CN105654095A - 一种特征的选择方法和装置 - Google Patents

Abstract

本发明提供一种特征的选择方法和装置，该方法包括：从获得到的图像中提取出M个特征；利用过滤式模型算法对所述M个特征进行筛选，得到N个特征；利用第一封装式模型算法对所述N个特征进行搜索，得到第一特征子集，并利用第二封装式模型算法对所述N个特征进行搜索，得到第二特征子集；对所述第一特征子集和所述第二特征子集进行重组，得到包括K个特征的第三特征子集，并从第一特征子集、第二特征子集和第三特征子集中选择所述图像的最优特征子集。通过本发明的技术方案，可以从大量特征中选择最有效特征，得到最优特征子集，降低计算复杂性，提高人脸识别的分类精度和分类性能，改善人脸的识别能力，提高人脸的识别率，提高信息安全。

Description

一种特征的选择方法和装置

技术领域

本发明涉及图像处理技术领域，尤其涉及一种特征的选择方法和装置。

背景技术

随着信息技术的快速发展，信息安全变的越来越重要，传统的依靠证件号码进行身份识别的技术，已经不能满足人们的需求。人脸识别技术通过提取人脸的特征，然后根据这些特征进行身份识别和验证，具有安全性、方便性、不易被盗性，从而得到广泛的应用，特别是在单位考勤、出入口检查、刑事侦破、信息安全等领域，人脸识别技术具有广泛的应用前景。

在视频监控系统中，图像处理设备在获得获得到图像之后，可以从图像中提取出人脸的特征，并利用这些特征来进行身份识别和验证。

目前，图像处理设备从图像中提取出的人脸的特征很多，如果采用所有特征来进行身份识别和验证，并不能直接反映图像的本质特征，不能得到较好的效果。而且，在使用大量特征进行身份识别和验证时，大量特征的处理还会降低分类性能，并增加计算量。基于此，需要从大量特征中选择最有效的特征，得到最优的特征子集，从而提高人脸识别的分类精度。特征的选择过程是人脸识别技术的重要预处理过程，而目前并没有有效的特征选择方式。

发明内容

本发明提供一种特征的选择方法，所述方法包括以下步骤：

从获得到的图像中提取出M个特征；

利用过滤式模型算法对所述M个特征进行筛选，得到N个特征；

利用第一封装式模型算法对所述N个特征进行搜索，得到第一特征子集，并利用第二封装式模型算法对所述N个特征进行搜索，得到第二特征子集；

对所述第一特征子集和所述第二特征子集进行重组，得到包括K个特征的第三特征子集，并从所述第一特征子集、所述第二特征子集和所述第三特征子集中选择所述图像的最优特征子集；

其中，所述M大于所述N，且所述N大于所述K。

所述利用第一封装式模型算法对所述N个特征进行搜索，得到第一特征子集的过程，具体包括：

获得L个粒子，每个粒子是一个N维的特征向量，所述特征向量的每个数值表示N个特征中的一个特征，所述特征向量的每个数值被随机选择为第一数值或者第二数值，所述第一数值表示不选择N个特征中的对应特征，所述第二数值表示选择N个特征中的对应特征；针对每个粒子，执行以下步骤：

步骤A1、计算所述粒子的适应度函数，并判断所述粒子的迭代次数是否达到预设第一阈值；如果否，则执行步骤B1；如果是，则执行步骤C1；

步骤B1、对所述粒子的迭代次数加1，并更新所述粒子的速度以及所述粒子的位置，得到更新后的粒子，并利用更新后的粒子重新执行步骤A1；

步骤C1、从所述粒子对应的所有适应度函数中选择局部最优适应度函数，并确定所述局部最优适应度函数对应的粒子为局部最优粒子；

在对所述L个粒子进行步骤A1-步骤C1的处理后，从L个局部最优适应度函数中选择全局最优适应度函数，并确定所述全局最优适应度函数对应的局部最优粒子为全局最优粒子；从所述N个特征中选取所述全局最优粒子中的第二数值对应的特征，并将当前选取的特征确定为所述第一特征子集。

所述更新所述粒子的速度以及所述粒子的位置，得到更新后的粒子的过程，具体包括：利用如下公式确定惯性权重参数，并利用所述惯性权重参数确定粒子速度公式，并利用所述粒子速度公式更新所述粒子的速度；

w(t+1)＝μ×w(t)×(1-w(t))w(t)∈(0,1)；

利用如下粒子位置公式更新所述粒子的位置，得到更新后的粒子：

${x_{ij}}^{\′}=\{\begin{array}{cc}~x_{ij}& \begin{array}{cc}if& rand\left(\right)\≤r_{mut}\end{array}\\ x_{ij}& otherwise\end{array},i=1,2,\mathrm{...}m,j=1,2,\mathrm{...},m_t;$

其中，μ为预设数值，w(t)为0与1之间的随机数，w(t+1)为惯性权重参数，m为粒子的个数，m_t为特征的个数，r_mut为随机突变的概率，rand为0与1之间的随机数，x_ij为速度更新后的粒子，x_ij’为所述更新后的粒子。

所述利用第二封装式模型算法对所述N个特征进行搜索，得到第二特征子集的过程，具体包括：

获得P个人工鱼，每个人工鱼是一个N维的特征向量，所述特征向量的每个数值表示N个特征中的一个特征，所述特征向量的每个数值被随机选择为第一数值或者第二数值，所述第一数值表示不选择N个特征中的对应特征，所述第二数值表示选择N个特征中的对应特征；针对每个人工鱼，执行以下步骤：

步骤A2、计算所述人工鱼的适应度函数，并判断所述人工鱼的迭代次数是否达到预设第二阈值；如果否，则执行步骤B2；如果是，则执行步骤C2；

步骤B2、对所述人工鱼的迭代次数加1，并利用所述人工鱼对应的视觉范围和步长执行追尾行为、聚群行为、觅食行为、随机行为中的一种处理，得到处理后的人工鱼，并利用处理后的人工鱼重新执行步骤A2；

步骤C2、从所述人工鱼对应的所有适应度函数中选择局部最优适应度函数，并确定所述局部最优适应度函数对应的人工鱼为局部最优人工鱼；

在对P个人工鱼进行步骤A2-步骤C2的处理后，从P个局部最优适应度函数中选择全局最优适应度函数，并确定所述全局最优适应度函数对应的局部最优人工鱼为全局最优人工鱼；从所述N个特征中选取所述全局最优人工鱼中的第二数值对应的特征，并将当前选取的特征确定为第二特征子集。

所述步骤B2之前还包括：

利用如下公式计算所述人工鱼对应的视觉范围，并利用所述视觉范围计算所述人工鱼对应的步长：Visual＝Vimax-(Vimax-Vimin)/max_gen*iteration；

其中，Visual为所述视觉范围，Vimax为预设最大视觉范围，Vimin为预设最小视觉范围，max_gen为所述预设第二阈值，iteration为当前的迭代次数。

