CN113591716A - 基于分数阶蚁群算法优化神经网络的法庭监控人脸识别方法 - Google Patents

基于分数阶蚁群算法优化神经网络的法庭监控人脸识别方法 Download PDF

Info

Publication number
CN113591716A
CN113591716A CN202110876384.3A CN202110876384A CN113591716A CN 113591716 A CN113591716 A CN 113591716A CN 202110876384 A CN202110876384 A CN 202110876384A CN 113591716 A CN113591716 A CN 113591716A
Authority
CN
China
Prior art keywords
neural network
node
fractional
fractional order
ant colony
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
Application number
CN202110876384.3A
Other languages
English (en)
Other versions
CN113591716B (zh
Inventor
蒲亦非
帕特里克·西阿瑞
王健
张妮
朱伍洋
周激流
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.)
Sichuan University
Original Assignee
Sichuan University
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 Sichuan University filed Critical Sichuan University
Priority to CN202110876384.3A priority Critical patent/CN113591716B/zh
Publication of CN113591716A publication Critical patent/CN113591716A/zh
Application granted granted Critical
Publication of CN113591716B publication Critical patent/CN113591716B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/004Artificial life, i.e. computing arrangements simulating life
    • G06N3/006Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02TCLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00Road transport of goods or passengers
    • Y02T10/10Internal combustion engine [ICE] based vehicles
    • Y02T10/40Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及计算机视觉与图像处理领域,其公开了一种基于分数阶蚁群算法优化神经网络的法庭监控人脸识别方法,对神经网络的训练进行优化,使其能够快速收敛到全局最优,从而提高识别模型的训练效率和识别的准确率,进而提高法庭监控人脸识别的准确率。该方法,包括以下步骤:a、获取法庭庭审现场监控视频流;b、从所述监控视频流提取关键帧,在每个关键帧中进行人脸检测;c、对检测出的人脸图像进行校正和归一化处理;d、对经过步骤c处理的人脸图像进行特征提取;e、利用训练好的人脸识别模型对提取的人脸特征进行识别,输出识别结果,所述人脸识别模型采用神经网络架构,在训练时利用分数阶蚁群算法对神经网络进行优化。

