[发明专利]遗传算法融合差分进化的选择性集成人脸识别方法

权利要求书

1.遗传算法融合差分进化的选择性集成人脸识别优化方法，其特征在于：该方法以支持向量机作为基分类器，从原始的训练集有放回抽取N个样本，按照此方法迭代T次，使用每次产生的样本集训练基分类器模型，对产生的T个基分类器进行实数编码，生成初始种群，在变异操作中采取差分向量来指导变异进而产生优质的个体，交叉操作使用父代个体及变异个体共同产生交叉个体，增加了个体的多样性，采用最优保留策略进行遗传进化；

该方法具体步骤如下：

其中，Step1-Step5中的参数说明：T表示训练出的基分类器数目，N表示从人脸图像库中有放回抽取的人脸图像数目，S_t表示第t次抽取构成的人脸图像训练集，h_t表示第t个基分类器模型，h_i(x)表示第i个基分类器对一个人脸图像样本x的判断输出，y_j表示第j个人脸图像的真实类别；

Step1对人脸图像进行归一化处理，提取人脸图像的HOG特征，然后再用PCA算法降维；实验中训练集是由人脸图像库中图像样本构成；

Step2 For t＝1:T执行以下步骤①到②：

①从原始训练集中有放回抽样出N个样本构成训练集S_t；

②用支持向量机算法在S_t下训练出基分类器模型h_t；

Step3遗传算法融合差分进化，执行以下流程：

①采用实数对基分类器编码，每个基因位取值范围是(0-1)，编码长度为初始的基分类器规模；

②对种群进行初始化操作，随机产生定义域范围内的个体；

③适应度函数采用集成泛化误差；

④选择操作采用轮盘赌的方法从父代个体、交叉个体以及变异个体中选择，适应度高的个体更容易遗传到下一代；

⑤交叉操作采用单点交叉产生新个体，基因位的来源既有父代个体中的基因又有变异个体中的基因；

⑥变异操作是融合差分进化中的变异方法，使用差分向量变异新个体，变异之前采用欧氏距离计算选中个体间的相似性，对相似性高的个体执行传统的变异过程；

⑦停止进化；

其中适应度函数的设计同二进制编码下的遗传算法融合差分进化的选择性集成学习方法不同，设个体编码为

a＝(a₁,a₂,…,a_T)，

其中a_i∈(0,1)，i∈{1,2,…,T}设置基分类器选择系数λ，λ取值为1/T，当a_i＞λ时取值为1，否则为0，适应度函数的设计过程如下：

(1)人脸图像样本x的预测输出表示为：

(2)训练集S的集成泛化误差error为：

Step4解码最优个体生成基分类器组合，对测试集预测分类，计算分类错误率；

Step5输出结果。