CN101719222B - 分类器训练方法和装置以及人脸认证方法和装置 - Google Patents

Abstract

本发明公开了一种分类器训练方法和装置以及人脸认证方法和装置。本发明将人脸图像划分为若干相互交叠的子区域，先利用人脸图像在每个子区域内的特征向量分别为各子区域训练一个子区域分类器，使每个子区域分类器可输出一置信度，用于表示基于该子区域内所具有的特征向量，可确定特征向量所属人脸为真的概率；再利用各子区域分类器输出的置信度训练得到一综合分类器，使该综合分类器能够基于其各子区域所对应的置信度确定人脸是否为真。这样一来，在人脸认证时即可通过子区域分类器更多地利用人脸局部特征，并基于人脸局部特征所对应的置信度综合判断该人脸是否为真，从而相比于现有基于全局特征的方式，能够提高人脸认证的准确性。

Description

分类器训练方法和装置以及人脸认证方法和装置

技术领域

本发明涉及人脸识别技术，特别涉及用于人脸认证的一种分类器训练方法和一种分类器训练装置、以及一种人脸认证方法、一种人脸认证装置。

背景技术

人脸认证是人脸识别技术的一个分支，人脸认证过程就是在被认证对象声明自己的身份后，调用预先训练得到的分类器、并利用该分类器对被认证对象的人脸图像与人脸模型是否匹配进行识别，以判定被认证对象是否与其所声明身份一致。

现有的上述人脸认证方式中所使用的分类器，是利用人脸图像中的全局特征训练得到的一个完整分类器，相应地，利用该分类器的识别过程也是通过提取人脸图像的全局特征来实现的，然而，基于人脸图像全局特征的该人脸认证方式，对人脸局部特征的利用十分有限，而相比于人脸全局特征，人脸局部特征却更能够体现人脸中的丰富细节。

因此，现有基于人脸图像全局特征的人脸认证方式，会由于忽略大量人脸局部特征而导致人脸认证的准确度不高。

发明内容

有鉴于此，本发明提供了用于人脸认证的一种分类器训练方法和一种分类器训练装置、以及一种人脸认证方法、一种人脸认证装置，能够提高人脸认证的准确度。

本发明提供的一种用于人脸认证的分类器训练方法，包括：

a、将各样本图像按照脸部特征点位置对齐并归一化；

b、从对齐归一化后的各样本图像中提取特征向量、并将对齐归一化后的所有样本图像划分为相互交叠的若干子区域；

c、分别以相同人脸的各样本图像在每一子区域内特征向量差的绝对值为该子区域的正样本特征、以不同人脸的各样本图像在每一子区域内的特征向量差的绝对值为该子区域的反样本特征，为每一子区域训练一个子区域分类器，所述子区域分类器可依据各样本图像在该子区域内的特征向量的差，输出表示各样本图像属于同一人脸的置信度；

d、以所有子区域分类器针对相同人脸的各样本图像输出的置信度为正样本特征、以所有子区域分类器针对不同人脸的各样本图像输出的置信度为反样本特征，训练得到一个综合分类器，所述综合分类器可依据表示各样本图像属于同一人脸的置信度，输出各样本图像是否属于同一人脸的分类结果。

所述步骤c针对每一子区域执行如下步骤：

c0、给定该子区域的样本集L_B＝{(x_i，y_i)}，x_i∈X、x_i为特征向量差的绝对值构成的样本特征、X为包含所有n个特征向量差的绝对值构成的样本特征的特征向量，y_i为样本标识、y_i∈{+1，-1}，n为所述正反样本总数目；

c1、设置每个样本特征x_i的初始权重 $D_1\left(i\right)=\frac{1}{n};$

c2、进行T轮迭代，其中，在第t轮迭代过程中，先依据以样本特征x_i取值为横坐标、以样本特征x_i的权重累积值为纵坐标的第t轮离散分布D_t为每个样本特征x_i构造一弱分类器h_t(x_i)，然后从设定的所有弱分类器中选择可使正反样本分类误差最小的一个作为第t次迭代的最优弱分类器h_t(X)，再分别利用每个样本特征x_i的弱分类器h_t(x_i)更新该样本特征x_i下一次迭代的权重，T为预先设定的迭代次数；

c3、利用T次迭代得到的所有最优弱分类器h_t(X)计算得到该子区域表示所述置信度的所述子区域分类器 $H\left(X\right)=\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{h}_t\left(X\right).$

所述步骤c2在第t次迭代过程中包括如下步骤：

c20、将第t轮离散分布D_t上的特征取值空间划分为m个互不相交的区间；

c21、统计每一区间X_j内出现正样本特征的概率 $W_{+1}^j=\underset{i:x_j\∈X_j\∩y_i=+1}{\mathrm{\Σ}}{D}_t\left(i\right),$ 以及每一区间X_j内出现反样本特征的概率 $W_{-1}^j=\underset{i:x_i\∈X_j\∩y_i=-1}{\mathrm{\Σ}}{D}_t\left(i\right),$ j大于等于1且小于等于m；

c22、将每一区间X_j内的每一样本特征x_j的弱分类器h_t(x_j)设定为： $h_t\left(x_j\right)=\frac{1}{2}\ln \left(\frac{W_{+1}^j+\mathrm{\ϵ}}{W_{-1}^j+\mathrm{\ϵ}}\right),$ ε为避免W_-1 ^j为0时引起数字溢出的预定系数；

c23、从所有弱分类器中选择分类误差上界最小的一个作为第t次迭代的最优弱分类器h_t(X)，其中，弱分类器h_t(x_j)的分类误差上界 $Z=2\underset{j}{\mathrm{\Σ}}\sqrt{W_{+1}^j{W}_{-1}^j};$

c24、通过计算 $D_{t+1}\left(i\right)=\frac{D_t\left(i\right)\exp (-y_i{h}_t\left(x_i\right))}{\underset{1}{\overset{n}{\mathrm{\Σ}}}{D}_t\left(i\right)\exp (-y_i{h}_t\left(x_i\right))}$ 来更新每个样本特征x_i下一次迭代的权重D_t+1(i)。

