CN103353942A - 一种交互式人脸识别系统和方法 - Google Patents
一种交互式人脸识别系统和方法 Download PDFInfo
- Publication number
- CN103353942A CN103353942A CN2013103267486A CN201310326748A CN103353942A CN 103353942 A CN103353942 A CN 103353942A CN 2013103267486 A CN2013103267486 A CN 2013103267486A CN 201310326748 A CN201310326748 A CN 201310326748A CN 103353942 A CN103353942 A CN 103353942A
- Authority
- CN
- China
- Prior art keywords
- face
- people
- user
- satisfied
- interactive
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Collating Specific Patterns (AREA)
Abstract
本发明提供一种交互式人脸识别系统和方法,包括:根据用户提出的要求从一人脸库中搜寻人脸图形,或从人脸库中随机生成人脸图形;当根据用户提出的要求从一人脸库中搜寻人脸图形时,评估并记录符合要求的人脸图形,对所述人脸图形进行遗传算法操作,判断用户对所述人脸图形是否满意,若满意则输出,若不满意,则重新评估并记录搜寻到的符合要求的人脸图形;当从人脸库中随机生成人脸图形时,获取所述随机生成的人脸图形的新的适应度值,对所述人脸图形进行遗传算法操作,判断用户对所述人脸图形是否满意,若满意,则输出,若不满意,则获取所述随机生成的人脸图形的新的适应度值。
Description
技术领域
本发明涉及通讯技术领域,特别涉及一种交互式人脸识别系统和方法。
背景技术
现有技术的人脸识别方法通常采用遗传算法,遗传算法(GA)是一个全局优化的搜索算法,在进化计算过程中一般无需借助外部信息,而直接凭借适应度值的计算来对个体的优劣进行评估,并以此作为遗传操作的依据。然而在一些领域适应度函数的表达式很难明确的给出,如图像合成、人脸识别等,图像的优劣一般交由用户评估,而难以通过计算得到。针对遗传算法的自动化程度高,而用户介入程度低的问题,人们提出了用交互式遗传算法来提高遗传算法的应用范围。交互式遗传算法(IGA)就是通过交互式手段以用户对个体评估来替代传统GA对适应度函数值进行自动计算的过程。在IGA中,首先将个体以某种可视化形式呈现给用户,用户对这些个体评估,并以此作为遗传操作的依据。由此可知,IGA与传统的GA技术相比特别适合于解决那些适应度函数难以表达,但用户对个体评估较容易的问题,此外它还有一个明显的特点,即通过交互体现了用户的个性或用户的兴趣。近几年来IGA已应用于许多领域,如图象合成、人脸识别、自然进化模拟等等。
IGA也有不足之处,即用户在交互式过程中,对每代的所有个体都要进行评估,当个体的数量较大,进化时间较长时,用户容易疲劳,特别是当某一代中存在差别不大的类似个体时,要对它们进行相对优劣的评估,心理压力更大,因而更容易产生疲劳。针对这一问题,Hideyuki Takagi曾提出用离散适应度值(即只有若干个不同级别的适应度值),来代替连续适应度值(即有几十甚至几百个不同级别的适应度值),以减轻用户的心理压力。但该方法的结果是使遗传操作的收敛性变差。
发明内容
本发明的目的在于提供一种交互式人脸识别系统和方法,以解决采用现有的人脸识别方法用户产生疲劳的问题。
为解决上述技术问题,本发明提供一种交互式人脸识别系统,包括:
预处理模块,用于根据用户提出的要求从一人脸库中搜寻符合要求的人脸图形,或从人脸库中随机生成人脸图形;
交互式遗传算法模块,用于评估并记录符合要求的人脸图形,对所述人脸图形进行遗传算法操作,判断用户对所述人脸图形是否满意,若满意则输出,若不满意,则重新评估并记录搜寻到的符合要求的人脸图形。
自主式遗传算法模块,用于获取所述随机生成的人脸图形的新的适应度值,对所述人脸图形进行遗传算法操作,判断用户对所述人脸图形是否满意,若满意,则输出,若不满意,则获取所述随机生成的人脸图形的新的适应度值。