对所述第一特征子集和第二特征子集进行重组，得到包括K个特征的第三特征子集的过程，具体包括：

确定所述第一特征子集对应的第一全局最优解和第一适应度函数，并确定所述第二特征子集对应的第二全局最优解和第二适应度函数；

计算第一概率为第一适应度函数/(第一适应度函数+第二适应度函数)，或者，计算第二概率为第二适应度函数/(第一适应度函数+第二适应度函数)；

构建第三全局最优解，并在0和1之间为所述第三全局最优解的第i维的数值选择一个随机数；当所述随机数大于等于所述第一概率时，则选择所述第一全局最优解中第i维的数值作为第三全局最优解的第i维的数值，当所述随机数小于所述第一概率时，则选择所述第二全局最优解中第i维的数值作为第三全局最优解的第i维的数值；或者，当所述随机数大于等于所述第二概率时，则选择所述第二全局最优解中第i维的数值作为第三全局最优解的第i维的数值，当所述随机数小于所述第二概率时，则选择所述第二全局最优解中第i维的数值作为第三全局最优解的第i维的数值；

确定所述第三全局最优解对应的包括K个特征的第三特征子集。

本发明提供一种特征的选择装置，所述装置具体包括：

提取模块，用于从获得到的图像中提取出M个特征；

第一获得模块，用于利用过滤式模型算法对所述M个特征进行筛选，得到N个特征；其中，所述M大于所述N；

第二获得模块，用于利用第一封装式模型算法对所述N个特征进行搜索，得到第一特征子集，并利用第二封装式模型算法对所述N个特征进行搜索，得到第二特征子集；

第三获得模块，用于对所述第一特征子集和所述第二特征子集进行重组，得到包括K个特征的第三特征子集；其中，所述N大于所述K；

选择模块，用于从所述第一特征子集、所述第二特征子集和所述第三特征子集中选择所述图像的最优特征子集。

所述第二获得模块，具体用于在利用第一封装式模型算法对所述N个特征进行搜索，得到第一特征子集的过程中，

获得L个粒子，每个粒子是一个N维的特征向量，所述特征向量的每个数值表示N个特征中的一个特征，所述特征向量的每个数值被随机选择为第一数值或者第二数值，所述第一数值表示不选择N个特征中的对应特征，所述第二数值表示选择N个特征中的对应特征；针对每个粒子，执行以下过程：

A1、计算所述粒子的适应度函数，并判断所述粒子的迭代次数是否达到预设第一阈值；如果否，则执行B1；如果是，则执行C1；

B1、对所述粒子的迭代次数加1，并更新所述粒子的速度以及所述粒子的位置，得到更新后的粒子，并利用更新后的粒子重新执行A1；

C1、从所述粒子对应的所有适应度函数中选择局部最优适应度函数，并确定所述局部最优适应度函数对应的粒子为局部最优粒子；

在对所述L个粒子进行A1-C1的处理后，从L个局部最优适应度函数中选择全局最优适应度函数，并确定所述全局最优适应度函数对应的局部最优粒子为全局最优粒子；从所述N个特征中选取所述全局最优粒子中的第二数值对应的特征，并将当前选取的特征确定为所述第一特征子集；

所述第二获得模块，具体用于在更新所述粒子的速度以及所述粒子的位置，得到更新后的粒子的过程中，利用如下公式确定惯性权重参数，并利用所述惯性权重参数确定粒子速度公式，并利用所述粒子速度公式更新所述粒子的速度；w(t+1)＝μ×w(t)×(1-w(t))w(t)∈(0,1)；

利用如下粒子位置公式更新所述粒子的位置，得到更新后的粒子：

${x_{ij}}^{\′}=\{\begin{array}{cc}~x_{ij}& \begin{array}{cc}if& rand\left(\right)\≤r_{mut}\end{array}\\ x_{ij}& otherwise\end{array},i=1,2,\mathrm{...}m,j=1,2,\mathrm{...},m_t;$

其中，μ为预设数值，w(t)为0与1之间的随机数，w(t+1)为惯性权重参数，m为粒子的个数，m_t为特征的个数，r_mut为随机突变的概率，rand为0与1之间的随机数，x_ij为速度更新后的粒子，x_ij’为所述更新后的粒子。

所述第二获得模块，具体用于在利用第二封装式模型算法对所述N个特征进行搜索，得到第二特征子集的过程中，

获得P个人工鱼，每个人工鱼是一个N维的特征向量，所述特征向量的每个数值表示N个特征中的一个特征，所述特征向量的每个数值被随机选择为第一数值或者第二数值，所述第一数值表示不选择N个特征中的对应特征，所述第二数值表示选择N个特征中的对应特征；针对每个人工鱼，执行以下过程：

A2、计算所述人工鱼的适应度函数，并判断所述人工鱼的迭代次数是否达到预设第二阈值；如果否，则执行B2；如果是，则执行C2；

B2、对所述人工鱼的迭代次数加1，并利用所述人工鱼对应的视觉范围和步长执行追尾行为、聚群行为、觅食行为、随机行为中的一种处理，得到处理后的人工鱼，并利用处理后的人工鱼重新执行A2；

C2、从所述人工鱼对应的所有适应度函数中选择局部最优适应度函数，并确定所述局部最优适应度函数对应的人工鱼为局部最优人工鱼；

在对P个人工鱼进行A2-C2的处理后，从P个局部最优适应度函数中选择全局最优适应度函数，并确定所述全局最优适应度函数对应的局部最优人工鱼为全局最优人工鱼；从所述N个特征中选取所述全局最优人工鱼中的第二数值对应的特征，并将当前选取的特征确定为第二特征子集；

所述第二获得模块，还用于在执行所述B2之前，利用如下公式计算所述人工鱼对应的视觉范围，并利用所述视觉范围计算所述人工鱼对应的步长：Visual＝Vimax-(Vimax-Vimin)/max_gen*iteration；

其中，Visual为所述视觉范围，Vimax为预设最大视觉范围，Vimin为预设最小视觉范围，max_gen为所述预设第二阈值，iteration为当前的迭代次数。

所述第三获得模块，具体用于在对所述第一特征子集和第二特征子集进行重组，得到包括K个特征的第三特征子集的过程中，

确定所述第一特征子集对应的第一全局最优解和第一适应度函数，并确定所述第二特征子集对应的第二全局最优解和第二适应度函数；

计算第一概率为第一适应度函数/(第一适应度函数+第二适应度函数)，或者，计算第二概率为第二适应度函数/(第一适应度函数+第二适应度函数)；

构建第三全局最优解，并在0和1之间为所述第三全局最优解的第i维的数值选择一个随机数；当所述随机数大于等于所述第一概率时，则选择所述第一全局最优解中第i维的数值作为第三全局最优解的第i维的数值，当所述随机数小于所述第一概率时，则选择所述第二全局最优解中第i维的数值作为第三全局最优解的第i维的数值；或者，当所述随机数大于等于所述第二概率时，则选择所述第二全局最优解中第i维的数值作为第三全局最优解的第i维的数值，当所述随机数小于所述第二概率时，则选择所述第二全局最优解中第i维的数值作为第三全局最优解的第i维的数值；

确定所述第三全局最优解对应的包括K个特征的第三特征子集。

基于上述技术方案，本发明实施例中，针对从获得到的图像中提取出的M个特征，可先利用过滤式模型算法对M个特征进行筛选，得到N个特征，从而选择高质量特征，减少冗余特征，降低特征维度。针对筛选出的N个特征，分别利用第一封装式模型算法和第二封装式模型算法对N个特征进行搜索，得到第一特征子集和第二特征子集，对第一特征子集和第二特征子集进行重组，得到包括K个特征的第三特征子集，并从第一特征子集、第二特征子集和第三特征子集中选择图像的最优特征子集，从而增加特征子集的搜索能力，进一步提高分类精度，降低特征维度。基于上述方式，可以从大量特征中选择最有效特征，得到最优特征子集，降低计算复杂性，提高人脸识别的分类精度和分类性能，改善人脸的识别能力，提高人脸的识别率，提高信息安全。