所述步骤d包括：

d0、给定综合样本集L_p＝{(x′_p，y′_q)}，x′_p∈X′、x′_p为所述属于同一个人脸的置信度构成的样本特征、X′为包含所有N个所述属于同一个人脸的置信度所构成样本特征的特征向量，y′_p为样本标识、y′_p∈{+1，-1}，N为所述子区域的总数；

d1、设置每个样本特征x′_p的初始权重 ${D^{\′}}_1\left(p\right)=\frac{1}{N};$

d2、进行R轮迭代，其中，在第r轮迭代过程中，先依据以样本特征x′_p取值为横坐标、以样本特征x′_p的权重累积值为纵坐标的第r轮离散分布D_r为每个样本特征x′_p构造一弱分类器h_r(x′_p)，然后从设定的所有弱分类器中选择可使正反样本分类误差最小的一个作为第r次迭代的最优弱分类器h_r(X′)，再分别利用每个样本特征x′_p的弱分类器h_r(x′_p)更新该样本特征x′_p下一次迭代的权重，R为预先设定的迭代次数；

d3、利用R次迭代得到的所有最优弱分类器h_r(X′)计算得到表示所述分类结果的所述综合分类器 $H\left(X^{\′}\right)=\mathrm{sign}(\underset{r=1}{\overset{R}{\mathrm{\Σ}}}{h}_r\left(X^{\′}\right)-b),$ b为预定的置信度阈值，sign()为表示

是否大于b的符号函数。

所述步骤d2在第t次迭代过程中包括如下步骤：

d20、将第r轮离散分布D_r上的特征取值空间划分为Q个互不相交的区间；

d21、统计每一区间X′_q内出现正样本特征的概率 $W_{+1}^q=\underset{p:{x^{\′}}_p\∈{X^{\′}}_q\∩{y^{\′}}_p=+1}{\mathrm{\Σ}}{D}_r\left(p\right),$ 以及每一区间X′_q内出现反样本特征的概率 $W_{-1}^q=\underset{p:{x^{\′}}_p\∈{X^{\′}}_q\∩{y^{\′}}_p=-1}{\mathrm{\Σ}}{D}_r\left(p\right),$ q大于等于1且小于等于Q；

d22、将每一区间X′_q内的每一样本特征x′_q的弱分类器h_r(x′_q)设定为： $h_r\left({x^{\′}}_q\right)=\frac{1}{2}\ln \left(\frac{W_{+1}^q+\mathrm{\ϵ}}{W_{-1}^q+\mathrm{\ϵ}}\right),$ ε为避免W_-1 ^q为0时引起数字溢出的预定系数；

d23、从所有弱分类器中选择分类误差上界最小的一个作为第r次迭代的最优弱分类器h_r(X′)，其中，弱分类器h_r(x′_q)的分类误差上界 $Z=2\underset{q}{\mathrm{\Σ}}\sqrt{W_{+1}^q{W}_{-1}^q};$

d24、通过计算 $D_{r+1}\left(p\right)=\frac{D_r\left(p\right)\exp (-{y^{\′}}_p{h}_r\left({x^{\′}}_p\right))}{\underset{1}{\overset{N}{\mathrm{\Σ}}}{D}_r\left(p\right)\exp (-{y^{\′}}_p{h}_r\left({x^{\′}}_p\right))}$ 来更新每个样本特征x′_q下一次迭代的权重D_r+1(p)。

本发明提供的一种用于人脸认证的分类器训练装置，包括：

样本对齐模块，将各样本图像按照脸部特征点位置对齐并归一化；

特征提取模块，从对齐归一化后的各样本图像中提取特征向量

区域划分模块，将对齐归一化后的所有样本图像划分为相互交叠的若干子区域；

区域训练模块，分别以相同人脸的各样本图像在每一子区域内特征向量差的绝对值为该子区域的正样本特征、以不同人脸的各样本图像在每一子区域内的特征向量差的绝对值为该子区域的反样本特征，为每一子区域训练一个子区域分类器，所述子区域分类器可依据各样本图像在该子区域内的特征向量的差，输出表示各样本图像属于同一人脸的置信度；

综合训练模块，以所有子区域分类器针对相同人脸的各样本图像输出的置信度为正样本特征、以所有子区域分类器针对不同人脸的各样本图像输出的置信度为反样本特征，训练得到一个综合分类器，所述综合分类器可依据表示各样本图像属于同一人脸的置信度，输出各样本图像是否属于同一人脸的分类结果。

所述区域训练模块依次将每一子区域作为当前子区域进行处理、并针对当前子区域包括：

区域样本配置模块，设置有当前子区域的样本集L_B＝{(x_i，y_i)}，x_i∈X、x_i为特征向量差的绝对值构成的样本特征、X为包含所有n个特征向量差的绝对值构成的样本特征的特征向量，y_i为样本标识、y_i∈{+1，-1}，n为所述正反样本总数目；

区域权重配置子模块，设置每个样本特征x_i的初始权重 $D_1\left(i\right)=\frac{1}{n};$

区域迭代处理子模块，进行T轮迭代，其中，在第t轮迭代过程中，先依据以样本特征x_i取值为横坐标、以样本特征x_i的权重累积值为纵坐标的第t轮离散分布D_t为每个样本特征x_i构造一弱分类器h_t(x_i)，然后从设定的所有弱分类器中选择可使正反样本分类误差最小的一个作为第t次迭代的最优弱分类器h_t(X)，再分别利用每个样本特征x_i的弱分类器h_t(x_i)更新该样本特征x_i下一次迭代的权重，T为预先设定的迭代次数；

区域分类器输出子模块，利用T次迭代得到的所有最优弱分类器h_t(X)计算得到当前子区域表示所述置信度的所述子区域分类器 $H\left(X\right)=\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{h}_t\left(X\right).$

所述区域迭代处理子模块包括循环执行T轮迭代的如下子单元：

区域区间划分子单元，将第t轮离散分布D_t上的特征取值空间划分为m个互不相交的区间；

区域概率统计子单元，统计每一区间X_j内出现正样本特征的概率 $W_{+1}^j=\underset{i:x_i\∈X_j\∩y_i=+1}{\mathrm{\Σ}}{D}_t\left(i\right),$ 以及每一区间X_j内出现反样本特征的概率 $W_{-1}^j=\underset{i:x_i\∈X_j\∩y_i=-1}{\mathrm{\Σ}}{D}_t\left(i\right),$ j大于等于1且小于等于m；

区域弱分类器设定子单元，将每一区间X_j内的每一样本特征x_j的弱分类器h_t(x_j)设定为： $h_t\left(x_j\right)=\frac{1}{2}\ln \left(\frac{W_{+1}^j+\mathrm{\ϵ}}{W_{-1}^j+\mathrm{\ϵ}}\right),$ ε为避免W_-1 ^j为0时引起数字溢出的预定系数；

区域弱分类器选择子单元，从所有弱分类器中选择分类误差上界最小的一个作为第t次迭代的最优弱分类器h_t(X)，其中，弱分类器h_t(x_j)的分类误差上界 $Z=2\underset{j}{\mathrm{\Σ}}\sqrt{W_{+1}^j{w}_{-1}^j};$

