[发明专利]一种基于改进遗传算法的人脸识别优化方法

说明书

一种基于改进遗传算法的人脸识别优化方法，该方法首先通过对样本数据集进行PCA降维和归一化处理，能在提升运算效率的同时不影响识别准确率；接着利用基于改进的遗传算法来对卷积神经网络模型的超参数进行全局调优，得到超参数调优后的卷积神经网络模型；最后将测试集输入训练好的卷积神经网络模型进行人脸识别测试。该方法将遗传算法与卷积神经网络相结合，并对遗传算法中的交叉概率和变异概率进行改进，有效避免了传统参数寻优过程中容易陷入局部最优解的情况，且在人脸识别准确率以及迭代次数上具有更好的效果。

技术领域

本发明涉及人脸识别技术领域，具体涉及一种人脸识别方法研究。

背景技术

近年来，随着人工智能的快速发展，人脸图像信息处理和识别技术也在日益更新，其中人脸识别也得到相当大的重视。但是，人脸识别领域目前仍然有许多问题还未能解决，有待进行深入的研究。随着深度学习的发展，对于标签数据集的要求也越来越高，这就导致网络模型需要优化的超参数越来越多。比如最常用的识别模型卷积神经网络存在大量的超参数需要优化。

目前比较流行的参数调优方法都存在着一系列的问题，例如交叉验证，它主要是将原始的数据样本随机分为k组，每次将其中的一组作为测试集，其他的k-1组作为训练集，最后将k个分类模型正确率的均值作为评价模型的性能。此算法需要重复的进行训练和测试，计算量大。对于网格搜索算法，该方法主要是通过穷举所有组合，最终找到识别模型的最优参数。最大的优势就是可以进行并行处理，但是当网格密度较大时，搜索精度高运算开销大，反而可能会漏掉最优解。

上述两种方法都存在计算复杂度比较高、搜索耗时的缺陷。近年来，人们从自然界的进化中得到启示，应用群体智能优化算法对分类器的最优参数进行研究。例如遗传算法，可以有效解决参数容易陷入局部最优解的情况。除此之外还有粒子群优化算法、蚁群算法以及差分进化算法等。

发明内容

针对现有技术的不足，本发明目的在于提供一种将遗传算法和卷积神经网络相结合的人脸识别方法，通过改进后的遗传算法来对卷积神经网络进行超参数寻优，解决了传统参数寻优过程中可能陷入局部最优解的问题，同时提高了人脸识别的准确率。

一种基于改进遗传算法的人脸识别优化方法，包括以下步骤：

步骤1，,通过网络公开的人脸数据来构建人脸样本数据集，并对人脸样本数据集中的训练数据集与测试数据集进行预处理；

步骤2，利用基于改进的遗传算法来对卷积神经网络模型的超参数进行全局调优，通过对卷积层滤波器和全连接层的连接权重的不断优化，确定最优的卷积神经网络模型的超参数，并得到训练好的卷积神经网络模型；

所述步骤2中，在进行种群初始化后，通过评估神经网络性能并分配选择概率，进行交叉产生分享双亲网络属性的交叉子代，然后选取父代网络变异生成变异子代，将交叉子代和变异子代加入下一代种群进行替换优化，实现迭代训练；

步骤3，将样本测试集输入到由步骤2训练好的卷积神经网络模型中，从而完成人脸识别。

进一步地，步骤1具体分步骤如下：

步骤1.1，将人脸样本数据集按照比例划分为训练数据集和测试数据集；

步骤1.2，对训练数据集和测试数据集分别进行PCA特征提取，并对降维处理后的数据进行归一化处理。

进一步地，步骤2具体分步骤如下：

步骤2.1初始化：创建初始种群，种群中的每个染色体代表一个网络，并将每个网络中的卷积层看成一个整体作为染色体中的一个元素，每个网络中的全连接层看成一个整体作为染色体中的另一个元素。即每个染色体元素包含卷积层中滤波器的所有值，或者包含一个全连接层的所有连接权重；