CN107578028A - 一种人脸识别方法、装置、设备及计算机可读存储介质 - Google Patents
一种人脸识别方法、装置、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN107578028A CN107578028A CN201710851029.4A CN201710851029A CN107578028A CN 107578028 A CN107578028 A CN 107578028A CN 201710851029 A CN201710851029 A CN 201710851029A CN 107578028 A CN107578028 A CN 107578028A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- msubsup
- algorithm
- subgraph
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 100
- 241000282461 Canis lupus Species 0.000 claims abstract description 91
- 230000001815 facial effect Effects 0.000 claims abstract description 53
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 51
- 238000000605 extraction Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 50
- 230000008569 process Effects 0.000 claims description 11
- 230000006978 adaptation Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000001228 spectrum Methods 0.000 claims description 9
- 230000015556 catabolic process Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000003247 decreasing effect Effects 0.000 claims description 5
- 230000015654 memory Effects 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 4
- 238000012804 iterative process Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 abstract description 17
- 230000000875 corresponding effect Effects 0.000 description 22
- 238000005516 engineering process Methods 0.000 description 11
- 238000012706 support-vector machine Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 230000036039 immunity Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 235000012364 Peperomia pellucida Nutrition 0.000 description 1
- 240000007711 Peperomia pellucida Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 230000008921 facial expression Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000010353 genetic engineering Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Landscapes
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种人脸识别方法、装置、设备及计算机可读存储介质。其中,方法包括利用可变模态分解算法对待识别人脸图像进行分解,得到多个子图像;对各子图像进行PCA特征提取,根据预设权重值对各子图像PCA特征进行加权组合,得到待识别人脸图像的人脸特征;将人脸特征输入预先构建的SVM模型中,根据SVM模型的最优分类超平面确定待识别人脸图像的识别结果;SVM模型的最优惩罚参数与核参数根据利用差分进化算法改进的灰狼优化算法所得。本申请提供的技术方案提取了准确性高、精度高的人脸特征信息,且利用改进的灰狼优化算法优化SVM模型中的核参数与惩罚系数,从而提升了人脸识别的准确度。
Description
技术领域
本发明实施例涉及图像处理技术领域,特别是涉及一种人脸识别方法、装置、设备及计算机可读存储介质。
背景技术
随着计算机技术与图像处理技术的飞跃发展,由于人脸与人体的其它生物特征(例如指纹、虹膜等)一样与生俱来,它的唯一性和不易复制等良好特性为身份鉴别提供了必要的前提,故其在公共安全领域得到了广泛的应用。人脸识别技术为一种利用分析比较人脸视觉特征信息,以进行身份鉴别的计算机技术。
人脸识别是用摄像机或摄像头采集含有人脸的图像或视频流,并自动在图像中检测并跟踪人脸,进而对检测到的人脸的相关特征信息进行提取,然后根据相关特征信息进行识别,以此实现身份的鉴别。各类人脸识别的关键在于提取人脸数据中与身份相关的本质特征,减弱甚至消除与身份不相关的信息,例如环境光照、姿势、表情以及饰物。
人脸识别一般可通过将静态图像或视频图像中检测出的人脸图像(人脸特征)与数据库中的人脸图像(人脸特征)进行对比,从中找出与之匹配的人脸,以实现身份识别与鉴定的目的。从当前待检测人脸的图像中提取相应的特征直接影响后期人脸识别的准确性,可见,提取准确的人脸特征是人脸识别技术中至关重要的一环。
针对人脸图像信号的非平稳性和非线性特性,通常可采用信号分解方法有效减弱信号的非平稳程度,从而提高识别精度。现有技术一般采用经验模态分解法对人脸识别技术中的人脸特征信号进行分解。尽管经验模态分解方法可实现对非线性、非平稳信号进行平稳化处理,但是,经验模态分解方法缺乏严格的数学基础、算法效率低、存在模态混叠、抗噪性差以及端点效应问题。由于经验模态分解方法的这些劣势,导致由其分解得到的一系列分量再重新构建识别模型后,仍然存在很大的预测误差。
因此,如何提高人脸识别的准确度,是本领域技术人员亟待解决的问题。
发明内容
本发明实施例的目的是提供人脸识别方法、装置、设备及计算机可读存储介质,以提高人脸识别的准确度。
为解决上述技术问题,本发明实施例提供以下技术方案:
本发明实施例提供了一种人脸识别方法,包括:
利用可变模态分解算法对待识别人脸图像进行分解,得到所述待识别人脸图像的多个子图像;
对各子图像进行PCA特征提取,根据预设权重值对各子图像PCA特征进行加权组合,得到所述待识别人脸图像的人脸特征,所述权重值随着相应子图像包含的人脸信息量的增多而增大;
将所述人脸特征输入预先构建的SVM模型中,根据所述SVM模型的最优分类超平面确定所述待识别人脸图像的识别结果;所述SVM模型的最优惩罚参数与核参数根据预设算法迭代所得,所述预设算法为利用差分进化算法改进的灰狼优化算法。
可选的,所述利用可变模态分解算法对待识别人脸图像进行分解,得到所述待识别人脸图像的多个子图像包括:
利用Hilbert变换,计算得到各子图像模态信号uk对应的解析信号,以计算各子图像的单侧频谱;
通过对各子图像的解析信号对应的中心频率ωk的指数项混叠,将各子图像模态信号uk的频谱变换至基频带;
对各子图像的解析信号梯度的平方L2范数进行计算,得到各子图像模态信号的带宽,以得到所述待识别人脸图像经过可变模态分解算法分解之后的多个有限带宽的子图像模态信号{uk},k=1,2,…,K。
可选的,所述待识别人脸图像的分解模态数为4。
可选的,所述对各子图像进行PCA特征提取包括:
对大小为M×N当前子图像,对应的图像矩阵为X=[x1,x2,...,xM]T,xi为图像矩阵的行向量,利用下述公式计算所述当前子图像每行的均值向量:
利用下述公式计算各行向量与所述均值向量的差值:
利用下述公式计算各行向量的协方差矩阵:
计算各协方差矩阵的特征值和特征向量,并选取预设个数的最大特征值对应的特征向量,按照从大到小的顺序构造特征矩阵:
w=(u1,u2,...,un),n为预设个数,ui为特征向量;
将所述差值映射到所述特征矩阵中,得到所述当前子图像的PCA特征。
可选的,所述根据所述SVM模型的最优分类超平面确定所述待识别人脸图像的识别结果包括:
所述SVM模型的最优分类超平面函数公式为:
式中,αi为拉格朗日乘子,是x→Rd的映射,为内积,K(xi,xj)为核函数(内积函数),γ为核参数,b为分类阈值;
计算下述约束函数中的最优解
式中,C为正常数,最优解
选取的一个分量,利用下述公式计算阈值b*:
根据计算所得的最优解阈值b*、所述SVM模型的最优分类超平面函数公式,计算最优分类超平面函数:
根据所述最优分类超平面函数确定所述SVM模型的最优分类超平面。
可选的,所述所述SVM模型的最优惩罚参数与核参数根据预设算法迭代所得的过程包括:
初始化所述SVM模型的最优惩罚参数与核参数,根据预设的参数为所述预设算法的狼群数量、最大迭代次数、交叉概率、缩放因子的最大值与最小值进行赋值;
利用下述适应度函数公式随机初始化狼群,并计算所述狼群中各灰狼的个体适应度值:
适应度函数公式为f(C,r)=100-error,error为所述SVM模型对训练样本集的分类错误率,C为摆动因子;
式中,分别为第k个体的第p组成元素的上、下限,p=2;rand为(0,1)间均匀分布的随机数,X为根据所述SVM模型的最优惩罚参数与核参数构成;
以非递减顺序对所述狼群中各灰狼的个体适应度值进行排序,并确定排列在前三位的灰狼的个体位置Xα、Xβ、Xσ,以作为所述狼群的初始决策者;
根据灰狼优化算法的位置更新公式,更新灰狼父代种群中的个体位置,根据差分进化算法的变异公式和交叉公式进行变异和交叉操作,以产生新的子代狼群;
根据下述公式更新父代狼群,并更新灰狼优化算法中的摆动因子C、收敛因子A及系数向量a,并更新父代狼群中的决策者;
k为狼群数目,τ为迭代次数;
C=2r2、A=2ar2-a、a(t)=2-2t/τmax,r2∈[0,1]间的随机数,t为当前迭代次数,τmax为最大迭代次数;
重复算法的迭代计算过程直至算法的迭代次数达到最大迭代次数,根据最终各决策者的位置确定最优惩罚参数与核参数。
可选的,所述根据预设的参数为所述预设算法的狼群数量、最大迭代次数、交叉概率、缩放因子的最大值与最小值进行赋值为:
设置预设算法的狼群数量为10、最大迭代次数为20、交叉概率为0.25、缩放因子的最大值为0.8、缩放因子的最小值为0.2。
本发明实施例还提供了一种人脸识别装置,包括:
图像分解模块,用于利用可变模态分解算法对待识别人脸图像进行分解,得到所述待识别人脸图像的多个子图像;
特征提取模块,用于对各子图像进行PCA特征提取,根据预设权重值对各子图像PCA特征进行加权组合,得到所述待识别人脸图像的人脸特征,所述权重值随着相应子图像包含的人脸信息量的增多而增大;
识别模块,用于将所述人脸特征输入预先构建的SVM模型中,根据所述SVM模型的最优分类超平面确定所述待识别人脸图像的识别结果;所述SVM模型的最优惩罚参数与核参数根据预设算法迭代所得,所述预设算法为利用差分进化算法改进的灰狼优化算法。
本发明实施例还提供了一种人脸识别设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序以实现如前任意一项所述人脸识别方法的步骤。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有人脸识别程序,所述人脸识别程序被处理器执行时实现如前任意一项所述人脸识别方法的步骤。
本发明实施例提供了一种人脸识别方法,利用可变模态分解算法对待识别人脸图像进行分解,得到多个子图像;对各子图像进行PCA特征提取,根据预设权重值对各子图像PCA特征进行加权组合,得到待识别人脸图像的人脸特征;将人脸特征输入预先构建的SVM模型中,根据SVM模型的最优分类超平面确定待识别人脸图像的识别结果;SVM模型的最优惩罚参数与核参数根据利用差分进化算法改进的灰狼优化算法所得。
本申请提供的技术方案的优点在于,利用可变模态分解技术良好对待识别图像进行分解,提高了图像分解的效率,具有好的噪声鲁棒性和非递归性,有利于提取精确度高的人脸信息,有效的克服了现有分解技术中模态混叠、抗噪性较差以及端点效应问题;利用差分进化改进的灰狼优化算法优化SVM模型的核参数和惩罚系数,提高了SVM模型分类准确性,可获取更优的分类超平面,有利于提高人脸识别的准确度。
此外,本发明实施例还针对人脸识别方法提供了相应的实现装置、设备及计算机可读存储介质,进一步使得所述方法更具有实用性,所述装置、设备及计算机可读存储介质具有相应的优点。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种人脸识别方法的流程示意图;
图2为本发明实施例提供的人脸识别装置的一种具体实施方式结构图;
图3为本发明实施例提供的人脸识别设备的一种具体实施方式结构图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等是用于区别不同的对象,而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可包括没有列出的步骤或单元。
现有技术一般采用经验模态分解法对人脸图像信号进行分解。尽管经验模态分解方法可实现对非线性、非平稳信号进行平稳化处理,但是,该方法缺乏严格的数学基础、算法效率低、存在模态混叠、抗噪性差以及端点效应问题,从而导致由其分解得到的一系列分量再重新构建预测模型后,仍然存在很大的预测误差。
变分模态分解是一种新型的自适应、多分辨率信号分解估计方法,其整体框架是变分问题,使得每个模态的估计带宽之和最小,其中假设每个“模态”是具有不同中心频率的有限带宽,为解决这一变分问题,采用了交替方向乘子法,不断更新各模态及其中心频率,逐步将各模态解调到相应的基频带,最终各个模态及相应的中心频率被一同提取出来。相比经验分解方法,变分模态分解将信号分解转化非递归、变分模态分解模式,其实质是多个自适应维纳滤波组,表现出更好的噪声鲁棒性;在模态分离方面,选取合适的参数,可有效的避免模态混叠现象,也就是说可将频率相近的2个纯谐波信号成功分离。
支持向量机(Support Vector Machine,SVM)为一种监督式学习的方法,可广泛地应用于统计分类以及回归分析。能够同时最小化经验误差与最大化几何边缘区,在解决小样本、非线性及高维模式识别中表现出许多特有的优势,并能够推广应用到函数拟合等其他机器学习问题中。
优化支持向量机的参数所采用的进化算法如遗传算法(Genetic Algorithm,GA)、粒子群算法(Particle Swarm Optimization,PSO)等,均存在算法收敛速度慢的缺点。如粒子群算法容易陷入局部最优解,最终收敛结果易受参数大小和初始种群的影响,而遗传算法对噪声问题地处理存在一定难度。可见,上述方法均存在一定局限性。