进一步的,在所述的交互式人脸识别系统中,用户满意是指在所生成的人脸图形中,超过半数以上的人脸图形是用户所期望的。
进一步的,在所述的交互式人脸识别系统中,所述交互式遗传算法模块包括:
评估模块,用于评估并记录符合要求的人脸图形;
选择模块,用于根据符合要求的人脸图形的适应度值采用比例选择方式选择人脸图形;
交叉模块,用于根据交叉概率对所述人脸图形进行交叉操作;
变异模块,用于根据变异概率对所述人脸图形进行变异操作;
判断模块,用于判断用户对所述人脸图形是否满意,若满意则输出,若不满意,则重新评估并记录符合要求的人脸图形。
进一步的,在所述的交互式人脸识别系统中,交叉模块中的交叉概率和变异模块中的变异概率的取值范围分别为[0.00,1.00]
进一步的,在所述的交互式人脸识别系统中,自主式遗传算法模块中的新的适应度值是指交互式遗传算法模块中符合要求的人脸图形的适应度值的加权平均。
同时,本发明还提供一种交互式人脸识别方法,包括:
根据用户提出的要求从一人脸库中搜寻人脸图形,或从人脸库中随机生成人脸图形;
当根据用户提出的要求从一人脸库中搜寻人脸图形时,评估并记录符合要求的人脸图形,对所述人脸图形进行遗传算法操作,判断用户对所述人脸图形是否满意,若满意则输出,若不满意,则重新评估并记录搜寻到的符合要求的人脸图形;
当从人脸库中随机生成人脸图形时,获取所述随机生成的人脸图形的新的适应度值,对所述人脸图形进行遗传算法操作,判断用户对所述人脸图形是否满意,若满意,则输出,若不满意,则获取所述随机生成的人脸图形的新的适应度值。
进一步的,在所述的交互式人脸识别方法中,用户满意是指在所生成的人脸图形中,超过半数以上的人脸图形是用户所期望的。
进一步的,在所述的交互式人脸识别方法中,评估并记录符合要求的人脸图形,对所述人脸图形进行遗传算法操作,判断用户对所述人脸图形是否满意,若满意则输出,若不满意,则重新评估并记录搜寻到的符合要求的人脸图形的步骤包括:
评估并记录符合要求的人脸图形;
根据符合要求的人脸图形的适应度值采用比例选择方式选择人脸图形;
根据交叉概率对所述人脸图形进行交叉操作;
根据变异概率对所述人脸图形进行变异操作;
判断用户对所述人脸图形是否满意,若满意则输出,若不满意,则重新评估并记录符合要求的人脸图形。
进一步的,在所述的交互式人脸识别方法中,交叉概率和变异概率的取值范围分别为[0.00,1.00]。
进一步的,在所述的交互式人脸识别方法中,新的适应度值是指符合要求的人脸图形的适应度值的加权平均。
本发明提供的一种交互式人脸识别系统和方法,具有以下有益效果:本发明根据不同的情况选用交互式遗传算法模块或自助式遗传算法模块,既能充分考虑用户的兴趣,体现用户的个性化,又能在用户疲劳的情况下,通过学习的方法来代替用户完成评估过程。
附图说明
图1是本发明实施例的交互式人脸识别系统的结构示意图;
图2是本发明实施例的交互式人脸识别方法的流程示意图。
具体实施方式
以下结合附图和具体实施例对本发明提出的交互式人脸识别系统和方法作进一步详细说明。根据下面说明和权利要求书,本发明的优点和特征将更清楚。需说明的是,附图均采用非常简化的形式且均使用非精准的比例,仅用以方便、明晰地辅助说明本发明实施例的目的。
随着数据在日常决策中的重要性越来越显著,人们对数据处理技术的要求也不断提高。人们需要能够对数据进行较高层次处理的技术,从中找出规律和模式,以帮助人们更好的利用数据进行决策和研究。在数据库技术飞速发展的同时,人工智能领域的一个分支---机器学习自50年代开始以来也取得了很大进展,提出了很多机器学习的方法,如:实例学习,神经网络和遗传算法等等。其中遗传算法在自动获取知识方面应用范围非常广泛。
人们提出了用交互式遗传算法来提高遗传算法的应用范围,IGA与传统的GA技术相比特别适合于解决那些适应度函数难以表达,但用户对个体评估较容易的问题,此外它还有一个明显的特点,即通过交互体现了用户的个性或用户的兴趣。然而,当个体的数量较大,进化时间较长时,用户容易疲劳,特别是当某一代中存在差别不大的类似个体时,要对它们进行相对优劣的评估,心理压力更大,因而更容易产生疲劳。因此,本发明的目的是提高收敛性,缩短评估过程,从而最终解决用户疲劳问题。
如图1所示,本发明提供一种交互式人脸识别系统,包括:
