[发明专利]一种基于支持向量机和遗传算法的人脸识别方法

摘要

本发明涉及人脸识别领域，特别是一种基于支持向量机和遗传算法的人脸识别方法，其包括以下步骤步骤1)、将输入图像进行小波分解，并将分解后的图像PCA降维后加权组合成特征脸；步骤2）、用SVM支持向量机对步骤1得到的特征脸进行分类；步骤3）、利用遗传算法执行选择、交叉、变异三个算子；步骤4）、根据步骤3）得到的最优分类面输出分类结果。本发明能够使人脸识别准确率得到有效提高。

主权项

一种基于支持向量机和遗传算法的人脸识别方法，其特征在于：其包括以下步骤：步骤1)、将输入图像进行小波分解，并将分解后的图像PCA降维后加权组合成特征脸；对尺度为m×n的人脸图像A(x,y)的离散小波变换为：Wj(j0,m,n)=1mnΣx=0m-1Σy=0n-1A(x,y)j0,m,n(x,y)Wψi(j,m,n)=1mnΣx=0m-1Σy=0n-1A(x,y)ψj,m,ni(x,y)---(1)]]>式中，j0是任意的开始尺度，Wj(j0,m,n)为尺度j0上的原图像的近似分量，i＝{H,V,D}，WiΨ(j,m,n)则分别是原图像经过离散小波变换后的水平分量、垂直分量和对角线分量，对任意一幅人脸图像进行一层小波变换，将得到4个子图像LL、LH、HL、HH，其中LL为低频分量，包含了原始图像的绝大部分信息，即原始图像的近似图像，LH为水平分量，包含了人的眼睛和嘴巴反应人脸表情的信息，HL为垂直分量，包含了人的鼻子、耳朵和边缘轮廓信息，HH为对角线分量，包含了原图像中较少的信息量；步骤2)、用SVM支持向量机对步骤1)得到的特征脸进行分类；步骤3)、利用遗传算法执行选择、交叉、变异三个算子，当前群体的个体最优值达到优化目标的最大值或进化代数达到最大进化代数GENmax，则终止，从而得到最优的惩罚系数C和核函数参数σ2，代入SVM对测试样本数据进行训练以获得最优分类面；否则令GENmax＝GENmax+1，重新以前面所述以核函数参数σ2，惩罚系数C为基础，运用SVM支持向量机对样本进行分类，重新确定最优惩罚系数C和核函数参数σ2；其中，用一个随机产生的24位二进制串表示一个个体，多个个体组成种群，种群的规模指种群中个体的数目，规模取为M，进化代数为T，适应度函数如式(8)所示，f(σ2,C)＝ln2/(ln2+error_rate)  (8)其中，error_rate是SVM在训练样本集上的错分率，初始种群代数gen＝0，GENmax表示最大进化代数，初始化优化目标的最大值记为fmax，确定C、σ2两个参数变量的取值范围，然后进行24位二进制串编码；在各变量取值范围之内，随机生成规模为POPnumber的初始种群Rgen，其中单个初始染色体记作Xk，k＝1,2,…,POPnumber，此处POPnumber值取M，以参数σ2，C为基础，运用SVM对样本进行分类，然后用式(8)计算适应度函数值，按适应度值进行排序，对各染色体Xk进行解码，并依据适应度值对染色体进行排序；M为20～100，T为100～500，交叉概率Pc为0.4～0.9，变异概率Pm为0.001～0.010；步骤4)、根据步骤3)得到的最优分类面输出分类结果。