相比上述两种进化算法,差分进化(Differential Evolution,DE)为一种模拟生物进化的随机模型,通过反复迭代,使得那些适应环境的个体被保存了下来。该算法结构简单、控制参数少、收敛速度快。DE保留了基于种群的全局搜索策略,采用实数编码、基于差分的简单变异操作和一对一的竞争生存策略,降低了遗传操作的复杂性。同时,DE特有的记忆能力使其可以动态跟踪当前的搜索情况,以调整其搜索策略,具有较强的全局收敛能力和鲁棒性,且不需要借助问题的特征信息,适于求解一些利用常规的数学规划方法所无法求解的复杂环境中的优化问题。
灰狼优化算法(Gray wolf optimization,GWO)为一种新兴元启发式优化算法,通过模仿灰狼群体跟踪、包围、追捕、攻击猎物等捕食行为实现优化的过程。相比其他进化算法,灰狼优化算法通过对比得到各灰狼社会等级并控制搜索方向,具有较高的优化效率、结构简单、参数设置少、易于实现且其全局搜索能力强。
本申请的发明人经过研究发现,采用差分进化算法结合灰狼优化算法优化支持向量机方法,可以获取更佳的支持向量机参数,使得算法跳出局部最优。鉴于此,本申请通过可变模态分解方法对人脸图像进行分解,将分解后的子图像采用主成分分析PCA降维后加权组合成特征脸,再利用改进的灰狼优化算法对支持向量机的惩罚系数和核参数进行优化,并将所得最优参数代入支持向量机中,最后利用优化后的SVM将所得特征脸进行分类,根据最优分类面获取分类结果。
在介绍了本发明实施例的技术方案后,下面详细的说明本申请的各种非限制性实施方式。
首先参见图1,图1为本发明实施例提供的一种人脸识别方法的流程示意图,本发明实施例可包括以下内容:
S101:利用可变模态分解算法对待识别人脸图像进行分解,得到待识别人脸图像的多个子图像。
S102:对各子图像进行PCA特征提取,根据预设权重值对各子图像PCA特征进行加权组合,得到待识别人脸图像的人脸特征,权重值随着相应子图像包含的人脸信息量的增多而增大。
S103:将人脸特征输入预先构建的SVM模型中,根据SVM模型的最优分类超平面确定待识别人脸图像的识别结果;SVM模型的最优惩罚参数与核参数根据预设算法迭代所得,预设算法为利用差分进化算法改进的灰狼优化算法。
相比经验模态分解技术,可变变分模态分解效率高,模型分解后的子序列分量较少,且变分模态分解技术将图像分解转化非递归、变分模态分解模式,表现出更好的噪声鲁棒性,克服了经验模态分解存在的模态混叠、抗噪性较差以及端点效应现象,进行预测,可以获取更多的人脸图像信息。
对图像大小为m×n的人脸图像f(x,y)信号,采用可变模态分解方法将人脸图像f(x,y)信号分解为一系列有限带宽的子图像模态信号{uk},k=1,2,…,K(K为子模态信号的模态总数),其中,每个子图像模态信号uk有一个随其分解过程中确定的中心频率ωk。其中,子图像模态信号uk的带宽具体构造步骤如下:
利用可变模态分解算法对待识别人脸图像进行分解的过程可包括:
利用Hilbert变换,计算得到各子图像模态信号uk对应的解析信号,以计算各子图像的单侧频谱;
通过对各子图像的解析信号对应的中心频率ωk的指数项混叠,将各子图像模态信号uk的频谱变换至基频带;
对各子图像的解析信号梯度的平方L2范数进行计算,得到各子图像模态信号的带宽,以得到待识别人脸图像经过可变模态分解算法分解之后的多个有限带宽的子图像模态信号{uk},k=1,2,…,K。
其中,带约束条件的变分问题为:
式中,{uk}={u1,u2,…,uk}、{ωk}={ω1,ω2,…,ωk};δ(t)为狄拉克分布。
该变分问题的求解过程可为:
A11:将带约束的变分问题通过二次惩罚因子α和拉格朗日乘子λ的引入转化为非约束的变分问题,可表示如下:
式中,α用于在高斯噪声存在时保证信号的重构精度,取值范围可设定为200~2000;λ保持约束条件的严谨性,取值范围可设定为0~1。
A12:采用乘子交替方向法求解式(2)的变分问题,得到二次优化问题uk和ωk的解为:
式中,为当前剩余量的维纳滤波;为当前模态函数功率谱的重心;进行傅里叶逆变换,其实部则为{uk(t)};n为迭代次数,可取10~200。
综上可得,可变模式分解的步骤如下:
B11:对进行初始化,将迭代次数n置1;
B12:对每一子信号,根据公式公式更新得到和
B13:根据下式对拉格朗日乘子进行更新:
式中,τ为更新参数,取值可为0~1。
B14:根据给定判别精度ε>0,判断下式的收敛条件是否满足,若满足则停止迭代;否则迭代次数n加1,返回步骤B12:
举例来说,当采用可变态模态分解待识别人脸图像时,取信号分解模态数K=4时,分解后可得到的4幅子图像,子图像uk信号分量分别为趋势分量S、水平分量L、垂直分量H和对角线分量V。其中,趋势分量包含了原始图像的绝大部分信息,为待识别人脸图像的相似图像。水平分量则包含了人的眼睛和嘴巴等反应人脸表情的信息。垂直分量包含了人的鼻子、耳朵和边缘轮廓信息。对角线分量则包含了原始图像的少量信息。
在人脸识别中,提取待识别人脸图像的人脸特征为关键一环,在得到了待识别人脸图像的多个子图像之后,获取待识别人脸图像的特征过程可为:
依次对各子图像进行PCA特征提取,具体过程可为:
对大小为M×N当前子图像,对应的图像矩阵为X=[x1,x2,...,xM]T,xi为图像矩阵的行向量,利用下述公式计算当前子图像每行的均值向量:
利用下述公式计算各行向量与均值向量的差值:
利用下述公式计算各行向量的协方差矩阵:
计算各协方差矩阵的特征值和特征向量,并选取预设个数的最大特征值对应的特征向量,按照从大到小的顺序构造特征矩阵:
w=(u1,u2,...,un),n为预设个数,ui为特征向量;
将差值映射到特征矩阵中,得到当前子图像的PCA特征。
在得到各个子图像的PCA特征之后,可根据各个子图像包含的人脸信息量的多少为每个子图像赋予不同的权重值,对各个子图像的PCA特征加权组合以构成待识别人脸图像的人脸特征,权重值随着相应子图像包含的人脸信息量的增多而增大。
举例来说,以上述例子为例,得到的4个子图像趋势分量S、水平分量L、垂直分量H和对角线分量V分别进行PCA特征提取,得到:
式中,S′、L′、H′和V′分别为4个分量的特征,W1、W2、W3和W4分别为各分量对应的最佳投影空间,即相应的特征矩阵。
采用不同权重组合后的人脸特征可为:
X=ω1S′+ω2L′+ω3H′+ω4V′;
ω1+ω2+ω3+ω4=1;
对不同分量进行权重分配时,考虑到趋势分量S′包含了待识别人脸图像的绝大部分信息,则对ω1分配较大的权重,即取ω1=0.7。而水平分量L′则包含了人的眼睛和嘴巴等较多的水平信息,垂直分量H′包含了人的鼻子、耳朵和边缘轮廓等较多的垂直信息。因此,可对L′、H′分配适当大的权重,即取ω2=ω3=0.12。考虑到对角线分量V′包含较少的人脸信息,因此其权重分配值也较小,取ω4=0.06。
支持向量机SVM的基本思想为,首先通过将输入样本空间(即输入的人脸特征)非线性映射到一个高维特征空间Rd中,然后在这个新的空间中寻找样本的最优线性分类超平面,即使它尽可能多的将两类样本正确的分开,同时使分开的两类样本分类间隔最大。而这种非线性映射是通过选择适当的核函数及其参数来实现的。上述那些与最优分类超平面最近的两类样本被称为支持向量(Support Vector,SV)。
在SVM模型中,有两类样本集,一类为数据库中包含待测的人脸,另一类为数据库不包含待测人脸,可先假设SVM模型的最优分类超平面函数公式为:
式中,αi为拉格朗日乘子,是x→Rd的映射,为内积,K(xi,xj)为核函数(内积函数),b为分类阈值;核函数表示将输入从输入空间映射到特征空间得到的特征向量之间的内积,通常选择径向基函数作为核函数。其公式可为:
γ为核参数,因此,得到的支持向量机为一种径向基分类器。
最优分类超平面函数可通过约束函数中的最优解来确定,计算下述约束函数中的最优解
式中,C为正常数,最优解上述为一不等式约束条件下的二次函数极值问题,存在唯一解,整体最优化的过程即为使分类间隔最大化。