预处理模块11,用于根据用户提出的要求从一人脸库中搜寻符合要求的人脸图形,或从人脸库中随机生成人脸图形;
交互式遗传算法模块12,用于评估并记录符合要求的人脸图形,对所述人脸图形进行遗传算法操作,判断用户对所述人脸图形是否满意,若满意则输出,若不满意,则重新评估并记录搜寻到的符合要求的人脸图形。
进一步的,所述交互式遗传算法模块12包括:
评估模块121,用于评估并记录符合要求的人脸图形;
选择模块122,用于根据符合要求的人脸图形的适应度值采用比例选择方式选择人脸图形;
交叉模块123,用于根据交叉概率对所述人脸图形进行交叉操作;
具体的,交叉概率的取值范围分别为[0.00,1.00];
变异模块124,用于根据变异概率对所述人脸图形进行变异操作;
具体的,变异概率的取值范围分别为[0.00,1.00];
判断模块125,用于判断用户对所述人脸图形是否满意,若满意则输出,若不满意,则重新评估并记录符合要求的人脸图形。
特别的,用户满意是指在所生成的人脸图形中,超过半数以上的人脸图形是用户所期望的。
自主式遗传算法模块13,用于获取所述随机生成的人脸图形的新的适应度值,对所述人脸图形进行遗传算法操作,判断用户对所述人脸图形是否满意,若满意,则输出,若不满意,则获取所述随机生成的人脸图形的新的适应度值。
具体的,新的适应度值是指交互式遗传算法模块12中符合要求的人脸图形的适应度值的加权平均。
特别的,用户满意是指在所生成的人脸图形中,超过半数以上的人脸图形是用户所期望的。
同时,如图2所示,本发明还提供一种交互式人脸识别方法,包括:
S21:根据用户提出的要求从一人脸库中搜寻人脸图形,或从人脸库中随机生成人脸图形;
在人脸识别过程中,大致符合用户要求的人脸越多,在随后的IGA操作过程中,得到用户满意结果的速度就越快。因此,从解决用户疲劳的角度看,在予处理部分考虑了用户可以提出大致要求的情况,如:“大眼睛”、“小嘴巴”等等。在这种情况下,根据用户所提要求去搜索人脸库,搜寻的原则是“特征值同时发生”。即用户所提供的特征值,若在人脸库中某个人脸上同时发生,就认为该人脸满足用户的大致要求。此外,若用户提不出任何具体要求,则随机产生若干个人脸图形呈现给用户。
S22:当根据用户提出的要求从一人脸库中搜寻人脸图形时,评估并记录符合要求的人脸图形,对所述人脸图形进行遗传算法操作,判断用户对所述人脸图形是否满意,若满意则输出,若不满意,则重新评估并记录搜寻到的符合要求的人脸图形;
其中,步骤S22包括:
1)评估并记录符合要求的人脸图形;
2)根据符合要求的人脸图形的适应度值采用比例选择方式选择人脸图形;
3)根据交叉概率对所述人脸图形进行交叉操作;
具体的,交叉概率的取值范围分别为[0.00,1.00];
4)根据变异概率对所述人脸图形进行变异操作;
具体的,变异概率的取值范围分别为[0.00,1.00];
5)判断用户对所述人脸图形是否满意,若满意则输出,若不满意,则重新评估并记录符合要求的人脸图形。
特别的,用户满意是指在所生成的人脸图形中,超过半数以上的人脸图形是用户所期望的。
S23:当从人脸库中随机生成人脸图形时,获取所述随机生成的人脸图形的新的适应度值,对所述人脸图形进行遗传算法操作,判断用户对所述人脸图形是否满意,若满意,则输出,若不满意,则获取所述随机生成的人脸图形的新的适应度值。
新的适应度值是指符合要求的人脸图形的适应度值的加权平均。
特别的,用户满意是指在所生成的人脸图形中,超过半数以上的人脸图形是用户所期望的。
特别的,自主式遗传算法与交互式遗传算法的不同之处在于前者的每一代个体适应度值是自动计算得到的,而不是根据用户评估得到的。在交互式GA过程中,系统自动记录了用户历次所选的最新、最佳个体若干。当用户感到疲劳时,可退出交互式GA过程,而进入自主式GA过程。系统记录的每一个体对应一个输入向量。基于输入向量分别计算每一个体与其他个体间的相似性。
本发明以两向量间夹角的余弦作为向量的相似性度量:
相似性的值分别对应权值大小,角度越小,相似性越大,权值也就越大,故权值P可定义如下:Pij=cosθij
新的适应度值定义为原始适应度值的加权平均。例如,记录有编号分别为1,2,3,4的四个最佳个体,设其原始适应度值分别为S1、S2、S3、S4;各个体之间相似性值分别为P12、P13、P14、P23、P24、P34;则个体1的新的适应度值可计算如下:
