專利名稱：：基于序列簡化支持向量的人臉檢測方法
技術(shù)領(lǐng)域：
：本發(fā)明屬于圖像處理
技術(shù)領(lǐng)域：
，特別是涉及人臉的檢測，可用于公共安全，信息安全，金融安全的監(jiān)督和防護(hù)。
背景技術(shù)：
：生物特征識(shí)別技術(shù)是利用人自身具備的永久生物特征，如指紋、人臉、虹膜、掌紋等進(jìn)行人身份的鑒別技術(shù)。而用指紋、掌型、虹膜等識(shí)別技術(shù)都需要被識(shí)別者配合，不能在被識(shí)別者不知情的情況下完成，但人的面部識(shí)別則可以用攝像頭較遠(yuǎn)距離捕捉圖像，在當(dāng)事人不知不覺的情況下完成身份確認(rèn)識(shí)別工作，在實(shí)際中有非常重大的意義。由此可見，人臉識(shí)別技術(shù)是用于人身份鑒別的一種非常重要和實(shí)用的方法。人臉檢測實(shí)際上是一個(gè)兩類的人臉鑒別問題，即在一幅圖像中只有"人臉"和"非人臉"之分。其基本思想是基于知識(shí)或統(tǒng)計(jì)的方法對人臉鑒別，從而得到可能存在的人臉區(qū)域。支持向量機(jī)首先是由Vapnik及其合作者在1995年首先提出來的，是近年來機(jī)器學(xué)習(xí)研究的一項(xiàng)重大成果。支持向量機(jī)可以應(yīng)用于，如目標(biāo)體檢測、人臉檢測、和數(shù)字體識(shí)別等多個(gè)領(lǐng)域。1997年，Os皿a將支持向量機(jī)應(yīng)用于人臉檢測。但是，支持向量機(jī)訓(xùn)練得到的支持向量有很多都是冗余的，因此Burges提出一種簡化的向量準(zhǔn)則來鑒別未知測試樣本，用約減向量集來代替原有支持向量集，可有效的提高鑒別速率。為加快Burges方法求解約減向量集的速率，Sch61kopf于2003提出一種只針對高斯核函數(shù)的固定點(diǎn)迭代方法，并將此方法應(yīng)用于人臉檢測。Osuna提出的基于支持向量機(jī)的人臉檢測方法，在鑒別的過程中用到的是支持向量集，使得鑒別速率很慢。Burges提出的簡化支持向量方法，在求解約減向量集的過程中使用的是梯度下降算法或者共軛梯度下降算法，導(dǎo)致該過程需要大量時(shí)間。Sch61kopf提出的固定點(diǎn)迭代方法求解約減集，只能用于高斯核函數(shù)，使得該方法的應(yīng)用領(lǐng)域受到限制。
發(fā)明內(nèi)容本發(fā)明的目的在于克服上述技術(shù)的不足，提出一種基于序列簡化支持向量的人臉檢測方法，以應(yīng)用于任何核函數(shù)，而且在保證精度的前提下，提高求解約減向量集的速率和檢測速率。為實(shí)現(xiàn)上述目的，本發(fā)明包括如下步驟(1)對原始訓(xùn)練圖像進(jìn)行行拉伸的預(yù)處理，將行拉伸后的圖像數(shù)據(jù)作為訓(xùn)練樣本x,.ei",Z-l,...，Z，其中"為訓(xùn)練樣本維數(shù)，/為訓(xùn)練樣本總個(gè)數(shù)，并且對每一個(gè)訓(xùn)練樣本進(jìn)行標(biāo)識(shí)，使+1類表示人臉樣本，-1類表示非人臉樣本，得到訓(xùn)練樣本集x,.e/"，_y;e{+l，-l}，z'=l，.../，將該訓(xùn)練樣本集輸入到計(jì)算機(jī)中進(jìn)行步驟(2);(2)用訓(xùn)練樣本集在計(jì)算機(jī)中訓(xùn)練支持向量機(jī)，得到最優(yōu)的偏置6e及、支持向量系數(shù)0^及和支持向量8,.€及"，/=1,...^，其中A^為支持向量個(gè)數(shù)；(3)利用序列優(yōu)化約減向量方法對支持向量系數(shù)a,.e及，和支持向量8,^及"，/=1，...，7\^進(jìn)行約減，具體步驟如下3a)設(shè)定求解約減向量的有約束目標(biāo)函數(shù)&=丄c2，")aA)沈A々0，A、0，z=l"..