[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

说明书

本发明公开了遗传算法融合差分进化的选择性集成人脸识别方法，首先提取人脸图像的HOG特征，之后应用PCA算法对人脸图像进行降维，以此来减少计算复杂度，最后，用降维后的数据，应用GADESEN算法进行分类识别。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N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。

技术领域

本发明属于机器学习和模式识别技术领域，是利用遗传算法融合差分进化的方法选择基分类器，构建一个具有较强泛化能力的选择性集成预测方法，以期达到对新的未知样本给出精准预测的目的。

背景技术

过去的几十年中，人脸识别作为生物特征识别的重要研究方向得到了极大的关注。人脸识别的研究经历了单分类器识别、集成分类识别和深度学习识别等过程。在单分类器阶段人们更多的是倾向于优化单分类器的识别性能，寻找性能更好的分类器，但是这种单分类器的识别能力还难以满足人类的需求。随着机器学习研究的发展，人们提出了集成思想的学习器，它是在降低单分类器性能的基础上得到更多的基分类器，从而提高学习的泛化能力，在人脸识别的应用中也体现了很好的应用价值。深度学习是新兴的多层次神经网络学习方法，已在人脸识别和目标检测上取得了令人瞩目的成就，但是深度学习在训练之前需要大量有标签训练样本的参与，人工标注成本高，实验环境要求也高，训练过程需要调节大量参数，计算时间复杂度高。选择性集成学习是对集成学习方法的约简，相对于深度学习简单实用，它使用更少的基分类器不仅可以提高集成的泛化能力而且相较于深度学习降低了计算复杂度，降低了基分类器模型的存储成本。

遗传算法作为选择性集成的一个选择策略，虽然在全局优化上表现出很强的搜索能力，但是遗传算法还存在局部搜索能力低、交叉和变异的过程中过于随机和盲目等问题。这些也是处理组合优化问题时所面临的重要问题。近年来，差分进化作为一种新兴的进化技术被提出，在解决复杂优化问题上体现了很好的应用价值。差分进化在局部搜索和有方向的变异上弥补了遗传算法的不足。为了进一步提高算法的搜索能力，提高选择性集成最终的泛化能力，通过遗传算法融合差分进化完成寻优任务。

发明内容

本发明的目的在于针对已有的Bagging集成人脸识别技术存在的计算复杂度高、模型存储成本高和识别率低的问题，提出一种基于遗传算法融合差分进化的选择性集成学习方法(Selective Ensemble Learning Method based on Genetic AlgorithmfusionDifferential Evolution,GADESEN)应用于人脸识别中。

为达到上述目的，本发明采用的技术方案是利用GADESEN算法的人脸识别的优化算法。首先提取人脸图像的HOG特征，之后应用PCA算法对人脸图像进行降维，以此来减少计算复杂度，最后，用降维后的数据，应用GADESEN算法进行分类识别。

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N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。

流程图见图1，其具体步骤如下：