基于Adaboost算法的人脸识别优化方法

摘要

基于Adaboost算法的人脸识别优化方法，首先对人脸图像进行特征提取和降维，用降维后的矩阵数据，使用SAMME.R算法进行识别分类；在训练弱分类器时，判断该弱分类器的结果，在所有同属一类的样本的分类中，正确分类的样本的权值和，是否比分到其他任意一类的权值和大；如果满足该条件则继续进行权值调整和下一次迭代；如果不满足，由于训练出的弱分类器不够好，达不到要求，所以在权值不变的情况下重新训练弱分类器，然后再次判断新的弱分类器是否满足上边所述的条件，如果满足进入下一次调整，不满足继续重新训练弱分类器，不断优化弱分类器的质量，从而逼近最优强分类器；得到最终的强分类器有效提高了人脸识别的准确率。

主权项

基于Adaboost算法的人脸识别优化方法，其特征在于：首先对人脸图像进行特征提取和降维，即利用(2D)²PCA算法对图像进行特征提取和降维，同时在行与列上对图像矩阵进行降维，进一步降低特征向量的维数，有效降低问题的时间复杂度；用降维后的矩阵数据，使用SAMME.R算法进行识别分类；该方法是把对弱分类器正确率的要求降低到大于for j＝1,...,K 1/k，保证提供足够多的弱分类器参与集成；在训练弱分类器时，判断该弱分类器的结果，在所有同属一类的样本的分类中，正确分类的样本的权值和，是否比分到其他任意一类的权值和大；如果满足该条件则继续进行权值调整和下一次迭代；如果不满足，由于训练出的弱分类器不够好，达不到要求，所以在权值不变的情况下重新训练弱分类器，然后再次判断新的弱分类器是否满足上边所述的条件，如果满足进入下一次调整，不满足继续重新训练弱分类器，不断优化弱分类器的质量，从而逼近最优强分类器；得到最终的强分类器有效提高了人脸识别的准确率；其具体步骤如下：步骤一：数据初始化1.1)对人脸库中的所有图像进行归一化处理，归一化的操作是指先把图像统一大小为32×32灰度值矩阵，得到大小为1024×1的灰度值矩阵，用(2D)²PCA算法降维得到大小为256×1的矩阵；初始化权值i＝1,...,m；其中m是图像个数；步骤二：循环处理过程2.1)for 1,...,T，执行以下7步：①按照权值w^t，选择图像样本；②对样本进行分类识别，h_t:X→Y；即将每个样本用最近邻弱分类器进行分类识别，其中X是样本,Y是样本分类结果；③for k＝1,...,K，执行以下2步；进行权值调整；(1)循环计算各类中，分到各类样本的权值和for j＝1,...,K${\gamma }_{\mathrm{tkj}}={\Sigma }_{i=1}^m{w}_i^t[y_i=k,h_i\left(x_i\right)=j]$(2)判断各类中分类正确的样本权值和是否大于分到$1-{ϵ}_t=\frac{1}{k}+r_t>0{\Sigma }_{i=1}^m[h_t\left(x_i\right)\ne y_i]/{\mathrm{mx}}_i$其他各类样本的权值和${\gamma }_{\mathrm{tkj}}[h_t\left(x_i\right)=j]>=\forall {\gamma }_{\mathrm{tkj}}[h_t\left(x_i\right)\ne j]$若满足，则进行下一次循环；若不满足，则返回步骤二重新开始计算；其中K是采样个数；④计算h_t的伪错误率：用于判断算法的的识别效果；⑤置$a_t=\ln \frac{{ϵ}_t}{1-{ϵ}_t}+\ln (k-1),$算法收敛阈值；⑥计算新的权重向量用于后续图像的选择；⑦归一化权值使之在0‑1范围内；其中T为迭代次数；步骤三：最终强分类器3.1)$h_f\left(x\right)=\arg \underset{y\in Y}{\max }\underset{t=1}{\overset{T}{\Sigma }}{a}_t·[h_t\left(x_t\right)=y_t]$其中h_f(x)为最终生成的强分类器，用于人脸识别分类，输出分类结果；x为输入的人脸头像数据，T为迭代次数，h_t(x_t)为弱分类器，y_i为类别标号。