CN101840510A - 基于成本敏感的自适应增强的人脸认证方法 - Google Patents

Abstract

本发明涉及自适应增强的人脸认证方法，其特征在于按以下步骤进行：第1步对待认证人的图像进行人脸检测：利用OpenCV图像处理软件中的分类器训练程序进行训练得到一个级联分类器，级联分类器对输入的图像进行人脸检测并得到人脸区域；第2步提取人脸特征：从第1步中的检测出的人脸区域中提取局部二值模式(LBP)特征和尺度不变特征转换(SIFT)特征进行组合成一个人脸特征；第3步进行人脸认证：将第2步中的得到的人脸特征与人脸数据库中人脸图像的LBP和SIFT组合的人脸特征进行比对，将比对的结果输入成本敏感的自适应增强分类器，成本敏感的自适应增强分类器来判断输入图像的人与人脸数据库中的人是否为同一人。本发明可以有效降低误辩率。

Description

基于成本敏感的自适应增强的人脸认证方法

技术领域

本发明涉及一种基于成本敏感的自适应增强的人脸认证方法。

背景技术

人脸认证是模式识别领域里一个非常重要的问题，有很强的实际应用潜力。现有的人脸认证主要有两种办法，一是通过度量学习的办法改善距离空间；二是把人脸认证问题作为一个二类分类问题，通过一些分类算法来进行分类。第一种方法，计算时间长，效果不佳，实用性不强；第二种方法存在一个缺点，就是把两个不同的人错分为同一人的概率很高。这严重影响其算法在实际应用中的可行性。

发明内容

本发明的目的为了解决现有人脸认证的第二种方法存在的问题，而提供一种基于成本敏感的自适应增强的人脸认证方法，可以有效降低误辩率。

本发明的技术方案为：

基于成本敏感的自适应增强的人脸认证方法，其特征在于按以下步骤进行：第1步对待认证人的图像进行人脸检测：利用OpenCV图像处理软件中的分类器训练程序进行训练得到一个级联分类器，级联分类器对输入的图像进行人脸检测并得到人脸区域；第2步提取人脸特征：从第1步中的检测出的人脸区域中提取局部二值模式(LBP)特征和尺度不变特征转换(SIFT)特征进行组合成一个人脸特征；第3步进行人脸认证：将第2步中的得到的人脸特征与人脸数据库中人脸图像的LBP和SIFT组合的人脸特征进行比对，将比对的结果输入成本敏感的自适应增强分类器，成本敏感的自适应增强分类器来判断输入图像的人与人脸数据库中的人是否为同一人。本发明的第1步第第2步都可以采用现有的方法就能直接实现，重点在于第3步的成本敏感的自适应增强分类器的实现。

所述的成本敏感的自适应增强分类器的实现步骤为：利用收集的人脸数据库进行训练：输入训练样本集Γ，Γ含有N个训练样本(x_n，y_n)，其中y_n∈{1，-1}，x_n为人脸数据库中任意两个人的人脸特征差的绝对值，w_k(n)表示在第k循环中第n个训练样本的权重；(C₁，C₂)是两种错误的权重；初始化为w₁(n)＝1，在每一次循环中，下面三步被一一实现：

(1)利用训练样本集Γ和样本权重w_k(n)构建弱分类器H_k，且弱分类器为二叉树分类器；其中用Ψ_k(x)∈[0，1]表示分类的信心度；

(2)利用H_k对训练样本集Γ进行分类，同时计算错误率：

$r_k=\frac{1}{N}\underset{n}{\mathrm{\Σ}}\mathrm{\δ}{w}_k\left(n\right){\mathrm{\Ψ}}_k\left(x_n\right)$

其中

(3)更新权重：

w_(k+1)(n)＝w_k(n)exp(-δα_kΨ_k(x_n))

其中 ${\mathrm{\α}}_k=\frac{1}{2}\ln \left(\frac{1+r_k}{1-r_k}\right)$

在M次循环后，最后的分类准则为：

$H^{*}\left(x\right)=\arg \max \underset{k:H_k=y}{\mathrm{\Σ}}{\mathrm{\α}}_k{\mathrm{\Ψ}}_k\left(x\right),$

其中，M为100-1000，N为1500，n为1-N，k为1-M。

本发明可以有效降低误辩率。

附图说明

图1为人脸检测示意图；

图2为LBP人脸特征示意图；

图3为SIFT特征示意图；

图4为算法流程示意图；

图5为算法精度和参数的关系示意图。

具体实施方式

下面结合附图对本发明进行详细的说明：

如图4所示，基于成本敏感的自适应增强的人脸认证方法，其特征在于按以下步骤进行：第1步对待认证人的图像进行人脸检测：利用OpenCV图像处理软件中的分类器训练程序进行训练得到一个级联分类器，级联分类器对输入的图像进行人脸检测并得到人脸区域；第2步提取人脸特征：从第1步中的检测出的人脸区域中提取局部二值模式(LBP)特征和尺度不变特征转换(SIFT)特征进行组合成一个人脸特征；LBP是一种基于图像纹理的特征，它于1996年由Ojala等人提出.LBP在人脸识别的运用中已被证明是一种很强大的特征；SIFT是被运用得最为广泛的一种特征，它于1999年由Lowe提出；由于这种特征对于图像尺度、位置、仿射变换和几何变换是不变的，所以利用这种特征可以很方便地从自然图像中识别出物体，即便是所要识别的物体存在部分遮挡问题。这两种特征都可以很好的描述人脸。LBP特征如图2所示。在计算SIFT特征时，我们先通过已有的技术找到人脸的九个固定点，然后按照一定顺序，提取每个点的SIFT特征，并连接为一个特征向量；图3显示的是提取SIFT特征时所找到的九个固定点；第3步进行人脸认证：将第2步中的得到的人脸特征与人脸数据库中人脸图像的LBP和SIFT组合的人脸特征进行比对，将比对的结果输入成本敏感的自适应增强分类器，成本敏感的自适应增强分类器来判断输入图像的人与人脸数据库中的人是否为同一人。我们把人脸认证问题转化为二类分类问题。给定输入图像的人脸特征f₁与人脸数据库中的人脸特征f₂，我们用f＝|f₁-f₂|来作为这一对人脸图像的特征；对于人脸认证，有两种错误。错误一是把不是同一人的分类为同一人，错误二而是把同一人的分类为不同的人。在实际应用中，我们认为第一种错误比第二种错误更严重。为了更大程度的避免第一种错误，我们设计出成本敏感的自适应增强的分类器。