附图说明

图1是本发明一种实施方式中的特征的选择方法的流程图；

图2是本发明一种实施方式中的图像处理设备的硬件结构图；

图3是本发明一种实施方式中的特征的选择装置的结构图。

具体实施方式

在本申请使用的术语仅仅是出于描述特定实施例的目的，而非限制本申请。本申请和权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其它含义。还应当理解，本文中使用的术语“和/或”是指包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，此外，所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

针对现有技术中存在的问题，本发明实施例中提出一种特征的选择方法，该方法可以应用在视频监控系统的图像处理设备上，该图像处理设备用于从图像(如视频图像等)中提取出人脸的特征，并利用这些特征来进行身份识别和验证。其中，图像处理设备可以是采集到图像的前端设备(如模拟摄像机、网络摄像机、编码器等)，也可以是从前端设备获得图像的其它设备(如管理服务器、计算机等)，所有用于进行身份识别和验证的设备均在保护范围之内。在上述应用场景下，如图1所示，该特征的选择方法包括以下步骤：

步骤101，从获得到的图像中提取出M个特征。其中，该图像可以是指包含人脸的图像，该M个特征可以是指M个与人脸有关的特征。

在从图像中提取出M个特征的过程中，采用方式可以为HOG(HistogramofOrientedGradient，方向梯度直方图)特征提取方式、LBP(LocalBinaryPatterns，局部二值模式)特征提取方式等，本发明实施例中对此不再赘述。

步骤102，利用过滤式模型算法对M个特征进行筛选，得到N个特征。

其中，N的数值小于M的数值，如M等于1000，N等于100等。

其中，过滤式模型算法可以根据特征的统计特性，评估特征对分类的重要程度，从而得到最优的特征子集，该最优的特征子集中包含高质量的特征，以提高模式分类的计算效率和分类精度。具体的，为了从原始特征集(M个特征)中选择低维度的特征子集(N个特征)，可以从原始特征集中选择部分重要特征，组成新的特征子集，而在该过程中，过滤式模型算法通过移除冗余特征和无关特征来降低特征空间的维数，从而改善分类性能，提高挖掘算法的运行效率。无关特征不会影响分类算法的分类精度，但是会影响分类器的运行时间和数据的计算速度。冗余特征在特征之间可能会产生作用，可能会影响分类器的分类性能，去除冗余特征有助于提高分类器的精度。

在一种可行的实施方式中，过滤式模型算法可以采用mRMR(MaximumRelevanceMinimumRedundancy，最大相关最小冗余)算法，通过使用mRMR算法，可以从M个特征中筛选出N个高质量的特征，从而减少特征的个数，提高分类精度。其中，mRMR算法首先采用互信息计算剩余特征与类别的相关度，其次采用互信息计算剩余特征和已选特征的冗余度，从而选择与类别最大相关，且与已选择特征最小冗余的特征，来形成最优的特征子集。

步骤103，利用第一封装式模型算法对N个特征进行搜索，得到第一特征子集，利用第二封装式模型算法对N个特征进行搜索，得到第二特征子集。

在一种可行实施方式中，第一封装式模型算法可以采用IPSO(ImprovedParticleSwarmOptimization，改进的粒子群优化)算法，第二封装式模型算法可以采用AFSA(ArtificialFishSwarmAlgorithm，人工鱼群算法)算法。封装式模型算法通过重组IPSO和AFSA，从而增加特征子集的搜索能力。

本发明实施例中，针对IPSO算法，利用第一封装式模型算法对N个特征进行搜索，得到第一特征子集的过程，具体可以包括但不限于如下方式：

获得L个粒子，每个粒子是一个N维的特征向量，该特征向量的每个数值表示N个特征中的一个特征，且该特征向量的每个数值被随机选择为第一数值或者第二数值，该第一数值表示不选择N个特征中的对应特征，该第二数值表示选择N个特征中的对应特征；针对每个粒子，执行以下步骤：

步骤A1、计算粒子的适应度函数，并判断该粒子的迭代次数是否达到预设第一阈值；如果否，则执行步骤B1；如果是，则执行步骤C1；

步骤B1、对该粒子的迭代次数加1，并更新该粒子的速度以及该粒子的位置，得到更新后的粒子，并利用更新后的粒子重新执行步骤A1；

步骤C1、从该粒子对应的所有适应度函数中选择局部最优适应度函数，并确定该局部最优适应度函数对应的粒子为局部最优粒子；

在对L个粒子进行步骤A1-步骤C1的处理之后，则可以从L个局部最优适应度函数中选择全局最优适应度函数，并确定该全局最优适应度函数对应的局部最优粒子为全局最优粒子；从N个特征中选取该全局最优粒子中的第二数值对应的特征，并将当前选取的特征确定为第一特征子集。

在一个例子中，假设N为20，N个特征分别为特征1、特征2、…，特征20。L为3，L个粒子分别为粒子1、粒子2、粒子3。第一数值为0，第二数值为1。粒子1对应的特征向量为[0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,1]，粒子2对应的特征向量为[1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1]，粒子3对应的特征向量为[0,0,0,0,0,0,0,0,0,0,1,1,1,1,1,1,1,1,1,1]，特征向量中的数值均是随机选择的数值。其中，粒子1中的第20位为0，表示不选择特征20，粒子2中的第20位为1，表示选择特征20，粒子3中的第20位为0，表示不选择特征20。为了方便描述，后续过程中，以粒子1的处理为例进行说明。

针对步骤A1，计算粒子1的适应度函数，具体的计算方式可以采用KNN(k-NearestNeighbor，邻近算法或k最邻近分类算法)，对于该计算过程不再赘述，计算出的适应度函数为一个表征分类精度的数值，如0.755等。

在初始配置过程中，会配置预设第一阈值，该预设第一阈值是迭代次数最大值，如70次。由于迭代次数的初始值为0，因此当前迭代次数为0，小于预设第一阈值，执行步骤B1，将迭代次数加1，即当前迭代次数为1。

在更新粒子1的速度以及粒子1的位置，并得到更新后的粒子1-1的过程中，主要是基于预先配置的粒子速度公式和粒子位置公式，对粒子1的特征向量[0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,1]进行突变，如将0突变为1，将1突变为0等，假设粒子1-1为[0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,1,1]，之后对粒子1-1重新执行步骤A1。以此类推，一直到迭代次数达到70，得到粒子1-1、粒子1-2…、粒子1-70，并得到所有粒子的适应度函数，之后从所有的适应度函数中选择局部最优适应度函数，即适应度函数的最大值，并确定该局部最优适应度函数对应的粒子(如粒子1-50)为局部最优粒子。其中，粒子1-i中的1表示是针对粒子1迭代之后的粒子，i表示第几次迭代后的粒子，例如，粒子1-50表示针对粒子1，迭代50次之后的粒子。

在对粒子1、粒子2和粒子3进行上述步骤A1-步骤C1的处理之后，可以得到粒子1的局部最优适应度函数、粒子2的局部最优适应度函数、粒子3的局部最优适应度函数，并可以从这3个局部最优适应度函数中选择全局最优适应度函数，即适应度函数的最大值，之后，可以确定该全局最优适应度函数对应的局部最优粒子(如粒子1-50)为全局最优粒子。