选取的一个分量,利用下述公式计算阈值b*:
根据计算所得的最优解阈值b*、SVM模型的最优分类超平面函数公式,计算最优分类超平面函数:
根据最优分类超平面函数确定SVM模型的最优分类超平面。
在SVM算法中,惩罚系数C和核参数γ对支持向量机的性能有较大的影响。其中惩罚系数C用于控制模型复杂度和逼近误差的折中,C越大则对数据的拟合程度越高,学习机器的复杂度就越高,容易出现“过学习”的现象。而C取值过小,则对经验误差的惩罚小,学习机器的复杂度低,就会出现“欠学习”的现象。核参数γ的取值影响模型的分类精度。因此,要想提高其分类精度,需要合理地选择核参数γ和惩罚因子C。
灰狼优化(Grey Wolf Optimization,GWO)算法是由Mirjalili等于2014年提出的一种新兴元启发式优化算法。它通过模仿灰狼群体跟踪、包围、追捕、攻击猎物等捕食行为实现优化的过程。在GWO算法中,对于狩猎行为在数学上描述可为:
D=|CXp(t)-X(t)|,C=2r2;
式中,t为当前迭代次数,X(t)为灰狼个体位置,Xp为猎物位置,r2∈[0,1]间的随机数,C为摆动因子。
灰狼的位置更新公式为:
X(t+1)=Xp(t)-AD,A=2ar2-a;
式中:A为收敛因子,D为灰狼个体与猎物间的距离。其中,系数向量A和C可用如下公式计算:
a(t)=2-2t/τmax,
式中,a随迭代次数t增加而从2线性递减到0,τmax为最大迭代次数。
猎物位置的定位。当灰狼确定了猎物的位置后,由于狼群中,决策者α、β、σ最为靠近猎物,因此可以通过这三者的位置来获取猎物所在方位。这种行为的数学描述如下:
Dα=|C1Xα(t)-X(t)|,Dβ=|C2Xβ(t)-X(t)|,Dσ=|C3Xσ(t)-X(t)|,
X1=Xα-A1Dα,X2=Xβ-A2Dβ,X3=Xσ-A3Dσ,X(t+1)=(X1+X2+X3)/3。
差分进化DE算法的具体步骤可如下:
初始化种群。
变异操作。首先,随机选择三个不同的变量,然后扩大其中两个不同的个体之间的差值,最后,将这两个个体合成与第三个个体实现差分变异操作,公式可为:
式中:M缩放因子,r1≠r2≠r3≠i、τ=0,1,2,…,τmax为迭代次数。
交叉操作。第τ代变量交叉公式为:
k为种群数目,τ为迭代次数。
利用改进的灰狼优化算法求解SVM模型中的惩罚系数和核参数的过程可如下所示:
初始化SVM模型的最优惩罚参数与核参数,根据预设的参数为预设算法的狼群数量、最大迭代次数、交叉概率、缩放因子的最大值与最小值进行赋值;
在一种具体的实施方式中,可设置预设算法的狼群数量为10、最大迭代次数为20、交叉概率为0.25、缩放因子的最大值为0.8、缩放因子的最小值为0.2。
以分类错误率最小化为适应度函数,其公式可为:
f(C,r)=100-error;error为SVM模型对训练样本集的分类错误率,C为摆动因子;当SVM模型在测试样本集上的分类错误率越低,则对应的目标适应度函数值就越大。
利用适应度函数公式随机初始化狼群,并计算狼群中各灰狼的个体适应度值:
式中,分别为第k个体的第p组成元素的上、下限,p=2;rand为(0,1)间均匀分布的随机数,X为根据SVM模型的最优惩罚参数与核参数构成;
以非递减顺序对狼群中各灰狼的个体适应度值进行排序,并确定排列在前三位的灰狼的个体位置Xα、Xβ、Xσ,以作为狼群的初始决策者;
根据灰狼优化算法的位置更新公式,更新灰狼父代种群中的个体位置,根据差分进化算法的变异公式和交叉公式进行变异和交叉操作,以产生新的子代狼群;
根据下述公式更新父代狼群,并更新灰狼优化算法中的摆动因子C、收敛因子A及系数向量a;
k为狼群数目,τ为迭代次数;
C=2r2、A=2ar2-a、a(t)=2-2t/τmax,r2∈[0,1]间的随机数,t为当前迭代次数,τmax为最大迭代次数;
更新父代狼群中的决策者Pα、Pβ、Pσ,在以非递减顺序对灰狼父代群体重新排序。判断是否满足算法终止条件,若满足,则返回父代Pα和f(Pα),输出当前最优解C、γ。否则继续优化SVM的参数C、γ。即重复算法的迭代计算过程直至算法的迭代次数达到最大迭代次数,根据最终各决策者的位置确定最优惩罚参数与核参数。
在本发明实施例提供的技术方案中,利用可变模态分解技术良好对待识别图像进行分解,提高了图像分解的效率,具有好的噪声鲁棒性和非递归性,有利于提取精确度高的人脸信息,有效的克服了现有分解技术中模态混叠、抗噪性较差以及端点效应问题;利用差分进化改进的灰狼优化算法优化SVM模型的核参数和惩罚系数,提高了SVM模型分类准确性,可获取更优的分类超平面,有利于提高人脸识别的准确度。
本发明实施例还针对人脸识别方法提供了相应的实现装置,进一步使得所述方法更具有实用性。下面对本发明实施例提供的人脸识别装置进行介绍,下文描述的人脸识别装置与上文描述的人脸识别方法可相互对应参照。
参见图2,图2为本发明实施例提供的人脸识别装置在一种具体实施方式下的结构图,该装置可包括:
图像分解模块201,用于利用可变模态分解算法对待识别人脸图像进行分解,得到待识别人脸图像的多个子图像。
特征提取模块202,用于对各子图像进行PCA特征提取,根据预设权重值对各子图像PCA特征进行加权组合,得到待识别人脸图像的人脸特征,权重值随着相应子图像包含的人脸信息量的增多而增大。
识别模块203,用于将人脸特征输入预先构建的SVM模型中,根据SVM模型的最优分类超平面确定待识别人脸图像的识别结果;SVM模型的最优惩罚参数与核参数根据预设算法迭代所得,预设算法为利用差分进化算法改进的灰狼优化算法。
可选的,在本实施例的一些实施方式中,所述特征提取模块202可包括:
均值向量计算单元,用于对大小为M×N当前子图像,对应的图像矩阵为X=[x1,x2,...,xM]T,xi为图像矩阵的行向量,利用下述公式计算当前子图像每行的均值向量:
差值计算单元,用于利用下述公式计算各行向量与均值向量的差值:
协方差矩阵计算单元,用于利用下述公式计算各行向量的协方差矩阵:
特征矩阵生成单元,用于计算各协方差矩阵的特征值和特征向量,并选取预设个数的最大特征值对应的特征向量,按照从大到小的顺序构造特征矩阵:
w=(u1,u2,...,un),n为预设个数,ui为特征向量;
特征获取单元,用于将差值映射到特征矩阵中,得到当前子图像的PCA特征。
此外,在本实施例的一些实施方式中,所述识别模块203可以包括:
公式定义单元,用于SVM模型的最优分类超平面函数公式为:
式中,αi为拉格朗日乘子,是x→Rd的映射,为内积,K(xi,xj)为核函数(内积函数),γ为核参数,b为分类阈值;
计算最优解单元,用于计算下述约束函数中的最优解
式中,C为正常数,最优解
阈值计算单元,用于选取的一个分量,利用下述公式计算阈值b*:
最优分类超平面函数计算单元,用于根据计算所得的最优解阈值b*、SVM模型的最优分类超平面函数公式,计算最优分类超平面函数:
最优分类超平面获取单元,用于根据最优分类超平面函数确定SVM模型的最优分类超平面。
可选的,在本实施例的另外一些实施方式中,所述识别模块203还可以包括:
参数初始化单元,用于初始化SVM模型的最优惩罚参数与核参数,根据预设的参数为预设算法的狼群数量、最大迭代次数、交叉概率、缩放因子的最大值与最小值进行赋值;
个体适应度计算单元,用于利用下述适应度函数公式随机初始化狼群,并计算狼群中各灰狼的个体适应度值:
适应度函数公式为f(C,r)=100-error,error为SVM模型对训练样本集的分类错误率,C为摆动因子;
式中,分别为第k个体的第p组成元素的上、下限,p=2;rand为(0,1)间均匀分布的随机数,X为根据SVM模型的最优惩罚参数与核参数构成;
初始决策者确定单元,用于以非递减顺序对狼群中各灰狼的个体适应度值进行排序,并确定排列在前三位的灰狼的个体位置Xα、Xβ、Xσ,以作为狼群的初始决策者;
