[發(fā)明專利]基于簡化智能單粒子優(yōu)化算法的Gabor人臉識(shí)別方法

有效

• 申請?zhí)枺?/td>: 200910188667.8
• 申請日: 2009-12-07
• 公開（公告）號(hào): CN101710382A
• 公開（公告）日: 2010-05-19
• 發(fā)明（設(shè)計(jì)）人: 紀(jì)震;周家銳;沈琳琳;儲(chǔ)穎
• 申請（專利權(quán)）人: 深圳大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/62
• 代理公司: 深圳市順天達(dá)專利商標(biāo)代理有限公司 44217
• 代理人: 易釗;曾少麗

1.一種基于簡化智能單粒子優(yōu)化算法的Gabor人臉識(shí)別方法，其特征在 于，包括

簡化智能單粒子優(yōu)化算法，包括采用一個(gè)粒子對問題函數(shù)的解空間進(jìn)行尋 優(yōu)搜索，以及迭代時(shí)對單粒子各維度分量分別進(jìn)行智能更新；以及

使用簡化智能單粒子優(yōu)化算法挑選Gabor濾波器組，包括依據(jù)Gabor濾波 器個(gè)數(shù)構(gòu)造成粒子結(jié)構(gòu)，確定粒子搜索的范圍以及使用Fisher準(zhǔn)則作為適應(yīng)度 函數(shù)；

當(dāng)進(jìn)行人臉識(shí)別時(shí)，對符合認(rèn)證的人臉圖像進(jìn)行特征抽取形成特征數(shù)據(jù) 庫，并在輸入新人臉圖像后，使用所述挑選的Gabor濾波器組對該人臉圖像進(jìn) 行特征值抽取以組成特征矢量，對獲得的特征矢量使用最小近鄰分類器與數(shù)據(jù) 庫內(nèi)特征進(jìn)行比對，以判定輸入圖像是否包含于數(shù)據(jù)庫中及其對應(yīng)的身份；

其中，每個(gè)濾波器形成一個(gè)特征值，整個(gè)濾波器組產(chǎn)生的特征值排列形成 一維特征矢量；

所述簡化智能單粒子優(yōu)化算法的粒子更新公式為：

vin+1=(a×r1/np×r2)+2×Lin---(1)]]>

xin+1=xin+vin+1iff(xin)>f(xin+1)xiniff(xin)≤f(xin+1)---(2)]]>

Lin+1=vin+1iff(xin)>f(xin+1)Liniff(xin)≤f(xin+1)---(3)]]>

其中a為多樣性因子，p為下降因子，v為速度矢量，x為位置矢量，L 為學(xué)習(xí)因子矢量，公式中n為當(dāng)前維數(shù)的迭代次數(shù)，i為矢量當(dāng)前更新的維數(shù)， f()為適應(yīng)度函數(shù)，r1和r2為隨迭代次數(shù)n每次產(chǎn)生的兩個(gè)隨機(jī)值；

更新公式(1)中，下一迭代粒子的速度矢量由多樣性部分和學(xué)習(xí)部分決 定：學(xué)習(xí)部分為學(xué)習(xí)因子矢量L添加慣性系數(shù)2組成，多樣性部分則由多樣 性因子a和下降因子p決定，所述多樣性部分代表了粒子的搜索嘗試行為，多 樣性部分是以迭代次數(shù)n為變量的冪下降函數(shù)，其變化使得粒子由迭代初期的 全局搜索逐漸轉(zhuǎn)變?yōu)榫植克阉鳎?

更新公式(3)中，學(xué)習(xí)因子矢量的變化由本次迭代嘗試的結(jié)果決定：若 本次迭代更新后的位置優(yōu)于上次迭代的位置，則吸取本次的速度知識(shí)作為學(xué)習(xí) 因子矢量，否則保持上次迭代使用獲得較好結(jié)果的學(xué)習(xí)因子矢量；

決定搜索性能的關(guān)鍵參數(shù)為多樣性因子a和下降因子p；

其中a決定粒子搜索嘗試的步長，p決定粒子搜索步長的減速速率；

當(dāng)粒子傾向于全局搜索時(shí)，需要增加a值而減少p值以獲得更大的嘗試范 圍，反之當(dāng)傾向于局部搜索時(shí)，則需要減少a值并增大p值以進(jìn)行精確搜索及 避免越過最優(yōu)值區(qū)域；

設(shè)定多樣性因子a和下降因子p這兩個(gè)關(guān)鍵參數(shù)因子隨迭代的進(jìn)行自適應(yīng) 更新，其更新公式如下：

ak+1=ak-(amax-amin)Kiff(xk)>f(xk+1)ak+(amax-amin)K×r(tk)iff(xk)≤f(xk+1)---(4)]]>

pk+1=pk+(pmax-pmin)Kiff(xk)>f(xk+1)pk-(pmax-pmin)K×r(tk)iff(xk)≤f(xk+1)---(5)]]>

tk+1=0iff(xk)>f(xk+1)tk+1iff(xk)≤f(xk+1)---(6)]]>

其中，式中k為當(dāng)前整體迭代的次數(shù)，K為最大整體迭代次數(shù)，max為 最大值，min為最小值，t為擾動(dòng)因子；

若設(shè)粒子在各維上的搜索范圍為[xmin，xmax]，則式中a變化范圍為 [a_min＝xmin×0.01，a_max＝xmax×100]，p變化范圍為[p_min＝3，p_max＝30]，設(shè)置t 為擾動(dòng)因子有r(t^k)＝uniform(0，2×t^k)以防止a、P這兩個(gè)關(guān)鍵參數(shù)的變化陷入停 滯；

所述簡化智能單粒子優(yōu)化算法的步驟包括：

S1，初始化粒子位置x并計(jì)算其初始適應(yīng)值，初始化參數(shù)a＝a_max，p＝p_min， t＝0；

S2，初始化整體迭代次數(shù)k＝1；

S3，初始化維數(shù)標(biāo)號(hào)i＝1，并設(shè)置學(xué)習(xí)因子矢量

S4，初始化維數(shù)迭代次數(shù)n＝1；

S5，根據(jù)公式(1)，(2)，(3)更新粒子速度、位置及學(xué)習(xí)因子矢量；

S6，若n小于最大維數(shù)迭代次數(shù)N，則轉(zhuǎn)到S4；

S7，若i小于最大維數(shù)標(biāo)號(hào)i_max，則轉(zhuǎn)到S3；

S8，根據(jù)公式(4)，(5)，(6)更新參數(shù)a、p和t；

S9，若k小于最大整體迭代次數(shù)K，則轉(zhuǎn)到S2。