[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

摘要

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。

主权项

遗传算法融合差分进化的选择性集成人脸识别优化方法，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；其特征在于：该方法具体步骤如下：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；步骤中的主要参数说明：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，St表示第t次抽取构成的人脸图像训练集，ht表示第t个基分类器模型，hi(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，yj表示第j个人脸图像的真实类别；Step2 For t＝1:T执行以下几步：①从原始训练集中有放回抽样出N个样本构成训练集St；②用支持向量机算法在St下训练出基分类器模型ht；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SGASEN算法不同，设个体编码为a＝(a1,a2,…,aT)，其中ai∈(0,1)i∈{1,2,…,T}，设置基分类器选择系数λ，λ取值为1/T，当ai＞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：H(x)=maxyjΣi=1T(ai>λ)(hi(x)=yj),j∈(1,2,...,k)---(1-1)]]>(2)训练集S的集成泛化误差error为：error=(Σj=1NH(xj)≠yj)/N---(1-2)]]>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。