fitness[1]=P12×S2+P13×S3+P14×S4
计算出新的适应度值之后,再进行GA过程,所产生的新个体若满足用户的要求则停止此过程。若不满足用户的要求则重复自主式GA过程,或退出此过程进入交互式GA过程,直至产生用户满意的个体为止。
进一步的,本发明通过以下步骤进一步阐述本发明过程。
本发明输入参数是群体规模,交叉概率和变异概率三个参数,分为预处理、交互式GA、自主式GA三个部分。
//section-1预处理//
1、初始化:N,Pcross,Pmut。
N:群体规模,
Pcross:交叉概率,
Pmut:变异概率
2、IF(用户可以提出特征值(t1,t2,……,tk)
then从人脸库中搜索满足要求的N个人脸I1、I2……IN
3、输出N个人脸图形
//section-2交互式GA//
4、由用户对每一人脸进行评估,给出适应度值fitness[i];
5、计算适应度值总和sunfitmess
6、根据sunfitmess进行选择操作select();
7、对所选个体实施交叉操作cross();
8、变异操作mutation();
9、if(用户对结果满意)then stop
10、else if(用户感到疲劳)
11、then goto15
12、else goto3
13、end if
14end if
//section3自主式GA//
15、计算相似性Pij;
16、计算每一个体新的适应度值fitness[i];
17、goto5
上述描述仅是对本发明较佳实施例的描述,并非对本发明范围的任何限定,本发明领域的普通技术人员根据上述揭示内容做的任何变更、修饰,均属于权利要求书的保护范围。
Claims (10)
1.一种交互式人脸识别系统,其特征在于,包括:
预处理模块,用于根据用户提出的要求从一人脸库中搜寻符合要求的人脸图形,或从人脸库中随机生成人脸图形;
交互式遗传算法模块,用于评估并记录符合要求的人脸图形,对所述人脸图形进行遗传算法操作,判断用户对所述人脸图形是否满意,若满意则输出,若不满意,则重新评估并记录搜寻到的符合要求的人脸图形。
自主式遗传算法模块,用于获取所述随机生成的人脸图形的新的适应度值,对所述人脸图形进行遗传算法操作,判断用户对所述人脸图形是否满意,若满意,则输出,若不满意,则获取所述随机生成的人脸图形的新的适应度值。
2.如权利要求1所述的交互式人脸识别系统,其特征在于,用户满意是指在所生成的人脸图形中,超过半数以上的人脸图形是用户所期望的。
3.如权利要求1所述的交互式人脸识别系统,其特征在于,所述交互式遗传算法模块包括:
评估模块,用于评估并记录符合要求的人脸图形;
选择模块,用于根据符合要求的人脸图形的适应度值采用比例选择方式选择人脸图形;
交叉模块,用于根据交叉概率对所述人脸图形进行交叉操作;
变异模块,用于根据变异概率对所述人脸图形进行变异操作;
判断模块,用于判断用户对所述人脸图形是否满意,若满意则输出,若不满意,则重新评估并记录符合要求的人脸图形。
4.如权利要求3所述的交互式人脸识别系统,其特征在于,交叉模块中的交叉概率和变异模块中的变异概率的取值范围分别为[0.00,1.00]。
5.如权利要求4所述的交互式人脸识别系统,其特征在于,自主式遗传算法模块中的新的适应度值是指交互式遗传算法模块中符合要求的人脸图形的适应度值的加权平均。
6.一种交互式人脸识别方法,其特征在于,包括:
根据用户提出的要求从一人脸库中搜寻人脸图形,或从人脸库中随机生成人脸图形;
当根据用户提出的要求从一人脸库中搜寻人脸图形时,评估并记录符合要求的人脸图形,对所述人脸图形进行遗传算法操作,判断用户对所述人脸图形是否满意,若满意则输出,若不满意,则重新评估并记录搜寻到的符合要求的人脸图形;
当从人脸库中随机生成人脸图形时,获取所述随机生成的人脸图形的新的适应度值,对所述人脸图形进行遗传算法操作,判断用户对所述人脸图形是否满意,若满意,则输出,若不满意,则获取所述随机生成的人脸图形的新的适应度值。
7.如权利要求6所述的交互式人脸识别方法,其特征在于,用户满意是指在所生成的人脸图形中,超过半数以上的人脸图形是用户所期望的。