，/式中，^-《，z'-l，…，/表示第/個(gè)訓(xùn)練樣本x,.對應(yīng)的系數(shù)，一為將訓(xùn)練樣本從w維實(shí)空間映射到高維特征空間尸的映射函數(shù)，C為懲罰因子，通過調(diào)節(jié)C的大小，控制約減向量的個(gè)數(shù)；3b)求取約束目標(biāo)函數(shù)的Lagrange對偶函數(shù)；3c)由約束目標(biāo)函數(shù)和Lagrange對偶函數(shù)得到最優(yōu)解滿足的Karush-Kuhn-Tucker(KKT)條件；3d)以KKT條件作為求解約減向量的終止條件判斷，判斷當(dāng)前所有樣本是否滿足KKT條件，若有違反KKT條件的樣本，繼續(xù)步驟(3e)，否則跳至步驟(3f);3e)設(shè)定當(dāng)前工作集中有且僅有一個(gè)元素，并且選用違反KKT條件最大者作為該元素，計(jì)算該元素的最優(yōu)解；3f)設(shè)定一個(gè)正常數(shù)0，通過調(diào)節(jié)該常數(shù)控制約減向量的個(gè)數(shù)A^，計(jì)算每一個(gè)訓(xùn)練樣本所對應(yīng)的系數(shù)^-《，/=1，...，/，在這/個(gè)系數(shù)中找到大于該常數(shù)0的項(xiàng)為6A.—《，=1,...，Afe，則這些項(xiàng)所對應(yīng)訓(xùn)練樣本被稱為約減向量z"=1，...，Afe，這些約減向量對應(yīng)的系數(shù)定義為6=A.-《,_/=l,...，A^，得到約減向量集{z";o.},_/=i,...,Afe，其中iVz為約減向量個(gè)數(shù)；(4)對測試圖像進(jìn)行行拉伸的預(yù)處理，將行拉伸后的圖像數(shù)據(jù)作為測試樣本xe及"，其中w為測試樣本維數(shù)，并且對這個(gè)測試樣本x進(jìn)行標(biāo)識(shí)，當(dāng)該輸入測試圖像為人臉時(shí)，y=+l，否則y=-1，得到測試樣本集xe及"，3;e(+l，-1}，將該測試樣本輸入到計(jì)算機(jī)中進(jìn)行步驟(5);(5)用步驟(3)中得到的約減向量集{2;，^},_/=1，...,^對測試樣本乂進(jìn)行鑒他別，計(jì)算函數(shù)值/&)=|>/0^》+6，其中6為支持向量機(jī)訓(xùn)練得到的偏置，A:為人工設(shè)定的核函數(shù)；如果函數(shù)值/00>0，則測試樣本x是+l類樣本，該測試圖像為人臉；否則x是-l類樣本，該測試圖像為非人臉樣本；如果得到的分類結(jié)果+l類或者-l類與步驟(4)中的標(biāo)識(shí)j;相同，則說明鑒別結(jié)果正確；否則鑒別結(jié)果錯(cuò)誤。本發(fā)明與其他技術(shù)相比具有以下優(yōu)點(diǎn)1、本發(fā)明考慮到支持向量機(jī)鑒別過程中的支持向量存在冗余，將基于支持向量機(jī)求解出的約減向量集替代原有支持向量集，用于鑒別測試樣本，提高了鑒別速率。2、本發(fā)明在原有基于支持向量機(jī)求解約減向量的思想上，巧妙地提出一種有約束目標(biāo)函數(shù)，并且可以通過調(diào)整參數(shù)C來控制約減向量的個(gè)數(shù)。3、本發(fā)明將原有訓(xùn)練支持向量機(jī)的序列最小優(yōu)化方法引進(jìn)到求解巳提出的約束目標(biāo)函數(shù)上，并且用KKT條件作為終止條件判斷。4、本發(fā)明在求解約減向量集的過程中，當(dāng)前工作集中元素個(gè)數(shù)固定，從而需要調(diào)節(jié)參數(shù)相對較少，降低了復(fù)雜度。圖1是本發(fā)明人臉檢測方法的流程框圖。具體實(shí)施例方式參照圖1，本發(fā)明包括訓(xùn)練過程和鑒別過程兩部分，其中訓(xùn)練過程包括訓(xùn)練樣本集獲取、支持向量機(jī)訓(xùn)練和約減向量求解；鑒別過程包括測試樣本集獲取和鑒別結(jié)果輸出。