CN108875639A - 一种基于遗传算法人脸识别的优化和识别方法 - Google Patents

一种基于遗传算法人脸识别的优化和识别方法 Download PDF

Info

Publication number
CN108875639A
CN108875639A CN201810636440.4A CN201810636440A CN108875639A CN 108875639 A CN108875639 A CN 108875639A CN 201810636440 A CN201810636440 A CN 201810636440A CN 108875639 A CN108875639 A CN 108875639A
Authority
CN
China
Prior art keywords
value
recognition
genetic algorithm
gray
face
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
Application number
CN201810636440.4A
Other languages
English (en)
Inventor
李保印
张宝玉
刘涛
刘博�
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
GANSU WANWEI INFORMATION TECHNOLOGY CO LTD
Original Assignee
GANSU WANWEI INFORMATION TECHNOLOGY CO LTD
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by GANSU WANWEI INFORMATION TECHNOLOGY CO LTD filed Critical GANSU WANWEI INFORMATION TECHNOLOGY CO LTD
Priority to CN201810636440.4A priority Critical patent/CN108875639A/zh
Publication of CN108875639A publication Critical patent/CN108875639A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Image Analysis (AREA)

Abstract

一种基于遗传算法人脸识别的优化和识别方法，通过将第一人脸图像转为第一灰度数字图像，可以大幅度降低计算量，运算效率提高，同时不影响识别准确率；通过对第一神经网络进行编码，能合理的把神经网络用遗传算法进行编码，解决了现有技术无法用遗传算法优化神经网络的问题；同时还确定了所述第一神经网络的连接权值和阈值的初始值，避免陷入局部极值；当进行识别时，直接选用学习好的神经网络从而高效地获得第二输出值；采用遗传算法这种群智能算法，提高了算法的学习效率，避免传统的神经网络学习算法易于陷入局部极值，同时提高了人脸识别效率和正确率。