假设粒子1-50为[0,1,1,0,0,0,1,0,0,0,0,1,0,0,0,1,0,0,0,0]，从N个特征中选取粒子1-50的数值1对应特征，即特征5、特征9、特征14、特征18和特征19，将特征5、特征9、特征14、特征18和特征19确定为第一特征子集。

在实际应用中，由于IPSO算法容易陷入局部最优解，针对IPSO算法后期粒子不易变化的特点，本发明实施例中，考虑到混沌理论具有高度随机性和遍历性特点，采用混沌理论来优化惯性权重参数，从而避免IPSO算法的过早收敛，以得到更好的分类性能。考虑到遗传算法的突变操作，采用遗传算法来优化粒子位置公式，从而增加粒子的多样性，改善粒子的全局最优解。

基于上述分析，本发明实施例中，上述更新粒子的速度以及粒子的位置，得到更新后的粒子的过程，具体可以包括但不限于如下方式：利用如下公式确定惯性权重参数，并利用该惯性权重参数确定粒子速度公式，并利用该粒子速度公式更新粒子的速度；w(t+1)＝μ×w(t)×(1-w(t))w(t)∈(0,1)。进一步的，可以利用如下粒子位置公式更新粒子的位置，以得到更新后的粒子：

${x_{ij}}^{\′}=\{\begin{array}{cc}~x_{ij}& \begin{array}{cc}if& rand\left(\right)\≤r_{mut}\end{array}\\ x_{ij}& otherwise\end{array},i=1,2,\mathrm{...}m,j=1,2,\mathrm{...},m_t.$

其中，μ为预设数值，其取值可以为4，w(t)为0与1之间的随机数，w(t+1)为惯性权重参数，m为粒子的个数，即m的取值为L，m_t为特征的个数，即m_t的取值为N，r_mut为随机突变的概率，rand为0与1之间的随机数，x_ij为速度更新后的粒子，x_ij’为更新后的粒子。进一步的，上述随机突变的概率r_mut、w(t)的初始值、m的取值，均可以根据实际经验进行配置。

基于上述采用混沌理论优化的惯性权重参数，以及采用遗传算法优化的粒子位置公式，可以改善粒子的多样性，并改善搜索解的质量，从而探索粒子群未搜索的空间。此外，在粒子的位置更新之后，对候选解的每一位二进制位，按照随机突变概率进行突变，随机突变概率通常被设置为r_mut＝1/m_t，基于此，在每一个候选解中，至少有一个二进制位将要发生突变。

本发明实施例中，针对AFSA算法，利用第二封装式模型算法对N个特征进行搜索，得到第二特征子集的过程，具体可以包括但不限于如下方式：

获得P个人工鱼，每个人工鱼是一个N维的特征向量，该特征向量的每个数值表示N个特征中的一个特征，且该特征向量的每个数值被随机选择为第一数值或者第二数值，该第一数值表示不选择N个特征中的对应特征，该第二数值表示选择N个特征中的对应特征；针对每个人工鱼，执行以下步骤：

步骤A2、计算人工鱼的适应度函数，并判断该人工鱼的迭代次数是否达到预设第二阈值；如果否，则执行步骤B2；如果是，则执行步骤C2；

步骤B2、对该人工鱼的迭代次数加1，并利用该人工鱼对应的视觉范围和步长执行追尾行为、聚群行为、觅食行为、随机行为中的一种处理，得到处理后的人工鱼，并利用该处理后的人工鱼重新执行步骤A2；

步骤C2、从该人工鱼对应的所有适应度函数中选择局部最优适应度函数，并确定该局部最优适应度函数对应的人工鱼为局部最优人工鱼；

在对P个人工鱼进行步骤A2-步骤C2的处理之后，则可以从P个局部最优适应度函数中选择全局最优适应度函数，并确定该全局最优适应度函数对应的局部最优人工鱼为全局最优人工鱼；从N个特征中选取全局最优人工鱼中的第二数值对应的特征，并将当前选取的特征确定为第二特征子集。

在一个例子中，假设N为20，则N个特征可以分别为特征1、特征2、特征3、…，特征20。假设P为3，则P个人工鱼可以分别为人工鱼1、人工鱼2、人工鱼3。假设第一数值为0，且第二数值为1。其中，人工鱼1对应的特征向量为[0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,1]，人工鱼2对应的特征向量为[1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1,1]，且人工鱼3对应的特征向量为[0,0,0,0,0,0,0,0,0,0,1,1,1,1,1,1,1,1,1,1]，各特征向量中的数值均是随机选择的数值。其中，人工鱼1中的第20位为0，表示不选择特征20，人工鱼2中的第20位为1，表示选择特征20，人工鱼3中的第20位为0，表示不选择特征20。为了方便描述，后续过程中，以人工鱼1的处理为例进行说明。

针对步骤A2，计算人工鱼1的适应度函数，具体计算方式可以采用KNN，对于该计算过程不再赘述，计算出的适应度函数为一个表征分类精度的数值，如0.755等。在初始配置过程中，会配置预设第二阈值，预设第二阈值是迭代次数最大值，如70次。由于迭代次数的初始值为0，因此当前迭代次数为0，小于预设第二阈值，执行步骤B2，将迭代次数加1，即当前迭代次数为1。

利用人工鱼对应的视觉范围和步长执行追尾行为、聚群行为、觅食行为、随机行为中的一种处理，得到处理后的人工鱼的过程中，主要是基于追尾行为、聚群行为、觅食行为、随机行为中的一种行为，对人工鱼1的特征向量[0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,1]进行突变，如将0突变为1，将1突变为0等，假设人工鱼1-1为[0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,1,1]，之后对人工鱼1-1重新执行步骤A2。以此类推，一直到迭代次数达到70，得到人工鱼1-1、人工鱼1-2…、人工鱼1-70，并得到所有人工鱼的适应度函数，之后从所有的适应度函数中选择局部最优适应度函数，即适应度函数的最大值，并确定该局部最优适应度函数对应的人工鱼(如人工鱼1-50)为局部最优人工鱼。其中，人工鱼1-i中的1表示是针对人工鱼1迭代之后的人工鱼，i表示第几次迭代后的人工鱼，例如，人工鱼1-50表示针对人工鱼1，迭代50次之后的人工鱼。

在对人工鱼1、人工鱼2和人工鱼3进行步骤A2-步骤C2的处理之后，可以得到人工鱼1的局部最优适应度函数、人工鱼2的局部最优适应度函数、人工鱼3的局部最优适应度函数，并可以从这3个局部最优适应度函数中选择全局最优适应度函数，即适应度函数的最大值，之后，可以确定该全局最优适应度函数对应的局部最优人工鱼(如人工鱼1-50)为全局最优人工鱼。

假设人工鱼1-50为[1,0,1,0,0,0,0,0,1,0,0,0,1,0,0,0,0,1,0,0]，从N个特征中选取人工鱼1-50的数值1对应特征，即特征3、特征8、特征12、特征18和特征20，将特征3、特征8、特征12、特征18和特征20确定为第二特征子集。