具體實(shí)現(xiàn)如下步驟l:將原始圖像進(jìn)行預(yù)處理。輸入一套20X20的MIT圖像，其中包括人臉圖像和非人臉圖像片段，將每一副圖像行拉伸為一個(gè)1X400的向量，得到樣本集{(Xij,)|x(ei400j,e{+1，-1}，/=1廣，7087}，其中，輸入樣本個(gè)數(shù)為7087，樣本維數(shù)為400，第/個(gè)樣本的標(biāo)識(shí)為乃，使+l類表示人臉樣本，-l類表示非人臉；將樣本隨機(jī)排序，采用IO倍交叉驗(yàn)證方法進(jìn)行訓(xùn)練和鑒別,用于訓(xùn)練的樣本個(gè)數(shù)為6378，得到10組訓(xùn)練樣本集^x,-，:^^e及柳,xe{+l，—1},/=1，...，6378}，用于鑒別的樣本個(gè)數(shù)為709，得到10組測試樣本{、￡及4°°，!'=1,...，709}和10組測試樣本集步驟2:支持向量機(jī)訓(xùn)練。將1組訓(xùn)練樣本集{^，;^|\€及400,3;,"+1,-1}，/=1，...，7087}輸入到支持向量機(jī)進(jìn)行訓(xùn)練，得到最優(yōu)的偏置"及、支持向量系數(shù)a,.e及和支持向量S,.ei4°V'=l，...A^，得到支持向量集K，^，z、l，…，iVx，其中A^為支持向量個(gè)數(shù)。步驟3:根據(jù)訓(xùn)練支持向量機(jī)得到的支持向量集{8,.,",.},/=1，...,級(jí)，求解約減向量集(z乂，;^,7'-l，…，Wz。(3a)設(shè)定求解約減向量的有約束目標(biāo)函數(shù)；《=丄a26378W:c6378,=i(a)Z(A-《則-2>苑)沈A20，/^20，z=l,...,6378式中，A-《，/=1，...,6378表示第/個(gè)訓(xùn)練樣本、對應(yīng)的系數(shù)，^為將訓(xùn)練樣本從"維實(shí)空間映射到高維特征空間尸的映射函數(shù)，C為懲罰因子，通過調(diào)節(jié)C的大小，控制約減向量的個(gè)數(shù)；(3b)用矩陣表示約束目標(biāo)函數(shù)(a);式中，Jl=《《=會(huì)fi7"!!^++會(huì)o^Ha20，/=1,...2x6378<formula>formulaseeoriginaldocumentpage9</formula>(b)c=H=A:(s,.,s》，/，_/=1，...,，H一(x,.,x》，/,7=1"."/，Hm:A:(x,，s》，/=1，...，/，_/=l，...,A^，A:為人工設(shè)定的核函數(shù)，符號(hào)r表示轉(zhuǎn)置。(3c)求約束目標(biāo)函數(shù)矩陣形式(b)的Lagrange對偶函數(shù)；1Ju，丄122//,20，《,々0,z'=l"..,2x6378(c)式中co為Lagrange乘子；(3d)由約束目標(biāo)函數(shù)矩陣形式(b)和其Lagrange對偶函數(shù)(c)中的目標(biāo)函數(shù)得到最優(yōu)解滿足的Karush-Kuhn-Tucker(KKT)條件；d—co=0一ODm々o=0,/=1"..，6378式中d-H^+c，為約束目標(biāo)函數(shù)矩陣形式(b)的梯度，d=co;將式(d)分解為兩個(gè)條件如果〃,.=0，則要求《20;如果>0，則要求=0;(3e)以KKT條件作為求解約減向量的終止條件判斷，判斷當(dāng)前所有樣本是否滿足KKT條件，若有違反KKT條件的樣本，繼續(xù)步驟(3f)，否則跳至步驟(3g);(3f)設(shè)定當(dāng)前工作集中有且僅有一個(gè)元素，選用違反KKT條件最大者作為該元素，是將所求變量Ji中的元素分為工作集和非工作集，在違反KKT條件(d)的元素中，找到這些元素中梯度的絕對值最大者作為當(dāng)前工作集中需要更新的元素，然后按照約束目標(biāo)函數(shù)(a)的矩陣表示式(b)計(jì)算該元素的最優(yōu)解。