Description

一种基于遗传算法人脸识别的优化和识别方法
技术领域
本发明涉及人脸识别领域，具体涉及一种基于遗传算法人脸识别的优化和识别方法。
背景技术
当前随着电子政务的发展，越来越多的人应用移动设备进行政务事项的办理，如何证明“我是我自己”成为急切需要解决的问题。当前采用的通过身份证信息、短信信息进行验证，还无法保证“我是我自己”，人脸识别可有效的证明“我是我自己”。在现有的相关专利中，均采用BP算法优化前馈网络，系统存在准确性和实时性比较差的问题。
发明内容
本发明要解决的技术问题在于，解决现有技术中均采用BP算法优化前馈网络，系统存在准确性和实时性比较差的问题。
本发明实施例的目的在于提出一种基于遗传算法人脸识别的优化方法，所述方法包括步骤：
获取第一人脸图像；
将所述第一人脸图像转为第一灰度数字图像，根据灰度等级获取所述第一灰度数字图像的像素点的值；
根据所述第一灰度数字图像的像素点的值，获取所述第一灰度数字图像的特征值；
根据所述特征值创建第一神经网络；
对所述第一神经网络进行编码，获取所述第一神经网络中神经元的连接权值和阈值；
采用遗传算法对所述连接权值和阈值进行优化，获取第二神经网络和第一输出值。
优选的，所述步骤“根据所述第一灰度数字图像的像素点的值，获取所述第一灰度数字图像的特征值”具体为：
将所述第一灰度数字图像划分为n×n的小矩阵；
根据所述第一灰度数字图像的像素点的值，获取每个小矩阵的特征值。
优选的，所述第一神经网络包括输入层、隐含层和输出层；
其中输入层包括输入值和输入层神经元个数；
所述输入值就是每个小矩阵的特征值；所述输入层神经元个数就是所述小矩阵的数量；
所述输出层包括输出值、输出层神经元个数；
所述输出值为二进制数值；
所述输出层神经元个数为能涵盖目标人群的位数；
所述隐含层包括隐含层神经元个数，所述隐含层神经元个数为
优选的，所述第一神经网络的连接权值和阈值的初始值为[-5,5]之间的随机数。
优选的，所述第一神经网络的编码为数值型数组，从左到右顺序，分别为：隐含层神经元个数；其后为第一个隐含层神经元的阈值，其后为输入层神经元的输入值到所述第一个隐含层神经元的连接权值；其后为第M个隐含层神经元的阈值，其后为输入层神经元的输入值到所述第M个隐含层神经元的连接权值；其后为第一个输出层神经元的阈值，其后为隐含层到所述第一个输出层神经元的连接权值；其后为第N个输出层神经元的阈值，其后为隐含层到所述第N个输出层神经元的连接权值；
M为隐含层神经元个数；
N为输出层神经元个数。
优选的，所述步骤“对所述第一神经网络进行编码，获取所述第一神经网络中神经元的连接权值和阈值”具体为：
对所述第一神经网络进行编码，获取所述第一神经网络中神经元的连接权值和阈值的初始值；
所述步骤“采用遗传算法对所述连接权值和阈值进行优化，获取第二神经网络和第一输出值”具体为：
判断是否满足识别函数；
如否，则，选取全局最优遗传因子，并进入下一步：
对所述最优遗传因子进行交叉运算和变异运算，然后进入步骤“判断是否满足识别函数”。
优选的，所述步骤“判断是否满足识别函数”之后还包括步骤：
若是，则获得第二神经网络和第一输出值。
优选的，所述识别函数指停止循环迭代的条件函数，满足识别函数的条件指满足循环迭代的次数、达到预设的识别正确率或预设的识别错误率。
优选的，所述像素点的值为0或为1，当像素点的灰度等级大于等于128时，则将所述像素点的值设置为1，否则设置为0。
优选的，所述步骤“根据所述第一灰度数字图像的像素点的值，获取每个小矩阵的特征值”，具体为：
判断每个小矩阵，遍历和统计所述小矩阵中每个像素点的值的数量，当所述小矩阵中值为1的数量大于值为0的数量，则将所述小矩阵的特征值设置为1，否则将所述小矩阵的特征值设置为0。
本发明另外一个目的是提供一种基于遗传算法人脸识别的识别方法，所述方法包括步骤：
获取第二人脸图像；
将所述第二脸图像转为第二灰度数字图像，根据灰度等级获取所述第二灰度数字图像的像素点的值；
根据所述第二灰度数字图像的像素点的值，获取特征值；
根据所述特征值获取第二神经网络；
通过所述第二神经网络获取第二输出值；
判断所述第二输出值与所述第一输出值是否相等，若是，则认定所述第二人脸图像与第一人脸图像为同一人。
优选的，所述步骤“判断所述第二输出值与所述第一输出值是否相等，若是，则认定所述第二人脸图像与第一人脸图像为同一人”还包括步骤：
若否，则认定所述第二人脸图像与所述第一人脸图像并非同一人。