区域权重更新子单元，通过计算 $D_{t+1}\left(i\right)=\frac{D_t\left(i\right)\exp (-y_i{h}_t\left(x_i\right))}{\underset{1}{\overset{n}{\mathrm{\Σ}}}{D}_t\left(i\right)\exp (-y_i{h}_t\left(x_i\right))}$ 来更新每个样本特征x_i下一次迭代的权重D_t+1(i)。

所述综合训练模块包括：

全局样本配置子模块，设置有综合样本集L_p＝{(x′_p，y′_q)}，x′_p∈X′、x′_p为所述属于同一个人脸的置信度构成的样本特征、X′为包含所有N个所述属于同一个人脸的置信度所构成样本特征的特征向量，y′_p为样本标识、y′_p∈{+1，-1}，N为所述子区域的总数；

全局权重配置子模块，设置有每个样本特征x′_p的初始权重 ${D^{\′}}_1\left(p\right)=\frac{1}{N};$

全局迭代处理子模块，进行R轮迭代，其中，在第r轮迭代过程中，先依据以样本特征x′_p取值为横坐标、以样本特征x′_p的权重累积值为纵坐标的第r轮离散分布D_r为每个样本特征x′_p构造一弱分类器h_r(x′_p)，然后从设定的所有弱分类器中选择可使正反样本分类误差最小的一个作为第r次迭代的最优弱分类器h_r(X′)，再分别利用每个样本特征x′_p的弱分类器h_r(x′_p)更新该样本特征x′_p下一次迭代的权重，R为预先设定的迭代次数；

全局分类器输出子模块，利用R次迭代得到的所有最优弱分类器h_r(X′)计算得到表示所述分类结果的所述综合分类器 $H\left(X^{\′}\right)=\mathrm{sign}(\underset{r=1}{\overset{R}{\mathrm{\Σ}}}{h}_r\left(X^{\′}\right)-b),$ b为预定的置信度阈值，sign()为表示是否大于b的符号函数。

所述全局迭代处理子模块包括循环执行R轮迭代的如下子单元：

全局区间划分子单元，将第r轮离散分布D_r上的特征取值空间划分为Q个互不相交的区间；

全局概率统计子单元，统计每一区间X′_q内出现正样本特征的概率 $W_{+1}^q=\underset{p:{x^{\′}}_p\∈{X^{\′}}_q\∩{y^{\′}}_p=+1}{\mathrm{\Σ}}{D}_r\left(p\right),$ 以及每一区间X′_q内出现反样本特征的概率 $W_{-1}^q=\underset{p:{x^{\′}}_p\∈{X^{\′}}_q\∩{y^{\′}}_p=-1}{\mathrm{\Σ}}{D}_r\left(p\right),$ q大于等于1且小于等于Q；

全局弱分类器设定子单元，将每一区间X′_q内的每一样本特征x′_q的弱分类器h_r(x′_q)设定为： $h_r\left({x^{\′}}_q\right)=\frac{1}{2}\ln \left(\frac{W_{+1}^q+\mathrm{\ϵ}}{W_{-1}^q+\mathrm{\ϵ}}\right),$ ε为避免W_-1 ^q为0时引起数字溢出的预定系数；

全局弱分类器选择子单元，从所有弱分类器中选择分类误差上界最小的一个作为第r次迭代的最优弱分类器h_r(X′)，其中，弱分类器h_r(x′_q)的分类误差上界 $Z=2\underset{q}{\mathrm{\Σ}}\sqrt{W_{+1}^q{W}_{-1}^q};$

全局权重更新子单元，通过计算 $D_{r+1}\left(p\right)=\frac{D_r\left(p\right)\exp (-{y^{\′}}_p{h}_r\left({x^{\′}}_p\right))}{\underset{1}{\overset{N}{\mathrm{\Σ}}}{D}_r\left(p\right)\exp (-{y^{\′}}_p{h}_r\left({x^{\′}}_p\right))}$ 来更新每个样本特征x′_q下一次迭代的权重D_r+1(p)。

本发明提供的一种人脸认证方法，包括：

a’、将待认证的输入图像与认证身份所对应的人脸模型按照脸部特征点位置对齐并归一化；

b’、从对齐归一化后的输入图像和人脸模型提取特征向量，并将对齐归一化后的输入图像和人脸模型划分为相互交叠的若干子区域；

c’、分别利用针对每个子区域预先训练得到的子区域分类器，对输入图像和人脸模型在该子区域内特征向量的差进行处理，得到表示输入图像和人脸模型基于该区域内的特征向量可被确定为同一人的置信度；

d’、利用预先训练得到的综合分类器，对所有子区域分类器输出的所述置信度进行处理，并得到表示输入图像和人脸模型基于各子区域的置信度是否属于同一人的认证结果。

本发明提供的一种人脸认证装置，包括：

跟踪定位模块，将待认证的输入图像与认证身份所对应的人脸模型按照脸部特征点位置对齐并归一化；

特征提取模块，从对齐归一化后的输入图像和人脸模型提取特征向量；

区域划分模块，将对齐归一化后的输入图像和人脸模型划分为相互交叠的若干子区域；

预先训练得到的对应每个子区域的子区域分类器，对输入图像和人脸模型在该子区域内特征向量的差进行处理，得到表示输入图像和人脸模型基于该区域内的特征向量可被确定为同一人的置信度；

预先训练得到的综合分类器，对所有子区域分类器输出的所述置信度进行处理，并得到表示输入图像和人脸模型基于各子区域的置信度是否属于同一人的认证结果。

由上述技术方案可见，本发明将人脸图像划分为若干相互交叠的子区域，先利用人脸图像在每个子区域内的特征向量分别为各子区域训练一个子区域分类器，使每个子区域分类器可输出一置信度，用于表示基于该子区域内所具有的特征向量，可确定特征向量所属人脸为真的概率；再利用各子区域分类器输出的置信度训练得到一综合分类器，使该综合分类器能够基于其各子区域所对应的置信度确定人脸是否为真。这样一来，在人脸认证时即可通过子区域分类器更多地利用人脸局部特征，并基于人脸局部特征所对应的置信度综合判断该人脸是否为真，从而相比于现有基于全局特征的方式，能够提高人脸认证的准确性。

附图说明

图1为本发明实施例中用于人脸认证的分类器训练方法的流程示意图；

图2为本发明实施例中人脸认证方法的流程示意图；

图3为本发明实施例中用于人脸认证的分类器训练装置的结构示意图；

图4为本发明实施例中人脸认证装置的结构示意图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚明白，以下参照附图并举实施例，对本发明进一步详细说明。