Description

基于分数阶蚁群算法优化神经网络的法庭监控人脸识别方法
技术领域
本发明涉及计算机视觉与图像处理领域,具体涉及一种基于分数阶蚁群算法优化神经网络的法庭监控人脸识别方法。
背景技术
随着计算机科学的进步和智慧法庭的高要求,越来越多的计算机理论和方法应用到其中来。在法庭应用场景中,对庭审现场的监控,人员异常行为的预警具有重要价值。而人脸识别是庭审现场监控和人员异常行为预警的基础。
目前,人脸识别的主流框架分为四步:(1)人脸检测,即从法庭场景中检测出人脸的存在并确定人脸在图像中的位置;(2)人脸校准,校准人脸的尺度,光照和旋转等变化,将人脸进行归一化;(3)人脸特征提取,例如提取人眼特征,鼻子特征,嘴巴特征,脸型特征等等;(4)人脸特征匹配分类,将提取到的人脸特征与特征库中的人脸特征进行匹配,选择特征库中最匹配的人脸信息,作为识别结果。
在具体实践中,对于人脸特征匹配分类而言,运用最多的就是采用BP神经网络(反向传播神经网络)来进行人脸识别。BP神经网络虽然能够用来进行人脸特征的匹配识别,但是本身存在学习收敛速度慢,容易陷入局部极值点的缺陷。
发明内容
本发明所要解决的技术问题是:提出一种基于分数阶蚁群算法优化神经网络的法庭监控人脸识别方法,对神经网络的训练进行优化,使其能够快速收敛到全局最优,从而提高识别模型的训练效率和识别的准确率,进而提高法庭监控人脸识别的准确率。
本发明解决上述技术问题采用的技术方案是:
基于分数阶蚁群算法优化神经网络的法庭监控人脸识别方法,包括以下步骤:
a、获取法庭庭审现场监控视频流;
b、从所述监控视频流提取关键帧,在每个关键帧中进行人脸检测;
c、对检测出的人脸图像进行校正和归一化处理;
d、对经过步骤c处理的人脸图像进行特征提取;
e、利用训练好的人脸识别模型对提取的人脸特征进行识别,输出识别结果,所述人脸识别模型采用神经网络架构,在训练时利用分数阶蚁群算法对神经网络进行优化。
具体的,步骤e中,所述人脸识别模型的训练过程包括:
e1、准备人脸图像样本特征数据,并进行标注;
e2、确定神经网络的拓扑结构;
e3、初始化神经网络的权值和阈值;
e4、初始化分数阶蚁群算法的参数;
e5、计算分数阶信息素浓度;
e6、根据分数阶信息素浓度,利用分数阶转移概率函数计算分数阶转移概率;
e7、根据分数阶转移概率更新蚂蚁的移动方向和位置;
e8、判断当前是否满足迭代停止条件,若是,则输出得到最优权值参数,进入步骤e9,否则,返回步骤e5继续迭代;
e9、将获得的最优权值参数代入神经网络,并利用步骤e1中标注的人脸图像样本特征数据进行训练,直至神经网络收敛,获得人脸识别模型。
具体的,步骤e5-e7的迭代过程中,将神经网络训练时候的整体均方误差作为蚁群算法的适应度函数:E=∑(Yq-Y)2,Yq表示神经网络正向传播获得的输出,Y表示人脸标注信息。
具体的,步骤e4中,所述分数阶蚁群算法的参数包括:信息素重要程度、启发式因子重要程度、信息素蒸发系数、分数阶阶次、蚂蚁数量以及最大迭代次数。
具体的,步骤e8中,所述迭代停止条件为:当前迭代达到最大迭代次数,或者,适应度函数为0。
具体的,步骤e6中,根据分数阶信息素浓度,利用分数阶转移概率函数计算分数阶转移概率,计算方式为:
Figure BDA0003186606020000021
其中pij表示从节点i到节点j的转移概率,τij是节点i到节点j的信息素浓度,ηij是节点 i到节点j的上的启发信息,α表示信息素浓度重要程度,β表示启发因子重要程度,
Figure BDA0003186606020000022
表示j节点是节点i的下一个可选节点,t表示迭代次数;
Figure BDA0003186606020000023
p(j+k-1)(j+k)表示接下来从j下面的k个节点的转移概率,τ(j+k-1)(j+k)表示从节点j+k-1到节点j+k的信息素浓度,η(j+k-1)(j+k)表示从节点j+k-1到节点j+k的启发信息。
得到整数阶蚁群的概率转移函数就能计算分数阶的概率转移函数:
Figure DEST_PATH_1
Figure BDA0003186606020000032
表示分数阶的从节点i到节点j的分数阶转移概率,
Figure BDA0003186606020000033
是分数阶归一化参数,v是分数阶阶次(我们通常选取0<v<1),