实施本发明的有益效果在于，与现有技术相比，通过将第一人脸图像转为第一灰度数字图像，可以大幅度降低计算量，运算效率提高，同时不影响识别准确率；还通过将第一灰度数字图像划分为n×n的小矩阵，可根据需要识别数量范围灵活调整n的数量；通过对第一神经网络进行编码，能合理的把神经网络用遗传算法进行编码，解决了现有技术无法用遗传算法优化神经网络的问题；同时还确定了所述第一神经网络的连接权值和阈值的初始值，避免陷入局部极值，同时确保每个神经元的输入值(即特征向量)都能提供贡献；通过在国际图像库中进行大量样本测试计算得出识别函数，可以最大限度的提高效率的同时又提高准确率；当进行识别时，直接选用学习好的神经网络从而高效地获得第二输出值，进一步提高了识别效率；采用遗传算法这种群智能算法，提高了算法的学习效率，避免传统的神经网络学习算法易于陷入局部极值，同时提高了人脸识别效率和正确率。
附图说明
图1是本发明实施例一种基于遗传算法人脸识别的优化方法的流程图；
图2是本发明实施例中第一灰度数字图像被划分为8×8的小矩阵的结构示意图；
图3是图2中小矩阵S11的灰度等级分布图；
图4是图2中小矩阵S18的灰度等级分布图；
图5是图2中小矩阵S81的灰度等级分布图；
图6是图2中小矩阵S88的灰度等级分布图；
图7是本发明实施例中基本神经元模型；
图8是本发明实施例中其中一种神经网络的遗传因子编码结构图；
图9是图8对应的神经网络的示意图；
图10是本发明实施例中神经网络优化方法的流程图；
图11是本发明实施例一种基于遗传算法人脸识别的识别方法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图和实施例，对本发明进行进一步详细说明，为了便于说明，仅示出了与本发明实施例相关的部分。应当理解，此处所描写的具体实施例，仅仅用于解释本发明，并不用以限制本发明。
现结合附图，对本发明的较佳实施例作详细说明。
实施例一
在图1所示为本发明实施例一种基于遗传算法人脸识别的优化方法的流程图，所述方法包括步骤：
S101，获取第一人脸图像；
为了方便识别人脸信息，在终端设备拍摄图像时，对终端设备的屏幕色温设置成温和，亮度最大化，在拍摄的过程中，人脸必须在整个屏幕中心位置，从而保证能够精准获取人脸图像，所述人脸图像为第一人脸图像；
所述第一人脸图像还包括国际通用的美国卡耐基梅隆大学创建的人脸识别库中所有的人脸图像；
S102，将所述第一人脸图像转为第一灰度数字图像，根据灰度等级获取所述第一灰度数字图像的像素点的值；
移动终端拍摄的第一人脸图像多为彩色图像，将所述第一人脸图像转换为第一灰度数字图像；
在计算机领域中，灰度数字图像是每个像素点只有一个采样颜色的图像，这类图像通常显示为从最暗的黑色到最亮的白色的灰度，把白色与黑色之间按对数关系分成若干级，称为灰度等级，所述灰度等级取值范围一般从0到255，白色为255，黑色为0，故黑白图片也称灰度图像，在医学、图像识别领域有很广泛的用途；
将人脸图像转化为灰度数字图像后，灰度数字图像依然表现出了整个人脸图像的整体以及局部纹理特征、亮度、对比度等，同时大大减少了计算量；
第一灰度数字图像每个像素点的灰度等级一般取值范围为0-255，当像素点的灰度等级大于等于128时，则将所述像素点的值设置为1，否则设置为0；
S103，根据所述第一灰度数字图像的像素点的值，获取所述第一灰度数字图像的特征值，具体为：
S1031，将所述第一灰度数字图像划分为n×n的小矩阵；
本发明以n为8举例，即以8×8的小矩阵举例，将所述第一灰度数字图像划分为8×8的小矩阵；
由于本发明需要涵盖识别的是中国全部人口，即14亿人口，由于2的31次方为2147483648，即把第一灰度数字图像的像素点划分成8×8的小矩阵，共由64个小矩阵组成，就能够区分所有的人口个体；
由于终端设备的分辨率像素点总数大于8×8，需要对终端设备像素点进行处理，从而获取8×8的小矩阵，每个小矩阵为一个像素块，所述第一灰度数字图像就划分为由64个像素块，所述第一灰度数字图像的划分为小矩阵的过程为：
将第一灰度数字图像的横向像素数除以8，然后取整后得到小矩阵的横向像素数；
即，
将第一灰度数字图像的纵向像素数除以8，然后取整后得到小矩阵的纵向像素数；即，
其中，Length表示小矩阵的长度，一般指小矩阵的横向像素数；
Width表示小矩阵的宽度，一般指小矩阵的纵向像素数；
length为终端设备的长度(即为第一灰度数字图像的横向像素数)；
width为终端设备的宽度(即为第一灰度数字图像的纵向像素数)；
每个小矩阵由Length×Width的像素块(即为Length×Width个像素点)组成；
如图2所示为本实施例中第一灰度数字图像S1被划分为8×8的小矩阵的结构示意图；