图1为本发明实施例中用于人脸认证的分类器训练方法的流程示意图。如图1所示，本发明实施例中用于人脸认证的分类器训练方法包括：

步骤101，将各样本图像按照例如眼睛、鼻尖等脸部特征点位置对齐并归一化。

本步骤中，如何识别眼睛、鼻尖等脸部特征，可以采用现有任一种方式来实现。

步骤102，从对齐归一化后的各样本图像中提取特征向量。

本步骤中，可以提取盖博(Gabor)特征作为特征向量。其中，Gabor特征由一系列不同尺度、不同方向的Gabor滤波器与图像进行二维卷积得到。具体说，本实施例可以采用m个尺度和n个方向所构成的所有Gabor滤波器来获取Gabor特征，称为全局滤波器组、用G(m×n)表示，可以但不限于取m＝5，n＝8。

假定人脸图像的宽度和高度分别为FW、FH，可以但不限于取FW为64、FH为64，则对一幅人脸图像即可得到一个由m*n*FW*FH个特征组成的特征向量，换言之，将尺度个数为m、方向个数为n的Gabor滤波器对像素中心位置为(i，j)的图像进行滤波，得到的Gabor特征可表示为Gabor(m，n，i，j)。

步骤103，将对齐归一化后的各样本图像划分为相互交叠的若干子区域。

本步骤中，若干子区域的大小可以相同、也可以不全相同，每个子区域的长宽比可以分别取但不限于取1∶1、1∶2、2∶1等等，且每个子区域与其任意邻边子区域交叠的宽度可以为至少1个像素。

步骤104，分别以相同人脸的各样本图像在每一子区域内特征向量差的绝对值为该子区域的正样本特征、以不同人脸的各样本图像在每一子区域内的特征向量差的绝对值为该子区域的反样本特征，为每一子区域训练一个子区域分类器，所述子区域分类器可依据各样本图像在该子区域内的特征向量的差，输出表示各样本图像属于同一人脸的置信度，从而使所述子区域分类器能够依据输入图像与人脸模型在对应子区域内的特征向量的差输出该输入图像与人脸模型属于同一人脸的置信度。

由于人脸识别是一个较为复杂的多类问题，即一个人脸与多个人脸的分类识别问题，因而为了简化处理，本步骤分别以同一人脸和不同人脸的各样本图像在每一子区域内特征向量差的绝对值为正反样本特征，而非利用若干人脸的样本图像本身作为正反样本特征，从而将多类问题转换为一个两类问题。

具体说，本步骤中对于每一子区域的处理过程可以包括：

1)给定由该子区域的正样本和反样本构成的样本集L_B＝{(x_i，y_i)}，x_i∈X、x_i为样本特征、X为所有n个样本特征构成的特征向量，y_i为样本标识、y_i∈{+1，-1}、x_i为正样本特征时y_i取+1、x_i为反样本特征时y_i取-1，i大于等于1且小于等于样本图像总数n、n为正反样本的总数目；

2)设置每个样本特征x_i的初始权重 $D_1\left(i\right)=\frac{1}{n},$ 这里设置的权重可以看作是每个样本特征x_i出现的概率值；

3)进行T轮迭代、T为预先设定的迭代次数，在第t轮迭代过程中：

3.1)依据以样本特征x_i所有可能的取值为横坐标、以样本特征x_i的权重累积值为纵坐标的第t轮离散分布D_t，为每个样本特征x_i构造一弱分类器h_t(x_i)、h_t(x_i)表示基于对应样本特征x_i基于其取值可被确定为真的概率。

例如：

可以先将D_t(i)累积分布的样本特征取值空间划分为m个互不相交的区间；

然后，统计每一区间X_j内出现正样本的概率：

$W_{+1}^j=P(x_i\∈X_j,y_i=+1)=\underset{i:x_i\∈X_j\∩y_i=+1}{\mathrm{\Σ}}{D}_t\left(i\right),$

以及，每一区间X_j内出现反样本特征的概率：

$W_{-1}^j=P(x_i\∈X_j,y_i=-1)=\underset{i:x_i\∈X_j\∩y_i=-1}{\mathrm{\Σ}}{D}_t\left(i\right);$

然后，即可将每一区间X_j内的每一样本特征x_j的弱分类器h_t(x_j)设定为： $h_t\left(x_j\right)=\frac{1}{2}\ln \left(\frac{W_{+1}^j+\mathrm{\ϵ}}{W_{-1}^j+\mathrm{\ϵ}}\right),$ $\∀x_j\∈X_j,$ ε为避免W_-1 ^j为0时引起数字溢出的预定系数。

3.2)从设定的所有弱分类器中选择可使正反样本分类误差最小的一个作为第t次迭代的最优弱分类器h_t(X)。

例如，对于弱分类器h_t(x_j)，其分类误差上界 $Z=2\underset{j}{\mathrm{\Σ}}\sqrt{W_{+1}^j{W}_{-1}^j}.$

3.3)分别利用每个样本特征x_i的弱分类器h_t(x_i)更新该样本特征x_i下一次迭代的权重，以使得正样本特征的权重越来越小、反样本特征的权重随着迭代过程的继续而越来越大，从而使最优弱分类器h_t(X)的精度随着迭代过程的继续而越来越高，t大于等于1且小于等于T。

实际应用中，可以计算 $D_{t+1}\left(i\right)=\frac{D_t\left(i\right)\exp (-y_i{h}_t\left(x_i\right))}{\underset{1}{\overset{n}{\mathrm{\Σ}}}{D}_t\left(i\right)\exp (-y_i{h}_t\left(x_i\right))}$ 来更新该样本特征x_i下一次迭代的权重D_t+1(i)。

4)利用T次迭代得到的所有最优弱分类器h_t(X)计算得到该子区域的强分类器、也就是该子区域表示所述置信度的子区域器 $H\left(X\right)=\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{h}_t\left(X\right).$

需要说明的是，本步骤中所出现的i和j、以及m和n与步骤102中表示Gabor特征的i和j、以及m和n无关。

步骤105，以所有子区域分类器针对相同人脸的各样本图像输出的置信度为正样本特征、以所有子区域分类器针对不同人脸的各样本图像输出的置信度为反样本特征，训练得到一个综合分类器，所述综合分类器可依据表示各样本图像属于同一人脸的置信度，输出各样本图像是否属于同一人脸的分类结果，从而使得所述综合分类器能够依据输入图像与人脸模型属于同一人脸的置信度，输出该输入图像与人脸模型是否属于同一人脸的分类结果。

