[发明专利]基于简化智能单粒子优化算法的Gabor人脸识别方法

权利要求书

1.一种基于简化智能单粒子优化算法的Gabor人脸识别方法，其特征在 于，包括

简化智能单粒子优化算法，包括采用一个粒子对问题函数的解空间进行寻 优搜索，以及迭代时对单粒子各维度分量分别进行智能更新；以及

使用简化智能单粒子优化算法挑选Gabor滤波器组，包括依据Gabor滤波 器个数构造成粒子结构，确定粒子搜索的范围以及使用Fisher准则作为适应度 函数；

当进行人脸识别时，对符合认证的人脸图像进行特征抽取形成特征数据 库，并在输入新人脸图像后，使用所述挑选的Gabor滤波器组对该人脸图像进 行特征值抽取以组成特征矢量，对获得的特征矢量使用最小近邻分类器与数据 库内特征进行比对，以判定输入图像是否包含于数据库中及其对应的身份；

其中，每个滤波器形成一个特征值，整个滤波器组产生的特征值排列形成 一维特征矢量；

所述简化智能单粒子优化算法的粒子更新公式为：

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为多样性因子，p为下降因子，v为速度矢量，x为位置矢量，L 为学习因子矢量，公式中n为当前维数的迭代次数，i为矢量当前更新的维数， f()为适应度函数，r1和r2为随迭代次数n每次产生的两个随机值；

更新公式(1)中，下一迭代粒子的速度矢量由多样性部分和学习部分决 定：学习部分为学习因子矢量L添加惯性系数2组成，多样性部分则由多样 性因子a和下降因子p决定，所述多样性部分代表了粒子的搜索尝试行为，多 样性部分是以迭代次数n为变量的幂下降函数，其变化使得粒子由迭代初期的 全局搜索逐渐转变为局部搜索；

更新公式(3)中，学习因子矢量的变化由本次迭代尝试的结果决定：若 本次迭代更新后的位置优于上次迭代的位置，则吸取本次的速度知识作为学习 因子矢量，否则保持上次迭代使用获得较好结果的学习因子矢量；

决定搜索性能的关键参数为多样性因子a和下降因子p；

其中a决定粒子搜索尝试的步长，p决定粒子搜索步长的减速速率；

当粒子倾向于全局搜索时，需要增加a值而减少p值以获得更大的尝试范 围，反之当倾向于局部搜索时，则需要减少a值并增大p值以进行精确搜索及 避免越过最优值区域；

设定多样性因子a和下降因子p这两个关键参数因子随迭代的进行自适应 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为当前整体迭代的次数，K为最大整体迭代次数，max为 最大值，min为最小值，t为扰动因子；

若设粒子在各维上的搜索范围为[xmin，xmax]，则式中a变化范围为 [a_min＝xmin×0.01，a_max＝xmax×100]，p变化范围为[p_min＝3，p_max＝30]，设置t 为扰动因子有r(t^k)＝uniform(0，2×t^k)以防止a、P这两个关键参数的变化陷入停 滞；

所述简化智能单粒子优化算法的步骤包括：

S1，初始化粒子位置x并计算其初始适应值，初始化参数a＝a_max，p＝p_min， t＝0；

S2，初始化整体迭代次数k＝1；

S3，初始化维数标号i＝1，并设置学习因子矢量

S4，初始化维数迭代次数n＝1；

S5，根据公式(1)，(2)，(3)更新粒子速度、位置及学习因子矢量；

S6，若n小于最大维数迭代次数N，则转到S4；

S7，若i小于最大维数标号i_max，则转到S3；

S8，根据公式(4)，(5)，(6)更新参数a、p和t；

S9，若k小于最大整体迭代次数K，则转到S2。