假设用手机拍照获得第一人脸图像，所述第一人脸图像的分辨率为480×854的彩色图像，其中横向像素数为480，纵向像素数为854；
将所述第一人脸图像转为第一灰度数字图像S1，第一灰度数字图像S1的每个像素点的灰度等级为0-255；
然后再把第一灰度数字图像S1分成8*8个小矩阵，如图2所示，第一灰度数字图像S1就被划分为由S11、S18、S81、S88等64个小矩阵组成，每个小矩阵的分辨率为60×106，即(int)480/8＝60，(int)854/8＝106，每个小矩阵由分辨率为60*106的像素块组成；
判断每个像素点的灰度等级，当所述灰度等级大于等于128时，则将所述像素点的值设置为1；否则将所述像素点的值设置为0；
为便于判断，如图3所示为图2中小矩阵S11的灰度等级分布图，图中仅用黑白两色示出了所述第一灰度数字图像的灰度等级，当像素点为白色，其灰度等级为255，大于等于128，那么这时该像素点的值就设置为1；当像素点为黑色，其灰度等级为0，小于128，那么这时该像素点的值就设置为0，以此类推，像素点为灰色时同样可以进行判断并给相应的像素点赋值；
如图3中第一行像素点的值分别为1111X0111，因为篇幅有限，图3中仅示出了第一行8个像素点的灰度等级，另有52个灰度等级省略，所有省略的像素点的值用X表示，同理，其他行的像素点的值也可以获得；
S1032，根据所述第一灰度数字图像的像素点的值，获取每个小矩阵的特征值，具体步骤为：
判断每个小矩阵，遍历和统计所述小矩阵中每个像素点的值的数量，当所述小矩阵中值为1的数量大于值为0的数量，则将所述小矩阵的特征值设置为1，否则将所述小矩阵的特征值设置为0；每个小矩阵的特征值分别作为神经网络中神经元x1、x2…xp的输入值。
本例中，如图3所示，小矩阵S11中值为1的像素点明显大于值为0的像素点(忽略未示出部分的像素点的值)，所以小矩阵S11的特征值就为1，即神经网络中的神经元x1的输入值就为1；
同理，如图4所示，小矩阵S18的特征值为0，即神经网络中的神经元x8的输入值就为0；
如图5所示，小矩阵S81的特征值为0，即神经网络中的神经元x57的输入值为0；
如图6所示，小矩阵S88的特征值为1，即神经网络中的神经元x64的输入值为1；
把第一灰度数字图像设置成一个8×8的0、1输入值，依次把每个0或者1作为神经网络中的神经元的输入值；
S104，根据所述特征值创建第一神经网络；
所述第一神经网络包括输入层、隐含层和输出层；
其中输入层包括输入值和输入层神经元个数，所述输入值为上述所述特征值x1至x64，所以所述输入层的输入值为64个特征值；其中64(也称64个节点)就为输入层神经元个数；
所述输出层包括输出值、输出层神经元个数；本发明的目的是为了进行人脸识别，如果仅用于涵盖中国国内人口，根据全国人数为14亿，由于2的31次方能够为2147483648，所以所述输出层神经元个数就是输出值能涵盖目标人群的位数，这里所述输出层神经元个数为31即可，保证能区分每一名人员；同理，本发明还可以涵盖全球人口，只需要给定恰当的输出层神经元个数；
所述输出值指所述神经网络最终输出的数值，本发明中所述输出值为二进制，当然还可以为其他任何进制，本实施例中仅以二进制举例；
所述隐含层包括：隐含层神经元个数、连接权值、阈值；
其中隐含层神经元个数为：然后再取整，即隐含层神经元个数为个，即为40个；隐含层神经元个数也称为遗传因子的数量，本实施例中所述遗传因子的数量为40个，每个遗传因子就是一个神经网络，就是一个染色体；
所述连接权值(也称权值)、阈值与现有技术神经网络的连接权值和阈值相同，不再赘述；
从而输入层神经元个数为64，输出层神经元个数为31，隐含层神经元个数为40；
S105，对所述第一神经网络进行编码，获取所述第一神经网络中神经元的连接权值和阈值，具体包括步骤：
vk＝netk＝uk-θk公式(2)
如图7所示为本发明实施例中基本神经元模型，其中公式(1)为求和函数，用于获得各神经元输入值的连接权值之和(线性组合)，其中x1,x2,…,xp为神经元k的输入值，在本实施例中所述神经元的输入值为二进制1或0(也可以是其他进制，不再赘述)，wk1,wk2,…,wkp为神经元k的连接权值，连接权值和阈值的初始值为[-5,5]之间的随机数，这是考虑到每一个神经元的输入值(即特征向量)都能提供贡献，如果把范围设置的太多，有些神经元的输入值(即特指向量)体现不出来，容易陷入局部极值；
连接权值和阈值的初始值经学习或优化后就有可能变为任何数，不再是[-5,5]之间的随机数；
利用遗传算法优化所述神经网络就是优化所述连接权值和阈值；
uk为线性组合权值，是个随机值，可以为小数点十进制的值；
