[發明專利]遺傳算法融合差分進化的選擇性集成人臉識別方法

有效

• 申請號: 201710380562.7
• 申請日: 2017-05-25
• 公開（公告）號: CN107273818B
• 公開（公告）日: 2020-10-16
• 發明（設計）人: 楊新武;張翱翔;袁順
• 申請（專利權）人: 北京工業大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/12
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 沈波

本發明公開了遺傳算法融合差分進化的選擇性集成人臉識別方法，首先提取人臉圖像的HOG特征，之后應用PCA算法對人臉圖像進行降維，以此來減少計算復雜度，最后，用降維后的數據，應用GADESEN算法進行分類識別。該方法以支持向量機作為基分類器，從原始的訓練集有放回抽取N個樣本，按照此方法迭代T次，使用每次產生的樣本集訓練基分類器模型，對產生的N個基分類器進行實數編碼，生成初始種群，在變異操作中采取差分向量來指導變異進而產生優質的個體，交叉操作使用父代個體及變異個體共同產生交叉個體，增加了個體的多樣性，采用最優保留策略進行遺傳進化。

技術領域

本發明屬于機器學習和模式識別技術領域，是利用遺傳算法融合差分進化的方法選擇基分類器，構建一個具有較強泛化能力的選擇性集成預測方法，以期達到對新的未知樣本給出精準預測的目的。

背景技術

過去的幾十年中，人臉識別作為生物特征識別的重要研究方向得到了極大的關注。人臉識別的研究經歷了單分類器識別、集成分類識別和深度學習識別等過程。在單分類器階段人們更多的是傾向于優化單分類器的識別性能，尋找性能更好的分類器，但是這種單分類器的識別能力還難以滿足人類的需求。隨著機器學習研究的發展，人們提出了集成思想的學習器，它是在降低單分類器性能的基礎上得到更多的基分類器，從而提高學習的泛化能力，在人臉識別的應用中也體現了很好的應用價值。深度學習是新興的多層次神經網絡學習方法，已在人臉識別和目標檢測上取得了令人矚目的成就，但是深度學習在訓練之前需要大量有標簽訓練樣本的參與，人工標注成本高，實驗環境要求也高，訓練過程需要調節大量參數，計算時間復雜度高。選擇性集成學習是對集成學習方法的約簡，相對于深度學習簡單實用，它使用更少的基分類器不僅可以提高集成的泛化能力而且相較于深度學習降低了計算復雜度，降低了基分類器模型的存儲成本。

遺傳算法作為選擇性集成的一個選擇策略，雖然在全局優化上表現出很強的搜索能力，但是遺傳算法還存在局部搜索能力低、交叉和變異的過程中過于隨機和盲目等問題。這些也是處理組合優化問題時所面臨的重要問題。近年來，差分進化作為一種新興的進化技術被提出，在解決復雜優化問題上體現了很好的應用價值。差分進化在局部搜索和有方向的變異上彌補了遺傳算法的不足。為了進一步提高算法的搜索能力，提高選擇性集成最終的泛化能力，通過遺傳算法融合差分進化完成尋優任務。

發明內容

本發明的目的在于針對已有的Bagging集成人臉識別技術存在的計算復雜度高、模型存儲成本高和識別率低的問題，提出一種基于遺傳算法融合差分進化的選擇性集成學習方法(Selective Ensemble Learning Method based on Genetic AlgorithmfusionDifferential Evolution,GADESEN)應用于人臉識別中。

為達到上述目的，本發明采用的技術方案是利用GADESEN算法的人臉識別的優化算法。首先提取人臉圖像的HOG特征，之后應用PCA算法對人臉圖像進行降維，以此來減少計算復雜度，最后，用降維后的數據，應用GADESEN算法進行分類識別。

該方法以支持向量機作為基分類器，從原始的訓練集有放回抽取N個樣本，按照此方法迭代T次，使用每次產生的樣本集訓練基分類器模型，對產生的N個基分類器進行實數編碼，生成初始種群，在變異操作中采取差分向量來指導變異進而產生優質的個體，交叉操作使用父代個體及變異個體共同產生交叉個體，增加了個體的多樣性，采用最優保留策略進行遺傳進化。

流程圖見圖1，其具體步驟如下：