针对利用人工鱼对应的视觉范围和步长执行追尾行为、聚群行为、觅食行为、随机行为中的一种处理的过程，在一种可行实施方式中，执行追尾行为，如果追尾行为成功，则基于追尾行为对特征向量进行突变，保留追尾后的人工鱼。如果追尾行为不成功，则执行聚群行为，如果聚群行为成功，则基于聚群行为对特征向量进行突变，保留聚群后的人工鱼。如果聚群行为不成功，则执行觅食行为，如果觅食行为成功，则基于觅食行为对特征向量进行突变，保留觅食后的人工鱼。如果觅食行为不成功，则保留当前的人工鱼，或执行随机行为，基于随机行为对特征向量进行突变，保留随机后的人工鱼。

其中，人工鱼对应的视觉范围是指特征向量中的数值不同的位数。例如，当人工鱼对应的视觉范围为5时，如果人工鱼的特征向量中的数值与另一人工鱼的特征向量中的数值，不同位数不大于5时，则表示另一人工鱼在该人工鱼的视觉范围之内。例如，人工鱼为[0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,1]，另一人工鱼为[0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,1,1,1,1]时，则这两条人工鱼的不同位数为3，此时表示另一人工鱼在该人工鱼的视觉范围之内。人工鱼对应的步长是指人工鱼移动的步长，表示特征向量中以特定概率进行突变的位数。例如，当人工鱼对应的步长为3时，表示对人工鱼的特征向量中的3位以特定概率进行突变。

针对人工鱼的追尾行为过程，假设当前最优的人工鱼(当前适应度函数最大的人工鱼)在该人工鱼的视觉范围之内，且当前最优的人工鱼的拥挤程度不大于拥挤度因子，则追尾行为成功，对该人工鱼的特征向量向着当前最优的人工鱼的特征向量进行突变，突变的位数参考人工鱼的步长。否则追尾行为失败。

针对人工鱼的聚群行为的过程，首先基于当前所有人工鱼确定出一条中心人工鱼，如当前有3条人工鱼，第1条人工鱼的第一位是0，第2条人工鱼的第一位是1，第3条人工鱼的第一位是1，则中心人工鱼的第一位是1(其原因是(0+1+1)/3大于0.5)，第1条人工鱼的第二位是0，第2条人工鱼的第二位是0，第3条人工鱼的第二位是1，则中心人工鱼的第二位是0(其原因是(0+0+1)/3小于0.5)，以此类推，可以确定出中心人工鱼。之后，假设中心人工鱼在该人工鱼的视觉范围之内，且中心人工鱼的拥挤程度不大于拥挤度因子，则聚群行为成功，对该人工鱼的特征向量向着中心人工鱼的特征向量进行突变，突变的位数参考人工鱼的步长。否则，聚群行为失败。

针对人工鱼的觅食行为的过程，首先选择一个与该人工鱼距离最近的相邻人工鱼，即该人工鱼的特征向量中的数值与该相邻人工鱼的特征向量中的数值，不同位数最少。之后，假设该相邻人工鱼的拥挤程度不大于拥挤度因子，则觅食行为成功，对该人工鱼的特征向量向着该相邻人工鱼的特征向量进行突变，突变的位数参考人工鱼的步长。否则，觅食行为失败。

针对人工鱼的随机行为的过程，直接对该人工鱼的特征向量进行突变。

人工鱼的视野对人工鱼的各种行为影响都很大，直接影响算法的收敛性。而且，人工鱼的步长对人工鱼的收敛速度也有很大影响。具体的，当人工鱼的视野范围较小时，则人工鱼的觅食行为和随机行为更为活跃。当人工鱼的视野范围较大时，人工鱼的聚群行为和追尾行为更为活跃，但是，后期的收敛速度会大大降低。因此，选取合适的视野范围和步长，有助于人工鱼发现全局最优解和提高收敛速度。基于上述分析，本发明实施例中，可以利用如下公式计算人工鱼对应的视觉范围，并利用该视觉范围计算人工鱼对应的步长：Visual＝Vimax-(Vimax-Vimin)/max_gen*iteration；其中，Visual为视觉范围，Vimax为预设最大视觉范围，Vimin为预设最小视觉范围，max_gen为预设第二阈值，即最大的迭代次数，iteration为当前的迭代次数，即第几次迭代。在利用该视觉范围计算人工鱼对应的步长时，可以采用视觉范围的一半作为步长。

基于上述技术方案，可以动态更新视觉范围和步长，从而加快收敛速度。在鱼群的初期，设置较大的视觉范围，随着迭代次数的增加，逐渐降低视觉范围。在缩小视觉范围的同时，相应的调整步长。直到最大的迭代次数满足，得到最优解。其中，如果视觉范围较大，则人工鱼的全局搜索能力强，并能快速收敛；如果视觉范围较小，则人工鱼的局部搜索能力强。如果步长越大，则收敛速度越慢；如果步长越小，则收敛速度越快。

步骤104，对第一特征子集和第二特征子集进行重组，得到包括K个特征的第三特征子集，并从第一特征子集、第二特征子集和第三特征子集中选择图像的最优特征子集。

其中，K的数值小于N的数值，如N等于20，K等于10等。

例如，第一特征子集为特征5、特征9、特征14、特征18和特征19，第二特征子集为特征3、特征8、特征12、特征18和特征20时，可以选择第一特征子集与第二特征子集的并集作为第三特征子集，也可以选择第一特征子集与第二特征子集的交集作为第三特征子集，还可以通过其它方式，从第一特征子集和第二特征子集中选择特征，并将选择的特征作为第三特征子集。

在一种可行的实施方式中，对第一特征子集和第二特征子集进行重组，得到包括K个特征的第三特征子集的过程，具体可以包括但不限于如下方式：

步骤1、确定第一特征子集对应的第一全局最优解gbest和第一适应度函数fit_gbest，并确定第二特征子集对应的第二全局最优解fbest和第二适应度函数fit_fbest。

其中，第一特征子集对应的第一全局最优解gbest为粒子1-50，该粒子1-50为[0,1,1,0,0,0,1,0,0,0,0,1,0,0,0,1,0,0,0,0]，第二特征子集对应的第二全局最优解fbest为人工鱼1-50，该人工鱼1-50为[1,0,1,0,0,0,0,0,1,0,0,0,1,0,0,0,0,1,0,0]。对于第一全局最优解gbest和第一适应度函数fit_gbest，第二全局最优解fbest和第二适应度函数fit_fbest已经在上面的步骤中描述，在此不再重复赘述。

步骤2、计算第一概率为第一适应度函数/(第一适应度函数+第二适应度函数)，或者计算第二概率为第二适应度函数/(第一适应度函数+第二适应度函数)。

步骤3、构建第三全局最优解TheBest，并在0和1之间为第三全局最优解TheBest的第i维的数值选择一个随机数。如为第三全局最优解TheBest的第1维的数值选择随机数0.2，为第三全局最优解TheBest的第2维的数值选择随机数0.5，为第三全局最优解TheBest的第3维的数值选择随机数0.4，以此类推。

步骤4、针对为第i维的数值选择的随机数，当该随机数大于等于第一概率时，则选择第一全局最优解中第i维的数值作为第三全局最优解TheBest的第i维的数值，当该随机数小于第一概率时，则选择第二全局最优解中第i维的数值作为第三全局最优解TheBest的第i维的数值。或者，当该随机数大于等于第二概率时，则选择第二全局最优解中第i维的数值作为第三全局最优解TheBest的第i维的数值，当该随机数小于第二概率时，则选择第二全局最优解中第i维的数值作为第三全局最优解TheBest的第i维的数值。