公式(2)中θk为阈值，(还可以用偏值bk代替θk，即bk＝-θk)；vk表示uk与θk的差值；
公式(3)中，φ(·)为激活函数，是一个非线性激活函数，用于非线性映射作用并将输出层的输出值限制在一定范围内；
yk为神经元k的输出值；
所述激活函数φ(·)设为Sigmoid函数：
公式(4)中的值是(-1,1)范围内的值，当小于0的时候，输出值为0，当大于等于0的时候，输出值为1；
此外，在公式(2)中，若把输入层神经元的输入值的维数增加一维，则可把阈值θk包括进去，则公式(2)变为：
此处增加了一个新的连接，其输入为x0＝-1，权值为wk0＝θk(或bk)；
所述维数是根据神经网络的输入值来确定的，神经网络有多少输入值，就默认有多少维数；
一般情况下，神经网络的输入值就是特征向量的值，但由于现有神经元的计算公式里面，有一个阈值的概率，相当于多了特征向量默认为-1的一个输入值，也就是多了一个连接，所以这里就需要用刀公式(5)；
公式(5)是求和函数，uk是随机值，可以为小数点十进制的值；
根据上述内容，可获得第一神经网络，其中所述第一神经网络的输入层神经元个数为64个节点，隐含层神经元个数为40个节点(即遗传因子有40个)，输出层神经元个数为31个节点；
为方便理解，本实施例以输入层神经元个数为2个节点，隐含层神经元个数为3个节点，输出层神经元个数为2个节点进行举例，根据公式(1)至(5)，得到其中一个遗传因子编码，如图8所示为该遗传因子编码的结构图；
所述第一神经网络的连接权值和阈值的初始值为[-5,5]之间的随机数，这样就获得了所述第一神经网络的编码；对神经网络的优化就是优化神经网络的连接权值和阈值，优化之后的连接权值和阈值就可能是任何数，不一定是在[-5,5]之间的随机数；
所述第一神经网络的编码为数值型数组，从左到右顺序，分别为：隐含层神经元个数；第一个隐含层神经元的阈值，其后为输入层神经元的输入值到所述第一个隐含层神经元的连接权值；其后为第M个隐含层神经元的阈值，其后为输入层神经元的输入值到所述第M个隐含层神经元的连接权值；其后为第一个输出层神经元的阈值，其后为隐含层到所述第一个输出层神经元的连接权值；其后为第N个输出层神经元的阈值，其后为隐含层到所述第N个输出层神经元的连接权值；
M为隐含层神经元个数；
N为输出层神经元个数；
图8所示为输入层神经元个数为2个节点、隐含层神经元个数为3个节点、输出层神经元个数为2个节点的神经网络编码结构图，用A表示；
每个遗传因子就是一个神经网络；
所述编码包括15个数值；其中，从左向右，第1个数值(3)代表隐含层神经元个数为3；
第2个数值(3.1)代表第一个隐含层神经元的阈值为3.1；
因为本实施例中输入层神经元个数为2个，所以第3个数值(-0.8)、第4个数值(3.6)分别为输入层神经元的输入值到第一个隐含层神经元的连接权值；
依次类推，第5个数值(1.2)是第二个隐含层神经元的阈值；
第6个数值(2)和第7个数值(0.1)分别为输入层神经元的输入值到第二个隐含层神经元的连接权值；
第7个数值(0.7)为第三个隐含层神经元的阈值；
第8个数值(1.4)和第9个数值(2.3)分别为输入层神经元的输入值到第三个隐含层神经元的连接权值；
第10个数值(0.3)为第一个输出层神经元的阈值；
第11个数值(-0.9)、第12个数值(-1.3)、第13个数值(1.1)分别是隐含层到第一个输出层神经元的连接权值；
第14个数值(1.4)表示第二个输出层神经元的阈值；
第15个数值(2)、第16个数值(0.3)、第17个数值(-1.2)分别是隐含层到第二个输出层神经元的连接权值；
根据以上编码，可以创建出对应的神经网络，如图9所示；以上遗传因子编码结构能合理的把神经网络用遗传算法进行编码，解决了现有技术无法用遗传算法优化神经网络的问题；采用遗传算法这种群智能算法，提高了算法的学习效率，避免传统的神经网络学习算法易于陷入局部极值，不利于提高人脸识别效率；
每一个遗传因子代表一个神经网络，本实施例中为40个遗传因子，每个遗传因子生成一个如图8所示的编码结构图；
S106，采用遗传算法对所述连接权值和阈值进行优化，获取第二神经网络和第一输出值；
神经网络编码完成后，就是采用遗传算法进行权值和阈值的优化；
遗传算法是根据达尔文的生物进化论进行设计的智能算法，优化分为交叉和变异学习；
如图10所示为本发明实施例中神经网络优化方法的流程图；所述步骤S105具体为：
S1061，对所述第一神经网络进行编码，获取所述第一神经网络中神经元的连接权值和阈值的初始值；
所述初始值为[-5,5]之间的随机数；
S1062，判断是否满足识别函数，如否，则进入步骤S1063，若是，则进入步骤S1065；
