[發明專利]一種基于演化卷積神經網絡的人臉識別方法

有效

• 申請號: 202010195004.5
• 申請日: 2020-03-19
• 公開（公告）號: CN111414849B
• 公開（公告）日: 2020-12-29
• 發明（設計）人: 孫亞楠;李思毅
• 申請（專利權）人: 四川大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/00;G06N3/04;G06N3/08;G06N3/12
• 代理公司: 成都正華專利代理事務所(普通合伙) 51229
• 代理人: 陳選中

本發明公開了一種基于演化卷積神經網絡的人臉識別方法，采用遺傳算法優化卷積神經網絡的體系結構設計和連接權重初始化，通過不斷演化尋找最佳的神經網絡，進而減少網絡架構設計中對人工經驗的依賴。本發明采用可變長度基因編碼策略對卷積神經網絡進行編碼，提高卷積神經網絡結構的多樣性，為了讓變長的染色體進行交叉，采用結構單元對應位置分別交叉再復原的方法，實現長度不一致的染色體的交叉操作。本發明在環境選擇環節，先進行精英選擇，種群余下的個體進行兩組適應度的比較然后選擇，既保證了精英性又具有多樣性。

技術領域

本發明屬于人臉識別領域，具體涉及一種基于演化卷積神經網絡的人臉識別方法。

背景技術

人臉識別是指能夠識別或者驗證圖像或視頻中的主體的身份的技術，相比于傳統識別方法例如指紋或虹膜識別，人臉識別被認為是更加穩健的生物識別方法。人臉識別本質上是非侵入性的，不像指紋、虹膜識別需要用戶高度配合，人臉識別對用戶很友好。因此，人臉識別的潛在應用范圍更廣，因為它也可被部署在用戶不期望與系統合作的環境中，比如監控系統中。除此之外，人臉識別技術目前還廣泛應用于訪問控制、欺詐檢測、身份認證和社交媒體等。傳統方法依賴于人工設計的特征(比如邊和紋理描述量)與機器學習技術(比如主成分分析、線性判別分析或支持向量機)的組合。人工設計在無約束環境中對不同變化情況提取穩健的特征很困難，研究者需要側重研究針對每種變化類型的專用方法。基于卷積神經網絡的深度學習方法成為目前人臉識別技術的主要方法，但是神經網絡的架構設計頗具挑戰性，構建一個擁有很好識別功能的神經網絡強烈依賴人工經驗，這些人工經驗來自無數專業人員對處理任務以及神經網絡模型多年研究成果的共同積累。然而這些行業大量匱乏此類專業人員，這導致基于卷積神經網絡的深度學習方法很難獨立實現。

發明內容

針對現有技術中的上述不足，本發明提供的一種基于演化卷積神經網絡的人臉識別方法解決了現有技術依賴人工的問題。

為了達到上述發明目的，本發明采用的技術方案為：一種基于演化卷積神經網絡的人臉識別方法，包括以下步驟：

S1、根據變長編碼策略，通過間接編碼方法生成N個卷積神經網絡結構，得到初始化種群，并設置迭代計數器t＝1和最大迭代次數T；

S2、對初始化種群中每個個體進行訓練，并使用人臉數據進行適應度評估，根據適應度評估結果選擇N個父本；

S3、使用二進制交叉算法對父本進行交叉，獲取N個子代，將N個父本和N個子代合并為混合種群，對混合種群中個體進行變異操作；

S4、對混合種群中個體進行適應度評估，并根據混合種群的適應度評估結果，對混合種群施加環境選擇，從混合種群中選出N個新個體；

S5、判斷t是否等于T，若是，則進入步驟S6，否則將步驟S4中N個新個體作為父本，令t的計數值加一，并返回步驟S3；

S6、在N個新個體中選擇適應度最佳的個體網絡，將待檢測人臉圖像輸入適應度最佳的個體網絡，得到人臉識別結果。

進一步地，所述步驟S1中根據變長編碼策略，通過間接編碼方法生成N個卷積神經網絡結構，得到初始化種群的具體步驟為：

A1、設定最大卷積層數為a、最大池化層數為b和最大全連接層數為c；

A2、將一個卷積層作為卷積神經網絡結構的輸入層，在輸入層后依次隨機添加卷積層或池化層，并設置卷積層的卷積核大小或設置池化層的過濾器大小；

A3、判斷卷積層數目是否小于a且池化層數目是否小于b，若是，則返回步驟A2，否則進入步驟A4；

A4、判斷卷積層數目是否為a，若是，添加池化層至其數目為b，并設置卷積層的卷積核大小，否則添加卷積層至其數目為a，并設置池化層的過濾器大小；