(3g)設(shè)定一個(gè)正常數(shù)^，通過調(diào)節(jié)該常數(shù)控制約減向量的個(gè)數(shù)Afe，計(jì)算每一個(gè)訓(xùn)練樣本所對應(yīng)的系數(shù)A-《,z'=l,...,6378，在這6378個(gè)系數(shù)中找到大于該常數(shù)^的項(xiàng)為A,《，_/=1,...，他，則這些項(xiàng)所對應(yīng)訓(xùn)練樣本被稱為約減向量z;，_/=1，...，Wz，這些約減向量對應(yīng)的系數(shù)定義為=/;-《，y'=1,...，，得到約減向量集{2";^},1/=1，...，^2，其中JNfe為約減向量個(gè)數(shù)。步驟4:鑒別結(jié)果輸出。將1組測試樣本集"x,j,)lx,e及柳,y,.^{+1,-1}，/=1,...，709}輸入到計(jì)算機(jī)中進(jìn)行鑒別，是用步驟3中得到的約減向量集(ZpWJ-l，…,M對該測試樣本{、"4。。,/=1,..，709}進(jìn)行鑒別，計(jì)算函數(shù)值/(x,.—I^A:(x,.,z》+6，/=1,...，709，其中6為支持向量機(jī)訓(xùn)練得到的偏置，A:為人工設(shè)定的核函數(shù)；如果函數(shù)值/(X,.)>0,則測試樣本x,.是+l類樣本，該測試圖像為人臉；否則x,.是-l類樣本，該測試圖像為非人臉樣本；如果得到的分類結(jié)果+1類或者-1類與該組測試樣本集{(X,^)|Xiei4°Q,:^e{+l,—lp-l，…,709l中與該測試樣本x,.所對應(yīng)的標(biāo)識(shí)y相同，則說明鑒別結(jié)果正確；否則鑒別結(jié)果錯(cuò)誤。步驟5:計(jì)算正確鑒別率。用符號(hào)m表示步驟5中鑒別正確的測試樣本個(gè)數(shù)總和，符號(hào)5表示正確鑒別率，統(tǒng)計(jì)步驟5中鑒別正確的測試樣本個(gè)數(shù)，則5為5=附〃09。上述整個(gè)基于序列簡化支持向量的人臉檢測方法中的各個(gè)過程均通過計(jì)算機(jī)程序?qū)崿F(xiàn)其功能，完成對人臉圖像的檢測。本發(fā)明的效果通過以下仿真進(jìn)一步說明1、仿真條件與內(nèi)容對MIT數(shù)據(jù)集按照上述具體實(shí)施過程獲取訓(xùn)練-鑒別樣本集的方式進(jìn)行仿真，總樣本個(gè)數(shù)為7087，采用十倍交叉驗(yàn)證方法，生成10組的訓(xùn)練-鑒別樣本集，分別計(jì)算出基于序列簡化支持向量的人臉檢測方法和基于支持向量機(jī)的人臉檢測方法的平均,別率。兩種方法的仿真是在相同的實(shí)驗(yàn)環(huán)境下進(jìn)行的，都采用徑向機(jī)核函數(shù)。2、仿真結(jié)果仿真1:重復(fù)上述訓(xùn)練-鑒別過程10次，記錄下每次仿真得到的結(jié)果，并計(jì)算其平均結(jié)果，如表1所示。表l.對MIT數(shù)據(jù)集采用徑向機(jī)^<table>tableseeoriginaldocumentpage11</column></row><table>從表1可見，本發(fā)明基于序列簡化支持向量的人臉檢測方法隨著參數(shù)c的增大，求解約減向量過程輸出的約減向量個(gè)數(shù)減小，鑒別結(jié)果輸出過程輸出的正確鑒別率降低和鑒別時(shí)間快速下降。仿真2:為了使本發(fā)明與同等條件下其他方法具有優(yōu)越性，在此仿真中，引入了一種基于支持向量機(jī)的人臉檢測方法，該方法與本發(fā)明的不同之處在于該方法使用支持向量機(jī)訓(xùn)練得到的支持向量進(jìn)行鑒別測試樣本。在下述的仿真結(jié)果中，基于支持向量機(jī)的人臉檢測方法與基于序列簡化支持向量的人臉檢測方法的仿真條件完全一致。在重復(fù)上述訓(xùn)練和分類過程10次中，記錄下每次基于支持向量機(jī)的人臉檢測方法仿真得到的結(jié)果，并計(jì)算其平均結(jié)果。