例如，基于为第三全局最优解的第1维的数值选择的随机数0.2，当该随机数0.2大于等于第一概率时，则选择第一全局最优解中第1维的数值(即第1位的数值)作为第三全局最优解的第1维的数值(即第1位的数值)，当该随机数小于第一概率时，则选择第二全局最优解中第1维的数值作为第三全局最优解的第i维的数值。以此类推，可以最终确定第三全局最优解。

步骤5、确定第三全局最优解对应的包括K个特征的第三特征子集。

假设第三全局最优解为[0,1,1,0,0,0,1,0,0,0,0,1,0,0,0,1,0,1,0,0]，则可以从N个特征中选取第三全局最优解的数值1对应特征，即特征3、特征5、特征9、特征14、特征18和特征19，因此，可以将特征3、特征5、特征9、特征14、特征18和特征19确定为第三特征子集。

本发明实施例中，从第一特征子集、第二特征子集和第三特征子集中选择图像的最优特征子集的过程，具体可以包括但不限于如下方式：确定第一特征子集对应的第一全局最优解，第二特征子集对应的第二全局最优解，第三特征子集对应的第三全局最优解，上述步骤中已经阐述第一全局最优解、第二全局最优解和第三全局最优解的获得过程，在此不再赘述。基于第一全局最优解对应的第一适应度函数、第二全局最优解对应的第二适应度函数、第三全局最优解对应的第三适应度函数，可以选择出最大的适应度函数，并将最大的适应度函数对应的特征子集(如第三特征子集)作为图像的最优特征子集。

基于上述方式，重组了IPSO算法和AFSA算法的全局最优解，改善IPSO算法和AFSA算法的搜索能力，从而实现跳出局部最优解，提高分类性能。

基于上述技术方案，本发明实施例中，针对从获得到的图像中提取出的M个特征，可先利用过滤式模型算法对M个特征进行筛选，得到N个特征，从而选择高质量特征，减少冗余特征，降低特征维度。针对筛选出的N个特征，分别利用第一封装式模型算法和第二封装式模型算法对N个特征进行搜索，得到第一特征子集和第二特征子集，对第一特征子集和第二特征子集进行重组，得到包括K个特征的第三特征子集，并从第一特征子集、第二特征子集和第三特征子集中选择图像的最优特征子集，从而增加特征子集的搜索能力，进一步提高分类精度，降低特征维度。基于上述方式，可以从大量特征中选择最有效特征，得到最优特征子集，降低计算复杂性，提高人脸识别的分类精度和分类性能，改善人脸的识别能力，提高人脸的识别率，提高信息安全。

基于与上述方法同样的发明构思，本发明实施例中还提供了一种特征的选择装置，该特征的选择装置应用在图像处理设备上。其中，该特征的选择装置可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在的图像处理设备的处理器，读取非易失性存储器中对应的计算机程序指令形成的。从硬件层面而言，如图2所示，为本发明提出的特征的选择装置所在的图像处理设备的一种硬件结构图，除了图2所示的处理器、非易失性存储器外，图像处理设备还可以包括其他硬件，如负责处理报文的转发芯片、网络接口、内存等；从硬件结构上来讲，该图像处理设备还可能是分布式设备，可能包括多个接口卡，以便在硬件层面进行报文处理的扩展。

如图3所示，为本发明提出的特征的选择装置的结构图，所述特征的选择装置具体包括：提取模块11，用于从获得到的图像中提取出M个特征；第一获得模块12，用于利用过滤式模型算法对所述M个特征进行筛选，得到N个特征；M大于N；第二获得模块13，用于利用第一封装式模型算法对所述N个特征进行搜索，得到第一特征子集，并利用第二封装式模型算法对所述N个特征进行搜索，得到第二特征子集；第三获得模块14，用于对所述第一特征子集和所述第二特征子集进行重组，得到包括K个特征的第三特征子集；其中，所述N大于所述K；选择模块15，用于从所述第一特征子集、所述第二特征子集和所述第三特征子集中选择所述图像的最优特征子集。

所述第二获得模块13，具体用于在利用第一封装式模型算法对所述N个特征进行搜索，得到第一特征子集的过程中，

获得L个粒子，每个粒子是一个N维的特征向量，所述特征向量的每个数值表示N个特征中的一个特征，所述特征向量的每个数值被随机选择为第一数值或者第二数值，所述第一数值表示不选择N个特征中的对应特征，所述第二数值表示选择N个特征中的对应特征；针对每个粒子，执行以下过程：

A1、计算所述粒子的适应度函数，并判断所述粒子的迭代次数是否达到预设第一阈值；如果否，则执行B1；如果是，则执行C1；

B1、对所述粒子的迭代次数加1，并更新所述粒子的速度以及所述粒子的位置，得到更新后的粒子，并利用更新后的粒子重新执行A1；

C1、从所述粒子对应的所有适应度函数中选择局部最优适应度函数，并确定所述局部最优适应度函数对应的粒子为局部最优粒子；

在对所述L个粒子进行A1-C1的处理后，从L个局部最优适应度函数中选择全局最优适应度函数，并确定所述全局最优适应度函数对应的局部最优粒子为全局最优粒子；从所述N个特征中选取所述全局最优粒子中的第二数值对应的特征，并将当前选取的特征确定为所述第一特征子集；

所述第二获得模块13，具体用于在更新所述粒子的速度以及所述粒子的位置，得到更新后的粒子的过程中，利用如下公式确定惯性权重参数，并利用所述惯性权重参数确定粒子速度公式，并利用所述粒子速度公式更新所述粒子的速度；w(t+1)＝μ×w(t)×(1-w(t))w(t)∈(0,1)；

利用如下粒子位置公式更新所述粒子的位置，得到更新后的粒子：

${x_{ij}}^{\′}=\{\begin{array}{cc}~x_{ij}& \begin{array}{cc}if& rand\left(\right)\≤r_{mut}\end{array}\\ x_{ij}& otherwise\end{array},i=1,2,\mathrm{...}m,j=1,2,\mathrm{...},m_t;$

其中，μ为预设数值，w(t)为0与1之间的随机数，w(t+1)为惯性权重参数，m为粒子的个数，m_t为特征的个数，r_mut为随机突变的概率，rand为0与1之间的随机数，x_ij为速度更新后的粒子，x_ij’为所述更新后的粒子。

所述第二获得模块13，具体用于在利用第二封装式模型算法对所述N个特征进行搜索，得到第二特征子集的过程中，

获得P个人工鱼，每个人工鱼是一个N维的特征向量，所述特征向量的每个数值表示N个特征中的一个特征，所述特征向量的每个数值被随机选择为第一数值或者第二数值，所述第一数值表示不选择N个特征中的对应特征，所述第二数值表示选择N个特征中的对应特征；针对每个人工鱼，执行以下过程：A2、计算所述人工鱼的适应度函数，并判断所述人工鱼的迭代次数是否达到预设第二阈值；如果否，则执行B2；如果是，则执行C2；

B2、对所述人工鱼的迭代次数加1，并利用所述人工鱼对应的视觉范围和步长执行追尾行为、聚群行为、觅食行为、随机行为中的一种处理，得到处理后的人工鱼，并利用处理后的人工鱼重新执行A2；