8.如权利要求6所述的交互式人脸识别方法,其特征在于,评估并记录符合要求的人脸图形,对所述人脸图形进行遗传算法操作,判断用户对所述人脸图形是否满意,若满意则输出,若不满意,则重新评估并记录搜寻到的符合要求的人脸图形的步骤包括:
评估并记录符合要求的人脸图形;
根据符合要求的人脸图形的适应度值采用比例选择方式选择人脸图形;
根据交叉概率对所述人脸图形进行交叉操作;
根据变异概率对所述人脸图形进行变异操作;
判断用户对所述人脸图形是否满意,若满意则输出,若不满意,则重新评估并记录符合要求的人脸图形。
9.如权利要求8所述的交互式人脸识别方法,其特征在于,交叉概率和变异概率的取值范围分别为[0.00,1.00]。
10.如权利要求9所述的交互式人脸识别方法,其特征在于,新的适应度值是指符合要求的人脸图形的适应度值的加权平均。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013103267486A CN103353942A (zh) | 2013-07-30 | 2013-07-30 | 一种交互式人脸识别系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013103267486A CN103353942A (zh) | 2013-07-30 | 2013-07-30 | 一种交互式人脸识别系统和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103353942A true CN103353942A (zh) | 2013-10-16 |
Family
ID=49310309
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2013103267486A Pending CN103353942A (zh) | 2013-07-30 | 2013-07-30 | 一种交互式人脸识别系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103353942A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105005779A (zh) * | 2015-08-25 | 2015-10-28 | 湖北文理学院 | 基于交互式动作的人脸验证防伪识别方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1670764A (zh) * | 2004-03-19 | 2005-09-21 | 中国科学院计算技术研究所 | 基于遗传算法的人脸样本生成方法 |
CN1932842A (zh) * | 2006-08-10 | 2007-03-21 | 中山大学 | 一种基于网格的三维人脸识别方法 |
CN101324920A (zh) * | 2007-06-15 | 2008-12-17 | 上海银晨智能识别科技有限公司 | 搜索人脸显著特征点的方法及人脸比对方法 |
CN102332034A (zh) * | 2011-10-21 | 2012-01-25 | 中国科学院计算技术研究所 | 一种人像图片检索方法和装置 |
CN102938065A (zh) * | 2012-11-28 | 2013-02-20 | 北京旷视科技有限公司 | 基于大规模图像数据的人脸特征提取方法及人脸识别方法 |
-
2013
- 2013-07-30 CN CN2013103267486A patent/CN103353942A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1670764A (zh) * | 2004-03-19 | 2005-09-21 | 中国科学院计算技术研究所 | 基于遗传算法的人脸样本生成方法 |
CN1932842A (zh) * | 2006-08-10 | 2007-03-21 | 中山大学 | 一种基于网格的三维人脸识别方法 |
CN101324920A (zh) * | 2007-06-15 | 2008-12-17 | 上海银晨智能识别科技有限公司 | 搜索人脸显著特征点的方法及人脸比对方法 |