仿真得到支持向量機(jī)訓(xùn)練得到的支持向量個(gè)數(shù)為824，鑒別結(jié)果輸出過程得到的正確鑒別率為97.9%和鑒別時(shí)間為8.13s。從仿真1和仿真2的結(jié)果可以看出，本發(fā)明基于序列簡化支持向量的人臉檢測方法有明顯優(yōu)點(diǎn)。首先，它的約減向量個(gè)數(shù)遠(yuǎn)遠(yuǎn)小于支持向量的個(gè)數(shù)；其次，它的鑒別速率得到大幅度提高；最后，它的正確鑒別率并沒有低于預(yù)想效果?？傊?jīng)過仿真證明,本發(fā)明的基于序列簡化支持向量的人臉檢測方法具有顯而易見的優(yōu)點(diǎn)。權(quán)利要求1、基于序列簡化支持向量的人臉檢測方法，包括如下步驟(1)對原始訓(xùn)練圖像進(jìn)行行拉伸的預(yù)處理，將行拉伸后的圖像數(shù)據(jù)作為訓(xùn)練樣本xi∈Rn，i＝1，...，l，其中n為訓(xùn)練樣本維數(shù)，l為訓(xùn)練樣本總個(gè)數(shù)，并且對每一個(gè)訓(xùn)練樣本進(jìn)行標(biāo)識(shí)，使+1類表示人臉樣本，-1類表示非人臉樣本，得到訓(xùn)練樣本集xi∈Rn，yi∈{+1，-1}，i＝1，...l，將該訓(xùn)練樣本集輸入到計(jì)算機(jī)中進(jìn)行步驟(2)；(2)用訓(xùn)練樣本集在計(jì)算機(jī)中訓(xùn)練支持向量機(jī)，得到最優(yōu)的偏置b∈R、支持向量系數(shù)αi∈R和支持向量si∈Rn，i＝1，...，Nx，其中Nx為支持向量個(gè)數(shù)；(3)利用序列優(yōu)化約減向量方法對支持向量系數(shù)αi∈R，和支持向量si∈Rn，i＝1，...，Nx進(jìn)行約減，具體步驟如下3a)設(shè)定求解約減向量的有約束目標(biāo)函數(shù)<mathsid="math0001"num="0001"><math><![CDATA[<mrow><msub><mi>F</mi><mi>C</mi></msub><mo>=</mo><mfrac><mn>1</mn><mn>2</mn></mfrac><mo>|</mo><mo>|</mo><munderover><mi>&Sigma;</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>l</mi></munderover><mrow><mo>(</mo><msub><mi>&beta;</mi><mi>i</mi></msub><mo>-</mo><msubsup><mi>&beta;</mi><mi>i</mi><mo>*</mo></msubsup><mo>)</mo></mrow><mi>&phi;</mi><mrow><mo>(</mo><msub><mi>x</mi><mi>i</mi></msub><mo>)</mo></mrow><mo>-</mo><munderover><mi>&Sigma;</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>Nx</mi></munderover><msub><mi>&alpha;</mi><mi>i</mi></msub><mi>&phi;</mi><mrow><mo>(</mo><msub><mi>s</mi><mi>i</mi></msub><mo>)</mo></mrow><mo>|</mo><mo>|</mo><mo>+</mo><mi>C</mi><munderover><mi>&Sigma;</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>l</mi></munderover><mrow><mo>(</mo><msub><mi>&beta;</mi><mi>i</mi></msub><mo>+</mo><msubsup><mi>&beta;</mi><mi>i</mi><mo>*</mo></msubsup><mo>)</mo></mrow><mo>-</mo><mo>-</mo><mo>-</mo><mrow><mo>(</mo><mn>1</mn><mi>A</mi><mo>)</mo></mrow></mrow>]]></math></maths>st.