如前所述，人脸识别是一个较为复杂的多类问题，即一个人脸与多个人脸的分类识别问题，因而仍然是为了简化处理，本步骤中利用置信度作为正反样本、而非利用样本图像本身作为正反样本，从而将多类问题转换为一个两类问题。

本步骤中的基本原理与步骤104类似，具体包括：

1)给定综合样本集L_p＝{(x′_p，y′_q)}，x′_p∈X′、x′_p为所述属于同一个人脸的置信度构成的样本特征、X′为包含所有N个子区域分类器输出的置信度所构成样本特征的特征向量，y′_p为样本标识、y′_p∈{+1，-1}，p大于等于1且小于等于子区域总数N；

2)设置每个样本特征x′_p的初始权重 ${D^{\′}}_1\left(p\right)=\frac{1}{N},$ 这里设置的权重可以看作是每个样本特征x′_p出现的概率值；

3)进行R轮迭代、R为预先设定的迭代次数，其中，在第r轮迭代过程中：

3.1)依据以样本特征x′_p所有可能的取值为横坐标、以样本特征x′_p的权重累积值为纵坐标的第r轮离散分布D_r，为每个样本特征x′_p构造一弱分类器h_r(x′_p)；

例如：

可先将第r轮离散分布D_r上的特征取值空间划分为Q个互不相交的区间；

统计每一区间X′_q内出现正样本特征的概率：

$W_{+1}^q=P({x^{\′}}_p\∈{X^{\′}}_q,{y^{\′}}_p=+1)=\underset{p:{x^{\′}}_p\∈{X^{\′}}_q\∩{y^{\′}}_p=+1}{\mathrm{\Σ}}{D}_r\left(p\right),$

以及，每一区间X′_q内出现反样本特征的概率：

$W_{-1}^q=P({x^{\′}}_p\∈{X^{\′}}_q,{y^{\′}}_p=-1)=\underset{p:{x^{\′}}_p\∈{X^{\′}}_q\∩{y^{\′}}_p=-1}{\mathrm{\Σ}}{D}_r\left(p\right),$

q大于等于1且小于等于Q；

然后，即可将每一区间X′_q内的每一样本特征x′_q的弱分类器h_r(x′_q)设定为： $h_r\left({x^{\′}}_q\right)=\frac{1}{2}\ln \left(\frac{W_{+1}^q+\mathrm{\ϵ}}{W_{-1}^q+\mathrm{\ϵ}}\right),$ $\∀{x^{\′}}_p\∈{X^{\′}}_q,$ ε为避免W_-1 ^q为0时引起数字溢出的预定系数。

3.2)从设定的所有弱分类器中选择可使正反样本分类误差最小的一个作为第r次迭代的最优弱分类器h_r(X′)；

例如，对于弱分类器h_r(x′_q)，其分类误差上界 $Z=2\underset{q}{\mathrm{\Σ}}\sqrt{W_{+1}^q{W}_{-1}^q}.$

3.3)分别利用每个样本特征x′_p的弱分类器h_r(x′_p)更新该样本特征x′_p下一次迭代的权重，以使得正样本特征的权重越来越小、反样本特征的权重随着迭代过程的继续而越来越大，从而使最优弱分类器h_r(X′)的精度随着迭代过程的继续而越来越高，r大于等于1且小于等于R；

例如，可通过计算 $D_{r+1}\left(p\right)=\frac{D_r\left(p\right)\exp (-{y^{\′}}_p{h}_r\left({x^{\′}}_p\right))}{\underset{1}{\overset{N}{\mathrm{\Σ}}}{D}_r\left(p\right)\exp (-{y^{\′}}_p{h}_r\left({x^{\′}}_p\right))}$ 来更新每个样本特征x′_i下一次迭代的权重D_r+1(p)。

4)利用R次迭代得到的所有最优弱分类器h_r(X′)计算得到表示所述分类结果的所述综合分类器 $H\left(X^{\′}\right)=\mathrm{sign}(\underset{r=1}{\overset{R}{\mathrm{\Σ}}}{h}_r\left(X^{\′}\right)-b),$ b为预定的置信度阈值，sign()为表示

是否大于b的符号函数、其输出正表示真、输出负表示假。

至此，本流程结束。

基于上述流程训练得到的子区域分类器和综合分类器，即可实现分区域的人脸认证。

图2为本发明实施例中人脸认证方法的流程示意图。如图2所示，基于上述训练方法得到的子区域分类器和综合分类器，本实施例中的人脸认证方法包括：

步骤201、将待认证的输入图像与认证身份所对应的人脸模型按照例如眼睛、鼻尖等脸部特征点位置对齐并归一化。

步骤202、从对齐归一化后的输入图像和人脸模型提取特征向量。

步骤203、将对齐归一化后的输入图像和人脸模型划分为相互交叠的若干子区域。

本步骤中对若干子区域的划分，是按照训练子区域分类器时相同的方式。

步骤204、分别利用针对每个子区域训练得到的子区域分类器，对输入图像和人脸模型在该子区域内特征向量的差进行处理，得到表示输入图像和人脸模型基于该区域内的特征向量可被确定为同一人的置信度。

步骤205、利用预先训练得到的综合分类器，对所有子区域分类器输出的所述置信度进行处理，并得到表示输入图像和人脸模型基于各子区域的置信度是否属于同一人的认证结果。

至此，本流程结束。

由上述分类器训练方法、以及基于该分类器训练方法的人脸认证方法可见，本发明实施例将人脸图像划分为若干相互交叠的子区域，先利用人脸图像在每个子区域内的特征向量分别为各子区域训练一个子区域分类器，使每个子区域分类器可输出一置信度，用于表示基于该子区域内所具有的特征向量可确定所属人脸为真的概率；再利用各子区域分类器输出的置信度训练得到一综合分类器，使该综合分类器能够基于其各子区域所对应的置信度确定人脸是否为真。这样一来，在人脸认证时即可通过子区域分类器更多地利用人脸局部特征，并基于人脸局部特征所对应的置信度综合判断该人脸是否为真，从而相比于现有基于全局特征的方式，能够提高人脸认证的准确性。

下面，再对本发明实施例中用于人脸认证的分类器训练装置和人脸认证装置进行详细说明。

图3为本发明实施例中用于人脸认证的分类器训练装置的结构示意图。如图3所示，本实施例中用于人脸认证的分类器训练装置包括：

样本对齐模块301，将各样本图像按照脸部特征点位置对齐并归一化；

特征提取模块302，从对齐归一化后的各样本图像中提取特征向量，例如Gabor特征；

区域划分模块303，将对齐归一化后的所有样本图像划分为相互交叠的若干子区域；

区域训练模块304，分别以相同人脸的各样本图像在每一子区域内特征向量差的绝对值为该子区域的正样本特征、以不同人脸的各样本图像在每一子区域内的特征向量差的绝对值为该子区域的反样本特征，为每一子区域训练一个子区域分类器，所述子区域分类器可依据各样本图像在该子区域内的特征向量的差，输出表示各样本图像属于同一人脸的置信度；