CN102332034A (zh) * | 2011-10-21 | 2012-01-25 | 中国科学院计算技术研究所 | 一种人像图片检索方法和装置 |
CN102938065A (zh) * | 2012-11-28 | 2013-02-20 | 北京旷视科技有限公司 | 基于大规模图像数据的人脸特征提取方法及人脸识别方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105005779A (zh) * | 2015-08-25 | 2015-10-28 | 湖北文理学院 | 基于交互式动作的人脸验证防伪识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109948000B (zh) | 异质网络的异常目标检测方法、装置、设备及存储介质 | |
CN106779087A (zh) | 一种通用机器学习数据分析平台 | |
CN110490128A (zh) | 一种基于加密神经网络的手写识别方法 | |
CN104268593A (zh) | 一种小样本情况下多稀疏表示的人脸识别方法 | |
CN105678253A (zh) | 半监督人脸年龄估计装置及半监督人脸年龄估计方法 | |
Bakhtadze et al. | Associative search and wavelet analysis techniques in system identification | |
CN107871103A (zh) | 一种人脸认证方法和装置 | |
CN110168572A (zh) | 信息处理方法、信息处理装置、计算机可读存储介质 | |
CN109740057B (zh) | 一种基于知识萃取的增强神经网络及信息推荐方法 | |
CN106203628A (zh) | 一种增强深度学习算法鲁棒性的优化方法和系统 | |
CN107423747A (zh) | 一种基于深度卷积网络的显著性目标检测方法 | |
Asai et al. | Towards stable symbol grounding with zero-suppressed state autoencoder | |
CN104679868A (zh) | 一种基于数据间关联关系的遗漏数据填补方法 | |
CN110263232B (zh) | 一种基于广度学习和深度学习的混合推荐方法 | |
CN103955580A (zh) | 基于信度规则库推理的集成电路参数成品率估计方法 | |
CN106022293A (zh) | 一种基于自适应共享小生境进化算法的行人再识别方法 | |
CN110942180B (zh) | 基于xgboost算法的工业设计匹配服务方预测方法 | |
CN103353942A (zh) | 一种交互式人脸识别系统和方法 | |
Szabó et al. | Collaborative filtering via group-structured dictionary learning | |
Ye et al. | Improved SVD algorithm based on Slope One | |
CN104679988A (zh) | 一种基于云topsis的多属性决策方法 | |
Sassi et al. | A methodology using neural network to cluster validity discovered from a marketing database | |
Guo et al. | Floor plan classification based on transfer learning | |
Khanarsa et al. | Self-Identification ResNet-ARIMA Forecasting Model | |
KR20120070934A (ko) | 유한 상태 자동기계를 동정화하기에 알맞은 새로운 회귀 신경망 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20131016 |
|
RJ01 | Rejection of invention patent application after publication |