練模塊包括
全局樣本配置子模塊，設(shè)置有綜合樣本集Lp＝{(x′p，y′q)}，x′p∈X′、x′p為所述屬于同一個(gè)人臉的置信度構(gòu)成的樣本特征、X′為包含所有N個(gè)所述屬于同一個(gè)人臉的置信度所構(gòu)成樣本特征的特征向量，y′p為樣本標(biāo)識(shí)、y′p∈{+1，-1}，N為所述子區(qū)域的總數(shù)；
全局權(quán)重配置子模塊，設(shè)置有每個(gè)樣本特征x′p的初始權(quán)重
全局迭代處理子模塊，進(jìn)行R輪迭代，其中，在第r輪迭代過程中，先依據(jù)以樣本特征x′p取值為橫坐標(biāo)、以樣本特征x′p的權(quán)重累積值為縱坐標(biāo)的第r輪離散分布Dr為每個(gè)樣本特征x′p構(gòu)造一弱分類器hr(x′p)，然后從設(shè)定的所有弱分類器中選擇可使正反樣本分類誤差最小的一個(gè)作為第r次迭代的最優(yōu)弱分類器hr(X′)，再分別利用每個(gè)樣本特征x′p的弱分類器hr(x′p)更新該樣本特征x′p下一次迭代的權(quán)重，R為預(yù)先設(shè)定的迭代次數(shù)；
全局分類器輸出子模塊，利用R次迭代得到的所有最優(yōu)弱分類器hr(X′)計(jì)算得到表示所述分類結(jié)果的所述綜合分類器
b為預(yù)定的置信度閾值，sign()為表示
是否大于b的符號(hào)函數(shù)。
10.如權(quán)利要求9所述的分類器訓(xùn)練方法，其特征在于，所述全局迭代處理子模塊包括循環(huán)執(zhí)行R輪迭代的如下子單元
全局區(qū)間劃分子單元，將第r輪離散分布Dr上的特征取值空間劃分為Q個(gè)互不相交的區(qū)間；
全局概率統(tǒng)計(jì)子單元，統(tǒng)計(jì)每一區(qū)間X′q內(nèi)出現(xiàn)正樣本特征的概率
以及每一區(qū)間X′q內(nèi)出現(xiàn)反樣本特征的概率
q大于等于1且小于等于Q；
全局弱分類器設(shè)定子單元，將每一區(qū)間X′q內(nèi)的每一樣本特征x′q的弱分類器hr(x′q)設(shè)定為
ε為避免W-1q為0時(shí)引起數(shù)字溢出的預(yù)定系數(shù)；
全局弱分類器選擇子單元，從所有弱分類器中選擇分類誤差上界最小的一個(gè)作為第r次迭代的最優(yōu)弱分類器hr(X′)，其中，弱分類器hr(x′q)的分類誤差上界
全局權(quán)重更新子單元，通過計(jì)算
來更新每個(gè)樣本特征x′q下一次迭代的權(quán)重Dr+1(p)。
11.一種人臉認(rèn)證方法，其特征在于，包括如下步驟
a’、將待認(rèn)證的輸入圖像與認(rèn)證身份所對(duì)應(yīng)的人臉模型按照臉部特征點(diǎn)位置對(duì)齊并歸一化；
b’、從對(duì)齊歸一化后的輸入圖像和人臉模型提取特征向量，并將對(duì)齊歸一化后的輸入圖像和人臉模型劃分為相互交疊的若干子區(qū)域；
c’、分別利用針對(duì)每個(gè)子區(qū)域預(yù)先訓(xùn)練得到的子區(qū)域分類器，對(duì)輸入圖像和人臉模型在該子區(qū)域內(nèi)特征向量的差進(jìn)行處理，得到表示輸入圖像和人臉模型基于該區(qū)域內(nèi)的特征向量可被確定為同一人的置信度；
d’、利用預(yù)先訓(xùn)練得到的綜合分類器，對(duì)所有子區(qū)域分類器輸出的所述置信度進(jìn)行處理，并得到表示輸入圖像和人臉模型基于各子區(qū)域的置信度是否屬于同一人的認(rèn)證結(jié)果。
12.一種人臉認(rèn)證裝置，其特征在于，包括
跟蹤定位模塊，將待認(rèn)證的輸入圖像與認(rèn)證身份所對(duì)應(yīng)的人臉模型按照臉部特征點(diǎn)位置對(duì)齊并歸一化；
特征提取模塊，從對(duì)齊歸一化后的輸入圖像和人臉模型提取特征向量；
區(qū)域劃分模塊，將對(duì)齊歸一化后的輸入圖像和人臉模型劃分為相互交疊的若干子區(qū)域；
預(yù)先訓(xùn)練得到的對(duì)應(yīng)每個(gè)子區(qū)域的子區(qū)域分類器，對(duì)輸入圖像和人臉模型在該子區(qū)域內(nèi)特征向量的差進(jìn)行處理，得到表示輸入圖像和人臉模型基于該區(qū)域內(nèi)的特征向量可被確定為同一人的置信度；
預(yù)先訓(xùn)練得到的綜合分類器，對(duì)所有子區(qū)域分類器輸出的所述置信度進(jìn)行處理，并得到表示輸入圖像和人臉模型基于各子區(qū)域的置信度是否屬于同一人的認(rèn)證結(jié)果。
全文摘要
本發(fā)明公開了一種分類器訓(xùn)練方法和裝置以及人臉認(rèn)證方法和裝置。本發(fā)明將人臉圖像劃分為若干相互交疊的子區(qū)域，先利用人臉圖像在每個(gè)子區(qū)域內(nèi)的特征向量分別為各子區(qū)域訓(xùn)練一個(gè)子區(qū)域分類器，使每個(gè)子區(qū)域分類器可輸出一置信度，用于表示基于該子區(qū)域內(nèi)所具有的特征向量，可確定特征向量所屬人臉為真的概率；再利用各子區(qū)域分類器輸出的置信度訓(xùn)練得到一綜合分類器，使該綜合分類器能夠基于其各子區(qū)域所對(duì)應(yīng)的置信度確定人臉是否為真。這樣一來，在人臉認(rèn)證時(shí)即可通過子區(qū)域分類器更多地利用人臉局部特征，并基于人臉局部特征所對(duì)應(yīng)的置信度綜合判斷該人臉是否為真，從而相比于現(xiàn)有基于全局特征的方式，能夠提高人臉認(rèn)證的準(zhǔn)確性。
文檔編號(hào)G06K9/66GK101719222SQ20091024162
公開日2010年6月2日 申請(qǐng)日期2009年11月27日 優(yōu)先權(quán)日2009年11月27日
發(fā)明者鄧亞峰 申請(qǐng)人:北京中星微電子有限公司