综合训练模块305，以所有子区域分类器针对相同人脸的各样本图像输出的置信度为正样本特征、以所有子区域分类器针对不同人脸的各样本图像输出的置信度为反样本特征，训练得到一个综合分类器，所述综合分类器可依据表示各样本图像属于同一人脸的置信度，输出各样本图像是否属于同一人脸的分类结果。

实际应用中，区域训练模块304依次将每一子区域作为当前子区域进行处理、并针对当前子区域包括(图3中未示出)：

区域样本配置模块，设置有当前子区域的样本集L_B＝{(x_i，y_i)}，x_i∈X、x_i为特征向量差的绝对值构成的样本特征、X为包含所有n个特征向量差的绝对值构成的样本特征的特征向量，y_i为样本标识、y_i∈{+1，-1}，n为所述正反样本总数目；

区域权重配置子模块，设置每个样本特征x_i的初始权重 $D_1\left(i\right)=\frac{1}{n};$

区域迭代处理子模块，进行T轮迭代、T为预先设定的迭代次数，其中，在第t轮迭代过程中，先依据以样本特征x_i取值为横坐标、以样本特征x_i的权重累积值为纵坐标的第t轮离散分布D_t为每个样本特征x_i构造一弱分类器h_t(x_i)，然后从设定的所有弱分类器中选择可使正反样本分类误差最小的一个作为第t次迭代的最优弱分类器h_t(X)，再分别利用每个样本特征x_i的弱分类器h_t(x_i)更新该样本特征x_i下一次迭代的权重；

区域分类器输出子模块，利用T次迭代得到的所有最优弱分类器h_t(X)，计算得到当前子区域表示所述置信度的所述子区域分类器 $H\left(X\right)=\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{h}_t\left(X\right).$

进一步地，区域迭代处理子模块又可以包括循环执行T轮迭代的如下子单元：

区域区间划分子单元，将第t轮离散分布D_t上的特征取值空间划分为m个互不相交的区间；

区域概率统计子单元，统计每一区间X_j内出现正样本特征的概率 $W_{+1}^j=\underset{i:x_i\∈X_j\∩y_i=+1}{\mathrm{\Σ}}{D}_t\left(i\right),$ 以及每一区间X_j内出现反样本特征的概率 $W_{-1}^j=\underset{i:x_i\∈X_j\∩y_i=-1}{\mathrm{\Σ}}{D}_t\left(i\right),$ j大于等于1且小于等于m；

区域弱分类器设定子单元，将每一区间X_j内的每一样本特征x_j的弱分类器h_t(x_j)设定为： $h_t\left(x_j\right)=\frac{1}{2}\ln \left(\frac{W_{+1}^j+\mathrm{\ϵ}}{W_{-1}^j+\mathrm{\ϵ}}\right),$ ε为避免W_-1 ^j为0时引起数字溢出的预定系数；

区域弱分类器选择子单元，从所有弱分类器中选择分类误差上界最小的一个作为第t次迭代的最优弱分类器h_t(X)，其中，弱分类器h_t(x_j)的分类误差上界 $Z=2\underset{j}{\mathrm{\Σ}}\sqrt{W_{+1}^j{W}_{-1}^j};$

区域权重更新子单元，通过计算 $D_{t+1}\left(i\right)=\frac{D_t\left(i\right)\exp (-y_i{h}_t\left(x_i\right))}{\underset{1}{\overset{n}{\mathrm{\Σ}}}{D}_t\left(i\right)\exp (-y_i{h}_t\left(x_i\right))}$ 来更新每个样本特征x_i下一次迭代的权重D_t+1(i)。

与区域训练模块304基本相同的原理，综合训练模块305可以包括(图3中未示出)：

全局样本配置子模块，设置有综合样本集L_p＝{(x′_p，y′_q)}，x′_p∈X′、x′_p为所述属于同一个人脸的置信度构成的样本特征、X′为包含所有N个子区域分类器输出的所述属于同一个人脸置信度所构成样本特征的特征向量，y′_p为样本标识、y′_p∈{+1，-1}，N为所述子区域的总数；

全局权重配置子模块，设置有每个样本特征x′_p的初始权重 ${D^{\′}}_1\left(p\right)=\frac{1}{N};$

全局迭代处理子模块，进行R轮迭代、R为预先设定的迭代次数，其中，在第r轮迭代过程中，先依据以样本特征x′_p取值为横坐标、以样本特征x′_p的权重累积值为纵坐标的第r轮离散分布D_r为每个样本特征x′_p构造一弱分类器h_r(x′_p)，然后从设定的所有弱分类器中选择可使正反样本分类误差最小的一个作为第r次迭代的最优弱分类器h_r(X′)，再分别利用每个样本特征x′_p的弱分类器h_r(x′_p)更新该样本特征x′_p下一次迭代的权重；

全局分类器输出子模块，利用R次迭代得到的所有最优弱分类器h_r(X′)计算得到表示所述分类结果的所述综合分类器 $H\left(X^{\′}\right)=\mathrm{sign}(\underset{r=1}{\overset{R}{\mathrm{\Σ}}}{h}_r\left(X^{\′}\right)-b),$ b为预定的置信度阈值，sign()为表示

是否大于b的符号函数。

进一步地，全局迭代处理子模块又可以包括循环执行R轮迭代的如下子单元：

全局区间划分子单元，将第r轮离散分布D_r上的特征取值空间划分为Q个互不相交的区间；

全局概率统计子单元，统计每一区间X′_q内出现正样本特征的概率 $W_{+1}^q=\underset{p:{x^{\′}}_p\∈{X^{\′}}_q\∩{y^{\′}}_p=+1}{\mathrm{\Σ}}{D}_r\left(p\right),$ 以及每一区间X′_q内出现反样本特征的概率 $W_{-1}^q=\underset{p:{x^{\′}}_p\∈{X^{\′}}_q\∩{y^{\′}}_p=-1}{\mathrm{\Σ}}{D}_r\left(p\right),$ q大于等于1且小于等于Q；