迭代计算单元,用于根据灰狼优化算法的位置更新公式,更新灰狼父代种群中的个体位置,根据差分进化算法的变异公式和交叉公式进行变异和交叉操作,以产生新的子代狼群;根据下述公式更新父代狼群,并更新灰狼优化算法中的摆动因子C、收敛因子A及系数向量a,并更新父代狼群中的决策者;
k为狼群数目,τ为迭代次数;
C=2r2、A=2ar2-a、a(t)=2-2t/τmax,r2∈[0,1]间的随机数,t为当前迭代次数,τmax为最大迭代次数;重复算法的迭代计算过程直至算法的迭代次数达到最大迭代次数;
参数确定单元,用于根据最终各决策者的位置确定最优惩罚参数与核参数。
可选的,在本实施例的一些实施方式中,所述图像分解模块201例如还可以包括:
频谱计算单元,用于利用Hilbert变换,计算得到各子图像模态信号uk对应的解析信号,以计算各子图像的单侧频谱;
基频带变化单元,用于通过对各子图像的解析信号对应的中心频率ωk的指数项混叠,将各子图像模态信号uk的频谱变换至基频带;
带宽计算单元,用于对各子图像的解析信号梯度的平方L2范数进行计算,得到各子图像模态信号的带宽,以得到所述待识别人脸图像经过可变模态分解算法分解之后的多个有限带宽的子图像模态信号{uk},k=1,2,…,K。
本发明实施例所述人脸识别装置的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
由上可知,本发明实施例利用可变模态分解技术良好对待识别图像进行分解,提高了图像分解的效率,具有好的噪声鲁棒性和非递归性,有利于提取精确度高的人脸信息,有效的克服了现有分解技术中模态混叠、抗噪性较差以及端点效应问题;利用差分进化改进的灰狼优化算法优化SVM模型的核参数和惩罚系数,提高了SVM模型分类准确性,可获取更优的分类超平面,有利于提高人脸识别的准确度。
本发明实施例还提供了一种人脸识别设备,参见图3,可包括:
存储器301,用于存储计算机程序;
处理器302,用于执行计算机程序以实现如上任意一实施例所述人脸识别方法的步骤。
本发明实施例所述人脸识别设备的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
本发明实施例还提供了一种计算机可读存储介质,存储有人脸识别程序,所述人脸识别程序被处理器执行时如上任意一实施例所述人脸识别方法的步骤。
本发明实施例所述计算机可读存储介质的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的一种人脸识别方法、装置、设备及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.一种人脸识别方法,其特征在于,包括:
利用可变模态分解算法对待识别人脸图像进行分解,得到所述待识别人脸图像的多个子图像;
对各子图像进行PCA特征提取,根据预设权重值对各子图像PCA特征进行加权组合,得到所述待识别人脸图像的人脸特征,所述权重值随着相应子图像包含的人脸信息量的增多而增大;
将所述人脸特征输入预先构建的SVM模型中,根据所述SVM模型的最优分类超平面确定所述待识别人脸图像的识别结果;所述SVM模型的最优惩罚参数与核参数根据预设算法迭代所得,所述预设算法为利用差分进化算法改进的灰狼优化算法。
2.根据权利要求1所述的人脸识别方法,其特征在于,所述利用可变模态分解算法对待识别人脸图像进行分解,得到所述待识别人脸图像的多个子图像包括:
利用Hilbert变换,计算得到各子图像模态信号uk对应的解析信号,以计算各子图像的单侧频谱;
通过对各子图像的解析信号对应的中心频率ωk的指数项混叠,将各子图像模态信号uk的频谱变换至基频带;
对各子图像的解析信号梯度的平方L2范数进行计算,得到各子图像模态信号的带宽,以得到所述待识别人脸图像经过可变模态分解算法分解之后的多个有限带宽的子图像模态信号{uk},k=1,2,…,K。
3.根据权利要求2所述的人脸识别方法,其特征在于,所述待识别人脸图像的分解模态数为4。
4.根据权利要求1所述的人脸识别方法,其特征在于,所述对各子图像进行PCA特征提取包括:
对大小为M×N当前子图像,对应的图像矩阵为X=[x1,x2,...,xM]T,xi为图像矩阵的行向量,利用下述公式计算所述当前子图像每行的均值向量:
利用下述公式计算各行向量与所述均值向量的差值:
利用下述公式计算各行向量的协方差矩阵:
<mrow>
<mi>C</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<msubsup>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>N</mi>
</msubsup>
<msub>
<mi>d</mi>
<mi>i</mi>
</msub>
<msup>
<msub>
<mi>d</mi>
<mi>i</mi>
</msub>
<mi>T</mi>
</msup>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>N</mi>
</mfrac>
<msup>
<mi>AA</mi>
<mi>T</mi>
</msup>
<mo>;</mo>
</mrow>
计算各协方差矩阵的特征值和特征向量,并选取预设个数的最大特征值对应的特征向量,按照从大到小的顺序构造特征矩阵:
w=(u1,u2,...,un),n为预设个数,ui为特征向量;
将所述差值映射到所述特征矩阵中,得到所述当前子图像的PCA特征。
5.根据权利要求1至4任意一项所述的人脸识别方法,其特征在于,所述根据所述SVM模型的最优分类超平面确定所述待识别人脸图像的识别结果包括:
所述SVM模型的最优分类超平面函数公式为:
式中,αi为拉格朗日乘子,是x→Rd的映射,为内积,K(xi,xj)为核函数(内积函数),γ为核参数,b为分类阈值;
计算下述约束函数中的最优解
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<munder>
<mi>max</mi>
<mi>&alpha;</mi>
</munder>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<msub>
<mi>&alpha;</mi>
<mi>j</mi>
</msub>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<msub>
<mi>y</mi>
<mi>j</mi>
</msub>
<mi>K</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>s</mi>
<mo>.</mo>
<mi>t</mi>
<mo>.</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mn>0</mn>
<mo>&le;</mo>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<mo>&le;</mo>
<mi>C</mi>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>n</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>a</mi>
<mi>i</mi>
</msub>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow></mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>y</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>&alpha;</mi>
<mi>j</mi>
</msub>
<msub>
<mi>y</mi>
<mi>j</mi>