所述识别函数指停止循环迭代的条件函数，满足识别函数的条件指满足循环代数或者预设的识别正确率(或预设的识别错误率)；
S1063，选取全局最优遗传因子；
每一个遗传因子对应一个神经网络，在遗传算法中，在之前的迭代中把40个遗传因子经历过的最好的神经网络中最优的那个遗传因子作为识别率最好的遗传因子，所有的遗传因子都向最优遗传因子学习；
S1064，对所述最优遗传因子进行交叉运算和变异运算，进入步骤S1062；
把全局最优遗传因子的神经网络的编码拷贝到自身上，这就是交叉运算(也称交叉学习)，但为了陷入局部极值，每次迭代中都有百分之十的遗传因子中百分之十的编码通过[0,1]随机值的方式随机产生，这就是变异运算(也称变异学习)；
遗传因子不断的迭代进化，直到达到设定的循环代数(例如迭代次数为10000次)和预设的所有人脸图像的错误识别率(例如错误识别率为千分之一)的停止条件才进入步骤S1065，否则继续进入步骤S1062；
以上识别函数的是经大量实验，在国际图像库中测试出来的循环终止条件；
S1065，获得第二神经网络和第一输出值；
当满足停止循环迭代的条件后，选取全局最优的遗传因子对应的编码做为所述神经网络的最后编码，所述最后编码对应的神经网络就为第二神经网络，当进行人脸识别时，自动选择所述第二神经网络进行身份识别；
本发明中遗传算法的种族个数为40(即40个遗传因子)，根据编码规则随机生成每个遗传因子的编码；
由于在神经网络学习的过程中采用的人脸数据库已经是标准的人脸，人脸检测定位能够很好的定位；
根据国际通用的美国卡耐基梅隆大学创建的人脸识别库进行神经网络的学习和优化，即把所有人脸识别库中所有的图像根据人脸检测定位、图像转换及赋值、获取特征值、生成神经网络、对所述神经网络进行编码和优化，同时获得第一输出值，所述第一输出值为二进制数值；
采用公式(1)至(5)进行优化和学习后获得第一输出值的同时可以获得期望输出值，所述期望输出值为二进制数值，将人脸识别图像库中的图像个数按照所述期望输出值进行区分；
为便于神经网络学习依次对人脸识别图像的期望输出值按二进制值依次递增的方式进行区分，由于输出层为31位，可以设置第一张人脸图像的期望输出值为000 00000000 0000 0000 0000 0000 0001，第二张人脸图像的期望输出值为000 0000 0000 00000000 0000 0000 0010；
所述期望输出值用于区分每个人脸图像而分配的区分彼此身份的编号，所述期望输出值还可以是中国国内的身份证号码，通过所述期望输出值可以定位到所述人脸图像对应人员的详细个人信息。
本发明实施例通过将第一人脸图像转为第一灰度数字图像，可以大幅度降低计算量，运算效率提高，同时不影响识别准确率；还通过将第一灰度数字图像划分为n×n的小矩阵，可根据需要识别数量灵活调整n的数量；通过对第一神经网络进行编码，能合理的把神经网络用遗传算法进行编码，解决了现有技术无法用遗传算法优化神经网络的问题；同时还确定了所述第一神经网络的连接权值和阈值的初始值，避免陷入局部极值，同时确保每个神经元的输入值(即特征向量)都能提供贡献；通过在国际图像库中进行大量样本测试计算得出识别函数，可以最大限度的提高效率的同时，又提高准确率；当进行识别时，直接选用学习好的神经网络从而高效地获得第二输出值，进一步提高了识别效率；采用遗传算法这种群智能算法，提高了算法的学习效率，避免传统的神经网络学习算法易于陷入局部极值，同时提高了人脸识别效率和正确率。
实施例二
图11所示为本发明实施例一种基于遗传算法人脸识别的识别方法的流程图，所述方法包括步骤：
S201，获取第二人脸图像；
S202，将所述第二脸图像转为第二灰度数字图像，根据灰度等级获取所述第二灰度数字图像的像素点的值；
S203，根据所述第二灰度数字图像的像素点的值，获取特征值；
S204，根据所述特征值获取第二神经网络；
S205，通过所述第二神经网络获取第二输出值；
S206，判断所述第二输出值与所述第一输出值是否相等，若是，则进入步骤S207，若否，则进入步骤S208；
S207，认定所述第二人脸图像与第一人脸图像为同一人；
S208，认定所述第二人脸图像与所述第一人脸图像并非同一人。
所述第二神经网络为实施例一中经多次循环迭代选取的最优遗传因子的编码对应的神经网络，识别过程中只需要直接选取第二神经网络获得第二输出值即可，不需要再进行学习，识别效率高。
实施例二与实施例一相结合，不再展开叙述。
以上所述者，仅为本发明最佳实施例而已，并非用于限制本发明的范围，凡依本发明申请专利范围所作的等效变化或修饰，皆为本发明所涵盖。