全局弱分类器设定子单元，将每一区间X′_q内的每一样本特征x′_q的弱分类器h_r(x′_q)设定为： $h_r\left({x^{\′}}_q\right)=\frac{1}{2}\ln \left(\frac{W_{+1}^q+\mathrm{\ϵ}}{W_{-1}^q+\mathrm{\ϵ}}\right),$ ε为避免W_-1 ^q为0时引起数字溢出的预定系数；

全局弱分类器选择子单元，从所有弱分类器中选择分类误差上界最小的一个作为第r次迭代的最优弱分类器h_r(X′)，其中，弱分类器h_r(x′_q)的分类误差上界 $Z=2\underset{q}{\mathrm{\Σ}}\sqrt{W_{+1}^q{W}_{-1}^q};$

全局权重更新子单元，通过计算 $D_{r+1}\left(p\right)=\frac{D_r\left(p\right)\exp (-{y^{\′}}_p{h}_r\left({x^{\′}}_p\right))}{\underset{1}{\overset{N}{\mathrm{\Σ}}}{D}_r\left(p\right)\exp (-{y^{\′}}_p{h}_r\left({x^{\′}}_p\right))}$ 来更新每个样本特征x′_q下一次迭代的权重D_r+1(p)。

图4为本发明实施例中人脸认证装置的结构示意图。如图4所示，本实施例中的人脸认证装置包括：

跟踪定位模块401，将待认证的输入图像与认证身份所对应的人脸模型按照脸部特征点位置对齐并归一化；

特征提取模块402，从对齐归一化后的输入图像和人脸模型提取特征向量；

区域划分模块403，将对齐归一化后的输入图像和人脸模型划分为相互交叠的若干子区域；

预先训练得到的对应每个子区域的子区域分类器404，对输入图像和人脸模型在该子区域内特征向量的差进行处理，得到表示输入图像和人脸模型基于该区域内的特征向量可被确定为同一人的置信度；

预先训练得到的综合分类器405，对所有子区域分类器输出的所述置信度进行处理，并得到表示输入图像和人脸模型基于各子区域的置信度是否属于同一人的认证结果。

由上述分类器训练装置、以及基于分类器训练装置训练得到的子区域分类器和综合分类器的人脸认证装置可见，本发明实施例将人脸图像划分为若干相互交叠的子区域，先利用人脸图像在每个子区域内的特征向量分别为各子区域训练一个子区域分类器，使每个子区域分类器可输出一置信度，用于表示基于该子区域内所具有的特征向量可确定所属人脸为真的概率；再利用各子区域分类器输出的置信度训练得到一综合分类器，使该综合分类器能够基于其各子区域所对应的置信度确定人脸是否为真。这样一来，在人脸认证时即可通过子区域分类器更多地利用人脸局部特征，并基于人脸局部特征所对应的置信度综合判断该人脸是否为真，从而相比于现有基于全局特征的方式，能够提高人脸认证的准确性。

以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换以及改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种用于人脸认证的分类器训练方法，其特征在于，包括如下步骤：

a、将各样本图像按照脸部特征点位置对齐并归一化；

b、从对齐归一化后的各样本图像中提取特征向量、并将对齐归一化后的所有样本图像划分为相互交叠的若干子区域；

c、分别以相同人脸的各样本图像在每一子区域内特征向量差的绝对值为该子区域的正样本特征、以不同人脸的各样本图像在每一子区域内的特征向量差的绝对值为该子区域的反样本特征，为每一子区域训练一个子区域分类器，所述子区域分类器可依据各样本图像在该子区域内的特征向量的差，输出表示各样本图像属于同一人脸的置信度；

d、以所有子区域分类器针对相同人脸的各样本图像输出的置信度为正样本特征、以所有子区域分类器针对不同人脸的各样本图像输出的置信度为反样本特征，训练得到一个综合分类器，所述综合分类器可依据表示各样本图像属于同一人脸的置信度，输出各样本图像是否属于同一人脸的分类结果；

所述步骤c针对每一子区域执行如下步骤：

c0、给定该子区域的样本集L_B={(x_i,y_i)}，x_i∈X、x_i为特征向量差的绝对值构成的样本特征、X为包含所有n个特征向量差的绝对值构成的样本特征的特征向量，y_i为样本标识、y_i∈{+1,-1}，n为正反样本总数目；

c1、设置每个样本特征x_i的初始权重

c2、进行T轮迭代，其中，在第t轮迭代过程中，先依据以样本特征x_i取值为横坐标、以样本特征x_i的权重累积值为纵坐标的第t轮离散分布D_t为每个样本特征x_i构造一弱分类器h_t(x_i)，然后从设定的所有弱分类器中选择可使正反样本分类误差最小的一个作为第t次迭代的最优弱分类器h_t(X)，再分别利用每个样本特征x_i的弱分类器h_t(x_i)更新该样本特征x_i下一次迭代的权重，T为预先设定的迭代次数，t为小于T的自然数；

c3、利用T次迭代得到的所有最优弱分类器h_t(X)计算得到该子区域表示所述置信度的所述子区域分类器所述步骤c2在第t次迭代过程中包括如下步骤：

c20、将第t轮离散分布D_t上的特征取值空间划分为m个互不相交的区间；

c21、统计每一区间X_j内出现正样本特征的概率

以及每一区间X_j内出现反样本特征的概率大于等于1且小于等于m，D_t（i）为第t轮迭代过程中的权重；

c22、将每一区间X_j内的每一样本特征x_j的弱分类器h_t(x_j)设定为：

ε为避免为0时引起数字溢出的预定系数；

c23、从所有弱分类器中选择分类误差上界最小的一个作为第t次迭代的最优弱分类器h_t(X)，其中，弱分类器h_t(x_j)的分类误差上界

c24、通过计算

来更新每个样本特征x_i下一次迭代的权重D_t+1(i)；

所述步骤d包括：

d0、给定综合样本集L_p={(x'_p,y'_q)}，x'_p∈X'、x'_p为所述属于同一个人脸的置信度构成的样本特征、X'为包含所有N个所述属于同一个人脸的置信度所构成样本特征的特征向量，y'_p为样本标识、y'_p∈{+1,-1}，N为所述子区域的总数；

d1、设置每个样本特征x'_p的初始权重

d2、进行R轮迭代，其中，在第r轮迭代过程中，先依据以样本特征x'_p取值为横坐标、以样本特征x'_p的权重累积值为纵坐标的第r轮离散分布D_r为每个样本特征x'_p构造一弱分类器h_r(x'_p)，然后从设定的所有弱分类器中选择可使正反样本分类误差最小的一个作为第r次迭代的最优弱分类器h_r(X')，再分别利用每个样本特征x'_p的弱分类器h_r(x'_p)更新该样本特征x'_p下一次迭代的权重，R为预先设定的迭代次数；