</msub>
<mi>K</mi>
<mo>(</mo>
<mrow>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mi>j</mi>
</msub>
</mrow>
<mo>)</mo>
<mo>+</mo>
<mi>b</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mn>1</mn>
<mo>=</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mtd>
</mtr>
</mtable>
<mo>;</mo>
</mrow>
式中,C为正常数,最优解
选取的一个分量,利用下述公式计算阈值b*:
<mrow>
<msup>
<mi>b</mi>
<mo>*</mo>
</msup>
<mo>=</mo>
<msubsup>
<mi>y</mi>
<mi>i</mi>
<mo>*</mo>
</msubsup>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msubsup>
<mi>a</mi>
<mi>j</mi>
<mo>*</mo>
</msubsup>
<msubsup>
<mi>y</mi>
<mi>j</mi>
<mo>*</mo>
</msubsup>
<mi>K</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mi>x</mi>
<mi>i</mi>
<mo>*</mo>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>x</mi>
<mi>j</mi>
<mo>*</mo>
</msubsup>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
根据计算所得的最优解阈值b*、所述SVM模型的最优分类超平面函数公式,计算最优分类超平面函数:
<mrow>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>sgn</mi>
<mo>{</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>}</mo>
<mo>=</mo>
<mi>sgn</mi>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msubsup>
<mi>&alpha;</mi>
<mi>i</mi>
<mo>*</mo>
</msubsup>
<msubsup>
<mi>y</mi>
<mi>i</mi>
<mo>*</mo>
</msubsup>
<mi>K</mi>
<mo>(</mo>
<mrow>
<msubsup>
<mi>x</mi>
<mi>i</mi>
<mo>*</mo>
</msubsup>
<mo>,</mo>
<msubsup>
<mi>x</mi>
<mi>j</mi>
<mo>*</mo>
</msubsup>
</mrow>
<mo>)</mo>
<mo>+</mo>
<msup>
<mi>b</mi>
<mo>*</mo>
</msup>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
根据所述最优分类超平面函数确定所述SVM模型的最优分类超平面。
6.根据权利要求1至4任意一项所述的人脸识别方法,其特征在于,所述所述SVM模型的最优惩罚参数与核参数根据预设算法迭代所得的过程包括:
初始化所述SVM模型的最优惩罚参数与核参数,根据预设的参数为所述预设算法的狼群数量、最大迭代次数、交叉概率、缩放因子的最大值与最小值进行赋值;
利用下述适应度函数公式随机初始化狼群,并计算所述狼群中各灰狼的个体适应度值:
适应度函数公式为f(C,r)=100-error,error为所述SVM模型对训练样本集的分类错误率,C为摆动因子;
<mrow>
<msubsup>
<mi>X</mi>
<mi>p</mi>
<mi>k</mi>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>X</mi>
<mi>p</mi>
<mi>k</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>l</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mrow>
<mo>(</mo>
<msubsup>
<mi>X</mi>
<mi>p</mi>
<mi>k</mi>
</msubsup>
<mo>(</mo>
<mi>u</mi>
<mo>)</mo>
<mo>-</mo>
<msubsup>
<mi>X</mi>
<mi>p</mi>
<mi>k</mi>
</msubsup>
<mo>(</mo>
<mi>l</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>&times;</mo>
<mi>r</mi>
<mi>a</mi>
<mi>n</mi>
<mi>d</mi>
<mo>;</mo>
</mrow>
式中,分别为第k个体的第p组成元素的上、下限,p=2;rand为(0,1)间均匀分布的随机数,X为根据所述SVM模型的最优惩罚参数与核参数构成;
以非递减顺序对所述狼群中各灰狼的个体适应度值进行排序,并确定排列在前三位的灰狼的个体位置Xα、Xβ、Xσ,以作为所述狼群的初始决策者;
根据灰狼优化算法的位置更新公式,更新灰狼父代种群中的个体位置,根据差分进化算法的变异公式和交叉公式进行变异和交叉操作,以产生新的子代狼群;
根据下述公式更新父代狼群,并更新灰狼优化算法中的摆动因子C、收敛因子A及系数向量a,并更新父代狼群中的决策者;
k为狼群数目,τ为迭代次数;
C=2r2、A=2ar2-a、a(t)=2-2t/τmax,r2∈[0,1]间的随机数,t为当前迭代次数,τmax为最大迭代次数;
重复算法的迭代计算过程直至算法的迭代次数达到最大迭代次数,根据最终各决策者的位置确定最优惩罚参数与核参数。
7.根据权利要求6所述的人脸识别方法,其特征在于,所述根据预设的参数为所述预设算法的狼群数量、最大迭代次数、交叉概率、缩放因子的最大值与最小值进行赋值为:
设置预设算法的狼群数量为10、最大迭代次数为20、交叉概率为0.25、缩放因子的最大值为0.8、缩放因子的最小值为0.2。
8.一种人脸识别装置,其特征在于,包括:
图像分解模块,用于利用可变模态分解算法对待识别人脸图像进行分解,得到所述待识别人脸图像的多个子图像;
特征提取模块,用于对各子图像进行PCA特征提取,根据预设权重值对各子图像PCA特征进行加权组合,得到所述待识别人脸图像的人脸特征,所述权重值随着相应子图像包含的人脸信息量的增多而增大;
识别模块,用于将所述人脸特征输入预先构建的SVM模型中,根据所述SVM模型的最优分类超平面确定所述待识别人脸图像的识别结果;所述SVM模型的最优惩罚参数与核参数根据预设算法迭代所得,所述预设算法为利用差分进化算法改进的灰狼优化算法。