βi≥0，<mathsid="math0002"num="0002"><math><![CDATA[<mrow><msubsup><mi>&beta;</mi><mi>i</mi><mo>*</mo></msubsup><mo>&GreaterEqual;</mo><mn>0</mn><mo>,</mo></mrow>]]></math>id="icf0002"file="A2009100234160002C2.tif"wi="12"he="5"top="126"left="82"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/></maths>i＝1，...，l式中，<mathsid="math0003"num="0003"><math><![CDATA[<mrow><msub><mi>&beta;</mi><mi>i</mi></msub><mo>-</mo><msubsup><mi>&beta;</mi><mi>i</mi><mo>*</mo></msubsup><mo>,</mo><mi>i</mi><mo>=</mo><mn>1</mn><mo>,</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>,</mo><mi>l</mi></mrow>]]></math>id="icf0003"file="A2009100234160002C3.tif"wi="28"he="4"top="135"left="44"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/></maths>表示第i個(gè)訓(xùn)練樣本xi對應(yīng)的系數(shù)，φ為將訓(xùn)練樣本從n維實(shí)空間映射到高維特征空間F的映射函數(shù)，C為懲罰因子，通過調(diào)節(jié)C的大小，控制約減向量的個(gè)數(shù)；3b)求取約束目標(biāo)函數(shù)的Lagrange對偶函數(shù)；3c)由約束目標(biāo)函數(shù)和Lagrange對偶函數(shù)得到最優(yōu)解滿足的Karush-Kuhn-Tucker(KKT)條件；3d)以KKT條件作為求解約減向量的終止條件判斷，判斷當(dāng)前所有樣本是否滿足KKT條件，若有違反KKT條件的樣本，繼續(xù)步驟(3e)，否則跳至步驟(3f)；3e)設(shè)定當(dāng)前工作集中有且僅有一個(gè)元素，并且選用違反KKT條件最大者作為該元素，計(jì)算該元素的最優(yōu)解；3f)設(shè)定一個(gè)正常數(shù)θ，通過調(diào)節(jié)該常數(shù)控制約減向量的個(gè)數(shù)Nz，計(jì)算每一個(gè)訓(xùn)練樣本所對應(yīng)的系數(shù)<mathsid="math0004"num="0004"><math><![CDATA[<mrow><msub><mi>&beta;</mi><mi>i</mi></msub><mo>-</mo><msubsup><mi>&beta;</mi><mi>i</mi><mo>*</mo></msubsup><mo>,</mo><mi>i</mi><mo>=</mo><mn>1</mn><mo>,</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>,</mo><mi>l</mi><mo>,</mo></mrow>]]></math>id="icf0004"file="A2009