C2、从所述人工鱼对应的所有适应度函数中选择局部最优适应度函数，并确定所述局部最优适应度函数对应的人工鱼为局部最优人工鱼；

在对P个人工鱼进行A2-C2的处理后，从P个局部最优适应度函数中选择全局最优适应度函数，并确定所述全局最优适应度函数对应的局部最优人工鱼为全局最优人工鱼；从所述N个特征中选取所述全局最优人工鱼中的第二数值对应的特征，并将当前选取的特征确定为第二特征子集；

所述第二获得模块13，还用于在执行所述B2之前，利用如下公式计算所述人工鱼对应的视觉范围，并利用所述视觉范围计算所述人工鱼对应的步长：

Visual＝Vimax-(Vimax-Vimin)/max_gen*iteration；

其中，Visual为所述视觉范围，Vimax为预设最大视觉范围，Vimin为预设最小视觉范围，max_gen为所述预设第二阈值，iteration为当前的迭代次数。

所述第三获得模块14，具体用于在对所述第一特征子集和第二特征子集进行重组，得到包括K个特征的第三特征子集的过程中，

确定所述第一特征子集对应的第一全局最优解和第一适应度函数，并确定所述第二特征子集对应的第二全局最优解和第二适应度函数；

计算第一概率为第一适应度函数/(第一适应度函数+第二适应度函数)，或者，计算第二概率为第二适应度函数/(第一适应度函数+第二适应度函数)；

构建第三全局最优解，并在0和1之间为所述第三全局最优解的第i维的数值选择一个随机数；当所述随机数大于等于所述第一概率时，则选择所述第一全局最优解中第i维的数值作为第三全局最优解的第i维的数值，当所述随机数小于所述第一概率时，则选择所述第二全局最优解中第i维的数值作为第三全局最优解的第i维的数值；或者，当所述随机数大于等于所述第二概率时，则选择所述第二全局最优解中第i维的数值作为第三全局最优解的第i维的数值，当所述随机数小于所述第二概率时，则选择所述第二全局最优解中第i维的数值作为第三全局最优解的第i维的数值；

确定所述第三全局最优解对应的包括K个特征的第三特征子集。

其中，本发明装置的各个模块可以集成于一体，也可以分离部署。上述模块可以合并为一个模块，也可以进一步拆分成多个子模块。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。本领域技术人员可以理解附图只是一个优选实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。

本领域技术人员可以理解实施例中的装置中的模块可以按照实施例描述进行分布于实施例的装置中，也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可进一步拆分成多个子模块。上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

以上公开的仅为本发明的几个具体实施例，但是，本发明并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。

Claims (10)

1.一种特征的选择方法，其特征在于，所述方法包括以下步骤：

从获得到的图像中提取出M个特征；

利用过滤式模型算法对所述M个特征进行筛选，得到N个特征；

利用第一封装式模型算法对所述N个特征进行搜索，得到第一特征子集，并利用第二封装式模型算法对所述N个特征进行搜索，得到第二特征子集；

对所述第一特征子集和所述第二特征子集进行重组，得到包括K个特征的第三特征子集，并从所述第一特征子集、所述第二特征子集和所述第三特征子集中选择所述图像的最优特征子集；

其中，所述M大于所述N，且所述N大于所述K。

2.根据权利要求1所述的方法，其特征在于，所述利用第一封装式模型算法对所述N个特征进行搜索，得到第一特征子集的过程，具体包括：

获得L个粒子，每个粒子是一个N维的特征向量，所述特征向量的每个数值表示N个特征中的一个特征，所述特征向量的每个数值被随机选择为第一数值或者第二数值，所述第一数值表示不选择N个特征中的对应特征，所述第二数值表示选择N个特征中的对应特征；针对每个粒子，执行以下步骤：

步骤A1、计算所述粒子的适应度函数，并判断所述粒子的迭代次数是否达到预设第一阈值；如果否，则执行步骤B1；如果是，则执行步骤C1；

步骤B1、对所述粒子的迭代次数加1，并更新所述粒子的速度以及所述粒子的位置，得到更新后的粒子，并利用更新后的粒子重新执行步骤A1；

步骤C1、从所述粒子对应的所有适应度函数中选择局部最优适应度函数，并确定所述局部最优适应度函数对应的粒子为局部最优粒子；

在对所述L个粒子进行步骤A1-步骤C1的处理后，从L个局部最优适应度函数中选择全局最优适应度函数，并确定所述全局最优适应度函数对应的局部最优粒子为全局最优粒子；从所述N个特征中选取所述全局最优粒子中的第二数值对应的特征，并将当前选取的特征确定为所述第一特征子集。

3.根据权利要求2所述的方法，其特征在于，所述更新所述粒子的速度以及所述粒子的位置，得到更新后的粒子的过程，具体包括：

利用如下公式确定惯性权重参数，并利用所述惯性权重参数确定粒子速度公式，并利用所述粒子速度公式更新所述粒子的速度；

w(t+1)＝μ×w(t)×(1-w(t))w(t)∈(0,1)；

利用如下粒子位置公式更新所述粒子的位置，得到更新后的粒子：

${x_{ij}}^{\′}=\left\{\begin{array}{cc}~x_{ij}& ifrand\left(\right)\≤r_{mut}\\ x_{ij}& otherwise\end{array}\right.,i=1,2,...m,j=1,2,...,m_t;$

其中，μ为预设数值，w(t)为0与1之间的随机数，w(t+1)为惯性权重参数，m为粒子的个数，m_t为特征的个数，r_mut为随机突变的概率，rand为0与1之间的随机数，x_ij为速度更新后的粒子，x_ij’为所述更新后的粒子。

4.根据权利要求1所述的方法，其特征在于，所述利用第二封装式模型算法对所述N个特征进行搜索，得到第二特征子集的过程，具体包括：

获得P个人工鱼，每个人工鱼是一个N维的特征向量，所述特征向量的每个数值表示N个特征中的一个特征，所述特征向量的每个数值被随机选择为第一数值或者第二数值，所述第一数值表示不选择N个特征中的对应特征，所述第二数值表示选择N个特征中的对应特征；针对每个人工鱼，执行以下步骤：

步骤A2、计算所述人工鱼的适应度函数，并判断所述人工鱼的迭代次数是否达到预设第二阈值；如果否，则执行步骤B2；如果是，则执行步骤C2；

步骤B2、对所述人工鱼的迭代次数加1，并利用所述人工鱼对应的视觉范围和步长执行追尾行为、聚群行为、觅食行为、随机行为中的一种处理，得到处理后的人工鱼，并利用处理后的人工鱼重新执行步骤A2；

步骤C2、从所述人工鱼对应的所有适应度函数中选择局部最优适应度函数，并确定所述局部最优适应度函数对应的人工鱼为局部最优人工鱼；

在对P个人工鱼进行步骤A2-步骤C2的处理后，从P个局部最优适应度函数中选择全局最优适应度函数，并确定所述全局最优适应度函数对应的局部最优人工鱼为全局最优人工鱼；从所述N个特征中选取所述全局最优人工鱼中的第二数值对应的特征，并将当前选取的特征确定为第二特征子集。

5.根据权利要求4所述的方法，其特征在于，所述步骤B2之前还包括：

利用如下公式计算所述人工鱼对应的视觉范围，并利用所述视觉范围计算所述人工鱼对应的步长：Visual＝Vimax-(Vimax-Vimin)/max_gen*iteration；

其中，Visual为所述视觉范围，Vimax为预设最大视觉范围，Vimin为预设最小视觉范围，max_gen为所述预设第二阈值，iteration为当前的迭代次数。