9.一种人脸识别设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序以实现如权利要求1至7任一项所述人脸识别方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有人脸识别程序,所述人脸识别程序被处理器执行时实现如权利要求1至7任一项所述人脸识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710851029.4A CN107578028B (zh) | 2017-09-20 | 2017-09-20 | 一种人脸识别方法、装置、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710851029.4A CN107578028B (zh) | 2017-09-20 | 2017-09-20 | 一种人脸识别方法、装置、设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107578028A true CN107578028A (zh) | 2018-01-12 |
CN107578028B CN107578028B (zh) | 2021-03-16 |
Family
ID=61036226
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710851029.4A Expired - Fee Related CN107578028B (zh) | 2017-09-20 | 2017-09-20 | 一种人脸识别方法、装置、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107578028B (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108647640A (zh) * | 2018-05-10 | 2018-10-12 | 王逸人 | 人脸识别的方法及电子设备 |
CN108664925A (zh) * | 2018-05-10 | 2018-10-16 | 王逸人 | 人脸识别的方法及用户终端 |
CN109214449A (zh) * | 2018-08-28 | 2019-01-15 | 华北电力大学 | 一种电网投资需求预测方法 |
CN109492592A (zh) * | 2018-11-15 | 2019-03-19 | 杭州芯影科技有限公司 | 毫米波成像图像处理方法 |
CN109543582A (zh) * | 2018-11-15 | 2019-03-29 | 杭州芯影科技有限公司 | 基于毫米波图像的人体异物检测方法 |
CN110378526A (zh) * | 2019-07-15 | 2019-10-25 | 安徽理工大学 | 基于gw及svr的汽车站移动流量预测方法、系统及存储介质 |
CN111242047A (zh) * | 2020-01-15 | 2020-06-05 | 北京明略软件系统有限公司 | 图像处理方法和装置、电子设备及计算机可读存储介质 |
CN111539258A (zh) * | 2020-03-31 | 2020-08-14 | 北京万里红科技股份有限公司 | 虹膜图像识别方法、虹膜图像识别装置及存储介质 |
CN112149566A (zh) * | 2020-09-23 | 2020-12-29 | 上海商汤智能科技有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
CN112330846A (zh) * | 2019-07-31 | 2021-02-05 | 比亚迪股份有限公司 | 车辆控制的方法、装置、存储介质及电子设备和车辆 |
CN112561024A (zh) * | 2020-12-23 | 2021-03-26 | 中移(杭州)信息技术有限公司 | 一种跌倒检测方法及其系统、通信设备和存储介质 |
CN113553778A (zh) * | 2021-09-18 | 2021-10-26 | 浙江大华技术股份有限公司 | 模型的参数优化方法以及电子设备、计算机可读存储介质 |
CN113792678A (zh) * | 2021-09-17 | 2021-12-14 | 华院分析技术(上海)有限公司 | 基于PCA和ReliefF的SVM的人脸识别方法、系统、存储介质及设备 |
CN113985481A (zh) * | 2021-10-26 | 2022-01-28 | 长江大学 | 一种基于再约束的变分模态降噪方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101178773A (zh) * | 2007-12-13 | 2008-05-14 | 北京中星微电子有限公司 | 基于特征提取和分类器的图像识别系统及方法 |
CN101388074A (zh) * | 2008-10-11 | 2009-03-18 | 大连大学 | 基于个人ica基图像重构误差的人脸识别方法 |
US8160309B1 (en) * | 2007-12-21 | 2012-04-17 | Csr Technology Inc. | Method, apparatus, and system for object recognition and classification |
CN104866831A (zh) * | 2015-05-29 | 2015-08-26 | 福建省智慧物联网研究院有限责任公司 | 特征加权的人脸识别算法 |
CN106355192A (zh) * | 2016-08-16 | 2017-01-25 | 温州大学 | 一种基于混沌灰狼优化的支持向量机方法 |
-
2017
- 2017-09-20 CN CN201710851029.4A patent/CN107578028B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101178773A (zh) * | 2007-12-13 | 2008-05-14 | 北京中星微电子有限公司 | 基于特征提取和分类器的图像识别系统及方法 |
US8160309B1 (en) * | 2007-12-21 | 2012-04-17 | Csr Technology Inc. | Method, apparatus, and system for object recognition and classification |
CN101388074A (zh) * | 2008-10-11 | 2009-03-18 | 大连大学 | 基于个人ica基图像重构误差的人脸识别方法 |
CN104866831A (zh) * | 2015-05-29 | 2015-08-26 | 福建省智慧物联网研究院有限责任公司 | 特征加权的人脸识别算法 |
CN106355192A (zh) * | 2016-08-16 | 2017-01-25 | 温州大学 | 一种基于混沌灰狼优化的支持向量机方法 |
Non-Patent Citations (1)
Title |
---|
王钛等: "基于离散灰狼算法的多级阈值图像分割", 《计算机技术与发展》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108664925A (zh) * | 2018-05-10 | 2018-10-16 | 王逸人 | 人脸识别的方法及用户终端 |
CN108647640A (zh) * | 2018-05-10 | 2018-10-12 | 王逸人 | 人脸识别的方法及电子设备 |
CN109214449A (zh) * | 2018-08-28 | 2019-01-15 | 华北电力大学 | 一种电网投资需求预测方法 |
CN109492592A (zh) * | 2018-11-15 | 2019-03-19 | 杭州芯影科技有限公司 | 毫米波成像图像处理方法 |
CN109543582A (zh) * | 2018-11-15 | 2019-03-29 | 杭州芯影科技有限公司 | 基于毫米波图像的人体异物检测方法 |