100234160002C4.tif"wi="31"he="4"top="232"left="61"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/></maths>在這l個(gè)系數(shù)中找到大于該常數(shù)θ的項(xiàng)為<mathsid="math0005"num="0005"><math><![CDATA[<mrow><msub><mi>&beta;</mi><mi>j</mi></msub><mo>-</mo><msubsup><mi>&beta;</mi><mi>j</mi><mo>*</mo></msubsup><mo>,</mo><mi>j</mi><mo>=</mo><mn>1</mn><mo>,</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>,</mo><mi>Nz</mi><mo>,</mo></mrow>]]></math>id="icf0005"file="A2009100234160002C5.tif"wi="36"he="5"top="241"left="23"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/></maths>則這些項(xiàng)所對應(yīng)訓(xùn)練樣本被稱為約減向量zj，j＝1，...，Nz，這些約減向量對應(yīng)的系數(shù)定義為<mathsid="math0006"num="0006"><math><![CDATA[<mrow><msub><mi>&gamma;</mi><mi>j</mi></msub><mo>=</mo><msub><mi>&beta;</mi><mi>j</mi></msub><mo>-</mo><msubsup><mi>&beta;</mi><mi>j</mi><mo>*</mo></msubsup><mo>,</mo><mi>j</mi><mo>=</mo><mn>1</mn><mo>,</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>,</mo><mi>Nz</mi><mo>,</mo></mrow>]]></math>id="icf0006"file="A2009100234160003C1.tif"wi="44"he="5"top="28"left="72"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/></maths>得到約減向量集{zj，γj}，j＝1，...，Nz，其中Nz為約減向量個(gè)數(shù)；(4)對測試圖像進(jìn)行行拉伸的預(yù)處理，將行拉伸后的圖像數(shù)據(jù)作為測試樣本x∈Rn，其中n為測試樣本維數(shù)，并且對這個(gè)測試樣本x進(jìn)行標(biāo)識(shí)，當(dāng)該輸入測試圖像為人臉時(shí)，y＝+1，否則y＝-1，得到測試樣本集x∈Rn，y∈{+1，-1}，將該測試樣本輸入到計(jì)算機(jī)中進(jìn)行步驟(5)；(5)用步驟(3)中得到的約減向量集{zj，γj}，j＝1，...，Nz對測試樣本x進(jìn)行鑒別，計(jì)算函數(shù)值<mathsid="math0007"num="0007"><math><![CDATA[<mrow><mi>f</mi><mrow><mo>(</mo><mi>x</mi><mo>)</mo></mrow><mo>=</mo><munderover><mi>&Sigma;</mi><mrow><mi>j</mi><mo>=</mo><mn>1</mn></mrow><mi>Nz</mi></munderover><msub><mi>&gamma;</mi><mi>j</mi></msub><mi>k</mi><mrow><mo>(</mo><mi>x</mi><mo>,</mo><msub