所述的成本敏感的自适应增强分类器的实现步骤为：利用收集的人脸数据库进行训练：输入训练样本集Γ，Γ含有N个训练样本(x_n，y_n)，其中y_n∈{1，-1}，x_n为人脸数据库中任意两个人的人脸特征差的绝对值，w_k(n)表示在第k循环中第n个训练样本的权重；(C₁，C₂)是两种错误的权重；初始化为w₁(n)＝1，在每一次循环中，下面三步被一一实现：

(1)利用训练样本集Γ和样本权重w_k(n)构建弱分类器H_k，且弱分类器为二叉树分类器；其中用Ψ_k(x)∈[0，1]表示分类的信心度；

(2)利用H_k对训练样本集Γ进行分类，同时计算错误率：

$r_k=\frac{1}{N}\underset{n}{\mathrm{\Σ}}\mathrm{\δ}{w}_k\left(n\right){\mathrm{\Ψ}}_k\left(x_n\right)$

其中

(3)更新权重：

w_(k+1)(n)＝w_k(n)exp(-δα_kΨ_k(x_n))

其中 ${\mathrm{\α}}_k=\frac{1}{2}\ln \left(\frac{1+r_k}{1-r_k}\right)$

在M次循环后，最后的分类准则为：

$H^{*}\left(x\right)=\arg \max \underset{k:H_k=y}{\mathrm{\Σ}}{\mathrm{\α}}_k{\mathrm{\Ψ}}_k\left(x\right),$

其中，M为100，N为1500，n为1-N，k为1-M。

本发明是一种迭代方法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器(强分类器)。其方法本身是通过改变数据分布来实现的，它根据每次训练集之中每个样本的分类是否正确，以及上次的总体分类的准确率，来确定每个样本的权值。将修改过权值的新数据集送给下层分类器进行训练，最后将每次训练得到的分类器最后融合起来，作为最后的决策分类器。使用成本敏感的自适应增强分类器可以排除一些不必要的训练数据特徵，并将关键放在关键的训练数据上面。这里我们的训练样本中正样本为一对对相同人的照片，负样本为一对对不同人的照片。

而我们的成本敏感的自适应增强分类器则体现在自适应增强方法中的计算弱分类器的错误率这一步。我们令两种错误的权重不同，则在计算全局错误率时，就为两种错误的加权和。图5显示了我们的算法在参数C₁/C₂的变化下，其人脸认证的精度的曲线图。

Claims (2)

1.基于成本敏感的自适应增强的人脸认证方法，其特征在于按以下步骤进行：第1步对待认证人的图像进行人脸检测：利用OpenCV图像处理软件中的分类器训练程序进行训练得到一个级联分类器，级联分类器对输入的图像进行人脸检测并得到人脸区域；第2步提取人脸特征：从第1步中的检测出的人脸区域中提取局部二值模式(LBP)特征和尺度不变特征转换(SIFT)特征进行组合成一个人脸特征；第3步进行人脸认证：将第2步中的得到的人脸特征与人脸数据库中人脸图像的LBP和SIFT组合的人脸特征进行比对，将比对的结果输入成本敏感的自适应增强分类器，成本敏感的自适应增强分类器来判断输入图像的人与人脸数据库中的人是否为同一人。

2.根据权利要求1所述的基于成本敏感的自适应增强的人脸认证方法，其特征在于：所述的成本敏感的自适应增强分类器的实现步骤为：利用收集的人脸数据库进行训练：输入训练样本集Γ，Γ含有N个训练样本(x_n，y_n)，其中y_n∈{1，-1}，x_n为人脸数据库中任意两个人的人脸特征差的绝对值，w_k(n)表示在第k循环中第n个训练样本的权重；(C₁，C₂)是两种错误的权重；初始化为w₁(n)＝1，在每一次循环中，下面三步被一一实现：

(1)利用训练样本集Γ和样本权重w_k(n)构建弱分类器H_k，且弱分类器为二叉树分类器；其中用Ψ_k(x)∈[0，1]表示分类的信心度；

(2)利用H_k对训练样本集Γ进行分类，同时计算错误率：

其中

$r_k=\frac{1}{N}\underset{n}{\mathrm{\Σ}}{\mathrm{\δw}}_k\left(n\right){\mathrm{\Ψ}}_k\left(x_n\right)$

(3)更新权重：

w(k+1)(n)＝w_k(n)exp(-δα_kΨ_k(x_n))

其中 ${\mathrm{\α}}_k=\frac{1}{2}1n\left(\frac{1+r_k}{1-r_k}\right)$

在M次循环后，最后的分类准则为：

$H^{*}\left(x\right)=\arg \max \underset{k:H_k=y}{\mathrm{\Σ}}{\mathrm{\α}}_k{\mathrm{\Ψ}}_k\left(x\right),$

其中，M为100-1000，N为1500，n为1-N，k为1-M。

Images