6.根据权利要求1所述的方法，其特征在于，对所述第一特征子集和第二特征子集进行重组，得到包括K个特征的第三特征子集的过程，具体包括：

确定所述第一特征子集对应的第一全局最优解和第一适应度函数，并确定所述第二特征子集对应的第二全局最优解和第二适应度函数；

计算第一概率为第一适应度函数/(第一适应度函数+第二适应度函数)，或者，计算第二概率为第二适应度函数/(第一适应度函数+第二适应度函数)；

构建第三全局最优解，并在0和1之间为所述第三全局最优解的第i维的数值选择一个随机数；当所述随机数大于等于所述第一概率时，则选择所述第一全局最优解中第i维的数值作为第三全局最优解的第i维的数值，当所述随机数小于所述第一概率时，则选择所述第二全局最优解中第i维的数值作为第三全局最优解的第i维的数值；或者，当所述随机数大于等于所述第二概率时，则选择所述第二全局最优解中第i维的数值作为第三全局最优解的第i维的数值，当所述随机数小于所述第二概率时，则选择所述第二全局最优解中第i维的数值作为第三全局最优解的第i维的数值；

确定所述第三全局最优解对应的包括K个特征的第三特征子集。

7.一种特征的选择装置，其特征在于，所述装置具体包括：

提取模块，用于从获得到的图像中提取出M个特征；

第一获得模块，用于利用过滤式模型算法对所述M个特征进行筛选，得到N个特征；其中，所述M大于所述N；

第二获得模块，用于利用第一封装式模型算法对所述N个特征进行搜索，得到第一特征子集，并利用第二封装式模型算法对所述N个特征进行搜索，得到第二特征子集；

第三获得模块，用于对所述第一特征子集和所述第二特征子集进行重组，得到包括K个特征的第三特征子集；其中，所述N大于所述K；

选择模块，用于从所述第一特征子集、所述第二特征子集和所述第三特征子集中选择所述图像的最优特征子集。

8.根据权利要求7所述的装置，其特征在于，

所述第二获得模块，具体用于在利用第一封装式模型算法对所述N个特征进行搜索，得到第一特征子集的过程中，

获得L个粒子，每个粒子是一个N维的特征向量，所述特征向量的每个数值表示N个特征中的一个特征，所述特征向量的每个数值被随机选择为第一数值或者第二数值，所述第一数值表示不选择N个特征中的对应特征，所述第二数值表示选择N个特征中的对应特征；针对每个粒子，执行以下过程：

A1、计算所述粒子的适应度函数，并判断所述粒子的迭代次数是否达到预设第一阈值；如果否，则执行B1；如果是，则执行C1；

B1、对所述粒子的迭代次数加1，并更新所述粒子的速度以及所述粒子的位置，得到更新后的粒子，并利用更新后的粒子重新执行A1；

C1、从所述粒子对应的所有适应度函数中选择局部最优适应度函数，并确定所述局部最优适应度函数对应的粒子为局部最优粒子；

在对所述L个粒子进行A1-C1的处理后，从L个局部最优适应度函数中选择全局最优适应度函数，并确定所述全局最优适应度函数对应的局部最优粒子为全局最优粒子；从所述N个特征中选取所述全局最优粒子中的第二数值对应的特征，并将当前选取的特征确定为所述第一特征子集；

所述第二获得模块，具体用于在更新所述粒子的速度以及所述粒子的位置，得到更新后的粒子的过程中，利用如下公式确定惯性权重参数，并利用所述惯性权重参数确定粒子速度公式，并利用所述粒子速度公式更新所述粒子的速度；w(t+1)＝μ×w(t)×(1-w(t))w(t)∈(0,1)；

利用如下粒子位置公式更新所述粒子的位置，得到更新后的粒子：

${x_{ij}}^{\′}=\left\{\begin{array}{cc}~x_{ij}& ifrand\left(\right)\≤r_{mut}\\ x_{ij}& otherwise\end{array}\right.,i=1,2,...m,j=1,2,...,m_t;$

其中，μ为预设数值，w(t)为0与1之间的随机数，w(t+1)为惯性权重参数，m为粒子的个数，m_t为特征的个数，r_mut为随机突变的概率，rand为0与1之间的随机数，x_ij为速度更新后的粒子，x_ij’为所述更新后的粒子。

9.根据权利要求7所述的装置，其特征在于，

所述第二获得模块，具体用于在利用第二封装式模型算法对所述N个特征进行搜索，得到第二特征子集的过程中，

获得P个人工鱼，每个人工鱼是一个N维的特征向量，所述特征向量的每个数值表示N个特征中的一个特征，所述特征向量的每个数值被随机选择为第一数值或者第二数值，所述第一数值表示不选择N个特征中的对应特征，所述第二数值表示选择N个特征中的对应特征；针对每个人工鱼，执行以下过程：

A2、计算所述人工鱼的适应度函数，并判断所述人工鱼的迭代次数是否达到预设第二阈值；如果否，则执行B2；如果是，则执行C2；

B2、对所述人工鱼的迭代次数加1，并利用所述人工鱼对应的视觉范围和步长执行追尾行为、聚群行为、觅食行为、随机行为中的一种处理，得到处理后的人工鱼，并利用处理后的人工鱼重新执行A2；

C2、从所述人工鱼对应的所有适应度函数中选择局部最优适应度函数，并确定所述局部最优适应度函数对应的人工鱼为局部最优人工鱼；

在对P个人工鱼进行A2-C2的处理后，从P个局部最优适应度函数中选择全局最优适应度函数，并确定所述全局最优适应度函数对应的局部最优人工鱼为全局最优人工鱼；从所述N个特征中选取所述全局最优人工鱼中的第二数值对应的特征，并将当前选取的特征确定为第二特征子集；

所述第二获得模块，还用于在执行所述B2之前，利用如下公式计算所述人工鱼对应的视觉范围，并利用所述视觉范围计算所述人工鱼对应的步长：Visual＝Vimax-(Vimax-Vimin)/max_gen*iteration；

其中，Visual为所述视觉范围，Vimax为预设最大视觉范围，Vimin为预设最小视觉范围，max_gen为所述预设第二阈值，iteration为当前的迭代次数。

10.根据权利要求7所述的装置，其特征在于，

所述第三获得模块，具体用于在对所述第一特征子集和第二特征子集进行重组，得到包括K个特征的第三特征子集的过程中，

确定所述第一特征子集对应的第一全局最优解和第一适应度函数，并确定所述第二特征子集对应的第二全局最优解和第二适应度函数；

计算第一概率为第一适应度函数/(第一适应度函数+第二适应度函数)，或者，计算第二概率为第二适应度函数/(第一适应度函数+第二适应度函数)；

构建第三全局最优解，并在0和1之间为所述第三全局最优解的第i维的数值选择一个随机数；当所述随机数大于等于所述第一概率时，则选择所述第一全局最优解中第i维的数值作为第三全局最优解的第i维的数值，当所述随机数小于所述第一概率时，则选择所述第二全局最优解中第i维的数值作为第三全局最优解的第i维的数值；或者，当所述随机数大于等于所述第二概率时，则选择所述第二全局最优解中第i维的数值作为第三全局最优解的第i维的数值，当所述随机数小于所述第二概率时，则选择所述第二全局最优解中第i维的数值作为第三全局最优解的第i维的数值；

确定所述第三全局最优解对应的包括K个特征的第三特征子集。