Claims (12)

1.一种基于遗传算法人脸识别的优化方法，其特征在于，所述方法包括步骤：
获取第一人脸图像；
将所述第一人脸图像转为第一灰度数字图像，根据灰度等级获取所述第一灰度数字图像的像素点的值；
根据所述第一灰度数字图像的像素点的值，获取所述第一灰度数字图像的特征值；
根据所述特征值创建第一神经网络；
对所述第一神经网络进行编码，获取所述第一神经网络中神经元的连接权值和阈值；
采用遗传算法对所述连接权值和阈值进行优化，获取第二神经网络和第一输出值。
2.如权利要求1所述的神经网络优化方法，其特征在于，所述步骤“根据所述第一灰度数字图像的像素点的值，获取所述第一灰度数字图像的特征值”具体为：
将所述第一灰度数字图像划分为n×n的小矩阵；
根据所述第一灰度数字图像的像素点的值，获取每个小矩阵的特征值。
3.如权利要求1或2所述的基于遗传算法人脸识别的优化方法，其特征在于，所述第一神经网络包括输入层、隐含层和输出层；
其中输入层包括输入值和输入层神经元个数；
所述输入值就是每个小矩阵的特征值；所述输入层神经元个数就是所述小矩阵的数量；
所述输出层包括输出值、输出层神经元个数；
所述输出值为二进制数值；
所述输出层神经元个数为能涵盖目标人群的位数；
所述隐含层包括隐含层神经元个数，所述隐含层神经元个数为
4.如权利要求3所述的基于遗传算法人脸识别的优化方法，其特征在于，所述第一神经网络的连接权值和阈值的初始值为[-5,5]之间的随机数。
5.如权利要求4所述的基于遗传算法人脸识别的优化方法，其特征在于，所述第一神经网络的编码为数值型数组，从左到右顺序，分别为：隐含层神经元个数；其后为第一个隐含层神经元的阈值，其后为输入层神经元的输入值到所述第一个隐含层神经元的连接权值；其后为第M个隐含层神经元的阈值，其后为输入层神经元的输入值到所述第M个隐含层神经元的连接权值；其后为第一个输出层神经元的阈值，其后为隐含层到所述第一个输出层神经元的连接权值；其后为第N个输出层神经元的阈值，其后为隐含层到所述第N个输出层神经元的连接权值；
M为隐含层神经元个数；
N为输出层神经元个数。
6.如权利要求1或2所述的基于遗传算法人脸识别的优化方法，其特征在于，所述步骤“对所述第一神经网络进行编码，获取所述第一神经网络中神经元的连接权值和阈值”具体为：
对所述第一神经网络进行编码，获取所述第一神经网络中神经元的连接权值和阈值的初始值；
所述步骤“采用遗传算法对所述连接权值和阈值进行优化，获取第二神经网络和第一输出值”具体为：
判断是否满足识别函数；
如否，则，选取全局最优遗传因子，并进入下一步：
对所述最优遗传因子进行交叉运算和变异运算，然后进入步骤“判断是否满足识别函数”。
7.如权利要求6所述的基于遗传算法人脸识别的优化方法，其特征在于，所述步骤“判断是否满足识别函数”之后还包括步骤：
若是，则获得第二神经网络和第一输出值。
8.如权利要求7所述的基于遗传算法人脸识别的优化方法，其特征在于，所述识别函数指停止循环迭代的条件函数，满足识别函数的条件指满足循环迭代的次数、达到预设的识别正确率或预设的识别错误率。
9.如权利要求8所述的基于遗传算法人脸识别的优化方法，其特征在于，所述像素点的值为0或为1，当像素点的灰度等级大于等于128时，则将所述像素点的值设置为1，否则设置为0。
10.如权利要求2所述的基于遗传算法人脸识别的优化方法，其特征在于，所述步骤“根据所述第一灰度数字图像的像素点的值，获取每个小矩阵的特征值”，具体为：
判断每个小矩阵，遍历和统计所述小矩阵中每个像素点的值的数量，当所述小矩阵中值为1的数量大于值为0的数量，则将所述小矩阵的特征值设置为1，否则将所述小矩阵的特征值设置为0。
11.一种基于遗传算法人脸识别的识别方法，其特征在于，所述方法包括步骤：
获取第二人脸图像；
将所述第二脸图像转为第二灰度数字图像，根据灰度等级获取所述第二灰度数字图像的像素点的值；
根据所述第二灰度数字图像的像素点的值，获取特征值；
根据所述特征值获取第二神经网络；
通过所述第二神经网络获取第二输出值；
判断所述第二输出值与所述第一输出值是否相等，若是，则认定所述第二人脸图像与第一人脸图像为同一人。
12.如权利要求11所述的基于遗传算法人脸识别的识别方法，其特征在于，所述步骤“判断所述第二输出值与所述第一输出值是否相等，若是，则认定所述第二人脸图像与第一人脸图像为同一人”还包括步骤：
若否，则认定所述第二人脸图像与所述第一人脸图像并非同一人。
CN201810636440.4A 2018-06-20 2018-06-20 一种基于遗传算法人脸识别的优化和识别方法 Pending CN108875639A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810636440.4A CN108875639A (zh) 2018-06-20 2018-06-20 一种基于遗传算法人脸识别的优化和识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810636440.4A CN108875639A (zh) 2018-06-20 2018-06-20 一种基于遗传算法人脸识别的优化和识别方法