CN111476074A (zh) * | 2018-11-15 | 2020-07-31 | 杭州芯影科技有限公司 | 基于毫米波图像的人体异物检测方法 |
CN110378526A (zh) * | 2019-07-15 | 2019-10-25 | 安徽理工大学 | 基于gw及svr的汽车站移动流量预测方法、系统及存储介质 |
CN112330846A (zh) * | 2019-07-31 | 2021-02-05 | 比亚迪股份有限公司 | 车辆控制的方法、装置、存储介质及电子设备和车辆 |
CN111242047A (zh) * | 2020-01-15 | 2020-06-05 | 北京明略软件系统有限公司 | 图像处理方法和装置、电子设备及计算机可读存储介质 |
CN111539258A (zh) * | 2020-03-31 | 2020-08-14 | 北京万里红科技股份有限公司 | 虹膜图像识别方法、虹膜图像识别装置及存储介质 |
CN111539258B (zh) * | 2020-03-31 | 2023-05-12 | 北京万里红科技有限公司 | 虹膜图像识别方法、虹膜图像识别装置及存储介质 |
CN112149566A (zh) * | 2020-09-23 | 2020-12-29 | 上海商汤智能科技有限公司 | 一种图像处理方法、装置、电子设备及存储介质 |
CN112561024A (zh) * | 2020-12-23 | 2021-03-26 | 中移(杭州)信息技术有限公司 | 一种跌倒检测方法及其系统、通信设备和存储介质 |
CN113792678A (zh) * | 2021-09-17 | 2021-12-14 | 华院分析技术(上海)有限公司 | 基于PCA和ReliefF的SVM的人脸识别方法、系统、存储介质及设备 |
CN113553778A (zh) * | 2021-09-18 | 2021-10-26 | 浙江大华技术股份有限公司 | 模型的参数优化方法以及电子设备、计算机可读存储介质 |
CN113985481A (zh) * | 2021-10-26 | 2022-01-28 | 长江大学 | 一种基于再约束的变分模态降噪方法及装置 |
CN113985481B (zh) * | 2021-10-26 | 2023-07-18 | 长江大学 | 一种基于再约束的变分模态降噪方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN107578028B (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107578028A (zh) | 一种人脸识别方法、装置、设备及计算机可读存储介质 | |
CN110633745B (zh) | 一种基于人工智能的图像分类训练方法、装置及存储介质 | |
CN105373777A (zh) | 一种用于人脸识别的方法及装置 | |
CN112215696A (zh) | 基于时序归因分析的个人信用评估与解释方法、装置、设备及存储介质 | |
Yasir et al. | Two-handed hand gesture recognition for Bangla sign language using LDA and ANN | |
CN110458373A (zh) | 一种基于知识图谱融合的犯罪预测方法及系统 | |
CN111694954B (zh) | 图像分类方法、装置和电子设备 | |
Ji et al. | Enhancing performance of restricted Boltzmann machines via log-sum regularization | |
Jamshidi et al. | gsaINknn: A GSA optimized, lattice computing knn classifier | |
Al Zorgani et al. | Comparative study of image classification using machine learning algorithms | |
Najar et al. | A new hybrid discriminative/generative model using the full-covariance multivariate generalized Gaussian mixture models | |
Ruiz-Suarez et al. | Hidden Markov and semi-Markov models when and why are these models useful for classifying states in time series data? | |
Kumar et al. | Classification of COVID-19 X-ray images using transfer learning with visual geometrical groups and novel sequential convolutional neural networks | |
CN116090556A (zh) | 信息处理方法、信息处理装置和存储介质 | |
Halkias et al. | Sparse penalty in deep belief networks: using the mixed norm constraint | |
Wang et al. | Interpret neural networks by extracting critical subnetworks | |
Zalasiński et al. | Fuzzy-genetic approach to identity verification using a handwritten signature | |
CN113284512B (zh) | 一种基于深度稀疏迁移学习的帕金森语音分类方法 | |
US20220343134A1 (en) | Convolutional neural network architectures based on synaptic connectivity | |
CN111402953B (zh) | 基于层次注意力网络的蛋白质序列分类方法 | |
Somashekhar et al. | An Hybrid Method for Fingerprint Image Classification | |
Azim et al. | Inducing discrimination in biologically inspired models of visual scene recognition | |
Manzan et al. | A mathematical discussion concerning the performance of multilayer perceptron-type artificial neural networks through use of orthogonal bipolar vectors | |
Lui et al. | A comparative study of YOLOv5 models on American Sign Language dataset | |
El-Tantawi et al. | The Fast Food Image Classification using Deep Learning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210316 |
|
CF01 | Termination of patent right due to non-payment of annual fee |