><mi>z</mi><mi>j</mi></msub><mo>)</mo></mrow><mo>+</mo><mi>b</mi><mo>,</mo></mrow>]]></math>id="icf0007"file="A2009100234160003C2.tif"wi="42"he="10"top="89"left="55"img-content="drawing"img-format="tif"orientation="portrait"inline="yes"/></maths>其中b為支持向量機(jī)訓(xùn)練得到的偏置，k為人工設(shè)定的核函數(shù)；如果函數(shù)值f(x)＞0，則測試樣本x是+1類樣本，該測試圖像為人臉；否則x是-1類樣本，該測試圖像為非人臉樣本；如果得到的分類結(jié)果+1類或者-1類與步驟(4)中的標(biāo)識(shí)y相同，則說明鑒別結(jié)果正確；否則鑒別結(jié)果錯(cuò)誤。2、根據(jù)權(quán)利要求1所述的人臉檢測方法，其中步驟(3a)中的約束目標(biāo)函數(shù)(1A)，用矩陣表示如下<formula>formulaseeoriginaldocumentpage3</formula>式中:<formula>formulaseeoriginaldocumentpage3</formula>A:為人工設(shè)定的核函數(shù)，符號(hào)r3、根據(jù)權(quán)利要求1所述的人臉檢測方法，其中步驟(3b)中的Lagrange對偶函數(shù)，用矩陣表示如下&-^H^+i^+^c^Ha—o/fi(3A)沈//,々o,<y,》o,/=1，...，2/式中o為Lagrange乘子。4、根據(jù)權(quán)利要求1所述的人臉檢測方法，其中步驟(3c)中的KKT條件為-d—o=0'"A)M々0=0,z.=l"..,/式中d二H^+c，為目標(biāo)函數(shù)(2A)的梯度，d-(O;將式(4A)分解為兩個(gè)條件如果//,.=0，則要求《20;如果/7,.>0，則要求5、根據(jù)權(quán)利要求1所述的人臉檢測方法，其中步驟(3e)所述的選用違反KKT條件最大者作為該元素，是將所求變量n中的元素分為工作集和非工作集，并且設(shè)定當(dāng)前工作集中元素個(gè)數(shù)為一個(gè)，在違反步驟(3c)所述的KKT條件的元素中，找到這些元素中梯度的絕對值最大者作為當(dāng)前工作集中需要更新的元素，然后按照權(quán)利要求2中約束目標(biāo)函數(shù)(1A)的矩陣表示式(2A)計(jì)算該元素的最優(yōu)解。全文摘要本發(fā)明公開了一種基于序列簡化支持向量的人臉檢測方法，主要解決現(xiàn)有人臉檢測方法鑒別速率低和求解約減向量集速率低的問題。該方法通過用約減向量集來代替支持向量集策略提高鑒別速率，采用序列簡化方法求解約減向量集，它包括對待訓(xùn)練圖像訓(xùn)練和對待測試圖像鑒別兩部分，其中對待訓(xùn)練圖像訓(xùn)練是將原始訓(xùn)練圖像進(jìn)行行拉伸的預(yù)處理、利用行拉伸后的訓(xùn)練樣本訓(xùn)練支持向量機(jī)和求解約減向量集；對待測試圖像鑒別是對待測試圖像進(jìn)行行拉伸的預(yù)處理、用約減向量集鑒別行拉伸后的測試樣本和鑒別結(jié)果輸出。本發(fā)明可對圖像進(jìn)行實(shí)時(shí)檢測，具有計(jì)算復(fù)雜度和存儲(chǔ)空間低的優(yōu)點(diǎn)，用于機(jī)器學(xué)習(xí)和模式識(shí)別范疇內(nèi)的人臉檢測以及其他大規(guī)模數(shù)據(jù)的檢測系統(tǒng)。文檔編號(hào)G06K9/00GK101609502SQ20091002341公開日2009年12月23日申請日期2009年7月24日優(yōu)先權(quán)日2009年7月24日發(fā)明者哲宴,莉張,焦李成,志胡,陳桂榮申請人:西安電子科技大學(xué)