Publications (1)

Publication Number Publication Date
CN108875639A true CN108875639A (zh) 2018-11-23

Family

ID=64339827

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810636440.4A Pending CN108875639A (zh) 2018-06-20 2018-06-20 一种基于遗传算法人脸识别的优化和识别方法

Country Status (1)

Country Link
CN (1) CN108875639A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109508658A (zh) * 2018-10-29 2019-03-22 国家电网有限公司 一种多生物特征联合识别方法及装置
CN112257672A (zh) * 2020-11-17 2021-01-22 中国科学院深圳先进技术研究院 一种人脸识别方法、系统、终端以及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080144892A1 (en) * 2006-12-19 2008-06-19 Juwei Lu Converting A Digital Image From Color To Gray-Scale
CN103971162A (zh) * 2014-04-04 2014-08-06 华南理工大学 一种基于遗传算法改进bp神经网络的方法
CN105488528A (zh) * 2015-11-26 2016-04-13 北京工业大学 基于改进自适应遗传算法的神经网络图像分类方法
CN106780906A (zh) * 2016-12-28 2017-05-31 北京品恩科技股份有限公司 一种基于深度卷积神经网络的人证合一识别方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080144892A1 (en) * 2006-12-19 2008-06-19 Juwei Lu Converting A Digital Image From Color To Gray-Scale
CN103971162A (zh) * 2014-04-04 2014-08-06 华南理工大学 一种基于遗传算法改进bp神经网络的方法
CN105488528A (zh) * 2015-11-26 2016-04-13 北京工业大学 基于改进自适应遗传算法的神经网络图像分类方法
CN106780906A (zh) * 2016-12-28 2017-05-31 北京品恩科技股份有限公司 一种基于深度卷积神经网络的人证合一识别方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
李海朋等: "人脸识别中的遗传神经网络并行实现", 《计算机科学》 *
杨冰: "基于多模式融合的人脸识别算法研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *
王飞: "基于深度学习的人脸识别算法研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109508658A (zh) * 2018-10-29 2019-03-22 国家电网有限公司 一种多生物特征联合识别方法及装置
CN109508658B (zh) * 2018-10-29 2020-07-14 国家电网有限公司 一种多生物特征联合识别方法及装置
CN112257672A (zh) * 2020-11-17 2021-01-22 中国科学院深圳先进技术研究院 一种人脸识别方法、系统、终端以及存储介质

Similar Documents

Publication Publication Date Title
CN109614996B (zh) 基于生成对抗网络的弱可见光与红外图像融合的识别方法
US20230059877A1 (en) Deep learning-based splice site classification
CN110414498B (zh) 一种基于交叉注意力机制的自然场景文本识别方法
CN105488528B (zh) 基于改进自适应遗传算法的神经网络图像分类方法
CN106503654A (zh) 一种基于深度稀疏自编码网络的人脸情感识别方法
CN108985297A (zh) 手写模型训练、手写图像识别方法、装置、设备及介质
Guthikonda Kohonen self-organizing maps
CN110751067A (zh) 一种结合生物形态神经元模型的动态表情识别方法
CN109272332B (zh) 一种基于递归神经网络的客户流失预测方法
CN109002756A (zh) 手写汉字图像识别方法、装置、计算机设备及存储介质
CN108921932B (zh) 基于卷积神经网络的黑白人物图片生成多种合理着色方法
CN109657582A (zh) 人脸情绪的识别方法、装置、计算机设备及存储介质
CN112084891B (zh) 基于多模态特征与对抗学习的跨域人体动作识别方法
CN113449776B (zh) 基于深度学习的中草药识别方法、装置及存储介质
CN110390254B (zh) 基于人脸的性格分析方法、装置、计算机设备及存储介质
CN108875639A (zh) 一种基于遗传算法人脸识别的优化和识别方法
CN111241550B (zh) 基于二进制映射和深度学习的漏洞检测方法
JP6795721B1 (ja) 学習システム、学習方法、及びプログラム
CN116385832A (zh) 双模态生物特征识别网络模型训练方法
CN113610108B (zh) 一种基于改进残差网络的水稻害虫识别方法
JP2002366929A (ja) 印刷物の不良欠点抽出処理方法及び装置
CN116311454A (zh) 一种多线索关联学习的面部表情识别方法及系统
CN112446432B (zh) 基于量子自学习自训练网络的手写体图片分类方法
CN114582014A (zh) 一种深度图像中人体坐姿识别的方法、装置及存储介质
Ekbote et al. Consistent training via energy-based gflownets for modeling discrete joint distributions

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20181123