d3、利用R次迭代得到的所有最优弱分类器h_r(X')计算得到表示所述分类结果的所述综合分类器

b为预定的置信度阈值，sign()为表示

是否大于b的符号函数；

所述步骤d2在第t次迭代过程中包括如下步骤：

d20、将第r轮离散分布D_r上的特征取值空间划分为Q个互不相交的区间；

d21、统计每一区间X'_q内出现正样本特征的概率

以及每一区间X'_q内出现反样本特征的概率

q大于等于1且小于等于Q；

d22、将每一区间X'_q内的每一样本特征x'_q的弱分类器h_r(x'_q)设定为：

ε为避免

为0时引起数字溢出的预定系数；

d23、从所有弱分类器中选择分类误差上界最小的一个作为第r次迭代的最优弱分类器h_r(X')，其中，弱分类器h_r(x'_q)的分类误差上界

d24、通过计算

来更新每个样本特征x'_q下一次迭代的权重D_r+1(p)。

2.一种用于人脸认证的分类器训练装置，其特征在于，包括：

样本对齐模块，将各样本图像按照脸部特征点位置对齐并归一化；

特征提取模块，从对齐归一化后的各样本图像中提取特征向量

区域划分模块，将对齐归一化后的所有样本图像划分为相互交叠的若干子区域；

区域训练模块，分别以相同人脸的各样本图像在每一子区域内特征向量差的绝对值为该子区域的正样本特征、以不同人脸的各样本图像在每一子区域内的特征向量差的绝对值为该子区域的反样本特征，为每一子区域训练一个子区域分类器，所述子区域分类器可依据各样本图像在该子区域内的特征向量的差，输出表示各样本图像属于同一人脸的置信度；

综合训练模块，以所有子区域分类器针对相同人脸的各样本图像输出的置信度为正样本特征、以所有子区域分类器针对不同人脸的各样本图像输出的置信度为反样本特征，训练得到一个综合分类器，所述综合分类器可依据表示各样本图像属于同一人脸的置信度，输出各样本图像是否属于同一人脸的分类结果；

所述区域训练模块依次将每一子区域作为当前子区域进行处理、并针对当前子区域包括：

区域样本配置模块，设置有当前子区域的样本集L_B={(x_i,y_i)}，x_i∈X、x_i为特征向量差的绝对值构成的样本特征、X为包含所有n个特征向量差的绝对值构成的样本特征的特征向量，y_i为样本标识、y_i∈{+1,-1}，n为正反样本总数目；

区域权重配置子模块，设置每个样本特征x_i的初始权重

区域迭代处理子模块，进行T轮迭代，其中，在第t轮迭代过程中，先依据以样本特征x_i取值为横坐标、以样本特征x_i的权重累积值为纵坐标的第t轮离散分布D_t为每个样本特征x_i构造一弱分类器h_t(x_i)，然后从设定的所有弱分类器中选择可使正反样本分类误差最小的一个作为第t次迭代的最优弱分类器h_t(X)，再分别利用每个样本特征x_i的弱分类器h_t(x_i)更新该样本特征x_i下一次迭代的权重，T为预先设定的迭代次数，t为小于T的自然数；

区域分类器输出子模块，利用T次迭代得到的所有最优弱分类器h_t(X)计算得到当前子区域表示所述置信度的所述子区域分类器

所述区域迭代处理子模块包括循环执行T轮迭代的如下子单元：

区域区间划分子单元，将第t轮离散分布D_t上的特征取值空间划分为m个互不相交的区间；

区域概率统计子单元，统计每一区间X_j内出现正样本特征的概率

以及每一区间X_j内出现反样本特征的概率

j大于等于1且小于等于m，D_t（i）为第t轮迭代过程中的权重；

区域弱分类器设定子单元，将每一区间X_j内的每一样本特征x_j的弱分类器h_t(x_j)设定为：ε为避免

为0时引起数字溢出的预定系数；

区域弱分类器选择子单元，从所有弱分类器中选择分类误差上界最小的一个作为第t次迭代的最优弱分类器h_t(X)，其中，弱分类器h_t(x_j)的分类误差上界 $Z=2\underset{j}{\mathrm{\Σ}}\sqrt{W_{+1}^j{W}_{-1}^j};$

区域权重更新子单元，通过计算

来更新每个样本特征x_i下一次迭代的权重D_t+1(i)；

所述综合训练模块包括：

全局样本配置子模块，设置有综合样本集L_p={(x'_p,y'_q)}，x'_p∈X'、x'_p为所述属于同一个人脸的置信度构成的样本特征、X'为包含所有N个所述属于同一个人脸的置信度所构成样本特征的特征向量，y'_p为样本标识、y'_p∈{+1,-1}，N为所述子区域的总数；

全局权重配置子模块，设置有每个样本特征x'_p的初始权重

全局迭代处理子模块，进行R轮迭代，其中，在第r轮迭代过程中，先依据以样本特征x'_p取值为横坐标、以样本特征x'_p的权重累积值为纵坐标的第r轮离散分布D_r为每个样本特征x'_p构造一弱分类器h_r(x'_p)，然后从设定的所有弱分类器中选择可使正反样本分类误差最小的一个作为第r次迭代的最优弱分类器h_r(X')，再分别利用每个样本特征x'_p的弱分类器h_r(x'_p)更新该样本特征x'_p下一次迭代的权重，R为预先设定的迭代次数；

全局分类器输出子模块，利用R次迭代得到的所有最优弱分类器h_r(X')计算得到表示所述分类结果的所述综合分类器

b为预定的置信度阈值，sign()为表示是否大于b的符号函数；

所述全局迭代处理子模块包括循环执行R轮迭代的如下子单元：

全局区间划分子单元，将第r轮离散分布D_r上的特征取值空间划分为Q个互不相交的区间；

全局概率统计子单元，统计每一区间X'_q内出现正样本特征的概率

以及每一区间X'_q内出现反样本特征的概率

q大于等于1且小于等于Q；

全局弱分类器设定子单元，将每一区间X'_q内的每一样本特征x'_q的弱分类器h_r(x'_q)设定为：

ε为避免

为0时引起数字溢出的预定系数；

全局弱分类器选择子单元，从所有弱分类器中选择分类误差上界最小的一个作为第r次迭代的最优弱分类器h_r(X')，其中，弱分类器h_r(x'_q)的分类误差上界 $Z=2\underset{q}{\mathrm{\Σ}}\sqrt{W_{+1}^q{W}_{-1}^q};$

全局权重更新子单元，通过计算

来更新每个样本特征x'_q下一次迭代的权重D_r+1(p)。

Images