Figure BDA0003186606020000034
表示节点j是i的可选节点,且j+k也是i的可选节点。N1表示分数阶的截断系数位数(通常N1=6),Γ是伽马函数。
步骤e5中,所述计算分数阶信息素浓度,计算方式为:
Figure BDA0003186606020000035
其中,ρ表示信息素蒸发系数,Γ是伽马函数,
Figure BDA0003186606020000036
表示被选中的精英蚂蚁的信息素增量,N3表示分数阶的截断系数位数(通常N3=6);
Figure BDA0003186606020000037
本发明的有益效果是:
采用优化算法对神经网络的训练进行优化,优化算法采用分数阶蚁群算法,该算法用分数阶微积分的非局域性,将记忆性和前瞻性代入蚁群算法,使得节点上的蚂蚁不仅知道当前节点的转移概率函数,还知道周围节点的转移概率函数,它综合周围的转移概率函数,来更新自己的转移概率函数,相比于原始的蚁群算法,由于能获取到额外信息,迭代收敛需要的迭代次数大幅减少,也能避免陷入局部最优,因此能够取得更好的优化效果。
附图说明
图1为本发明中的法庭监控人脸识别方法整体流程图;
图2为本发明中的人脸识别模型的训练过程图。
具体实施方式
本发明旨在提出一种基于分数阶蚁群算法优化神经网络的法庭监控人脸识别方法,对神经网络的训练进行优化,使其能够快速收敛到全局最优,从而提高识别模型的训练效率和识别的准确率,进而提高法庭监控人脸识别的准确率。
在具体实现上,本发明中的法庭监控人脸识别方法流程如图1所示,其包括:
S1、获取法庭庭审现场监控视频流;
S2、从所述监控视频流提取关键帧,在每个关键帧中进行人脸检测;
本步骤中,对于关键帧,可以采用现有的金字塔滤波算法,选用不同大小检测窗口,由粗到精对整个画面中的人脸进行检测,得到所有人脸的位置,框选出来。
S3、对检测出的人脸图像进行校正和归一化处理;
本步骤中,得到人脸位置后,由于视频中人脸可能朝向不同,得到的并不是人的正脸,为了提升后期人脸识别的准确性,我们要进行人脸校正。具体可以利用计算机视觉中的透视变换等方法将人脸全转为正脸。并将人脸的图像块大小统一,得到归一化后的人脸图像。
S4、对经过步骤S3处理的人脸图像进行特征提取;
本步骤中,得到归一化后的人脸图像后,可以使用卷积神经网络进行特征提取,得到向量化的人脸特征:X=[x1,x2…,xn],这些人脸特征向量将会作为识别模型的输入。
S5、利用训练好的人脸识别模型对提取的人脸特征进行识别,输出识别结果,所述人脸识别模型采用神经网络架构,在训练时利用分数阶蚁群算法对神经网络进行优化。
本步骤就是要采用预先训练好的人脸识别模型,将步骤S4中获得的人脸特征向量作为输入,从而输出人脸识别结果,即在人脸特征库中识别出视频图像中为哪个人。
人脸识别模型的训练为本发明的核心,其关键点在于如何快速训练出准确、稳定的人脸识别模型,本发明以神经网络作为模型框架,采用分数阶蚁群算法对神经网络的训练进行优化。
蚁群算法是一种全局优化算法,其原理简述为:假设有两条路可从蚁窝通向食物,开始时两条路上的蚂蚁数量差不多:当蚂蚁到达终点之后会立即返回,距离短的路上的蚂蚁往返一次时间短,重复频率快,在单位时间里往返蚂蚁的数目就多,留下的信息素也多,会吸引更多蚂蚁过来,会留下更多信息素。而距离长的路正相反,因此越来越多的蚂蚁聚集到最短路径上来。
但是,蚁群算法也有缺点,如收敛速度慢,容易收敛到局部最优点。本发明中提出的分数阶蚁群算法较好的解决了这个问题,利用分数阶微积分的长时记忆性和非局域性,让蚁群算法中的每个蚂蚁都具有记忆能力。利用分数阶微积分的长时记忆性,蚂蚁能够记住过去一段时间走过的节点,利用过去的信息,能为当前节点该选择走那条路,做出更优选择。
蚁群算法中最关键的是转移概率函数,本发明利用分数阶微积分改进蚁群算法,将蚁群算法的转移概率函数从整数阶拓展到分数阶:
Figure 664761DEST_PATH_1
其中
Figure BDA0003186606020000052
是分数阶归一化参数,
Figure BDA0003186606020000053
表示分数阶的从节点i到节点j的分数阶转移概率,v是分数阶阶次(我们通常选取0<v<1),pij(t)是从节点i到节点j的转移概率,p(j+k-1)(j+k)表示接下来从j下面的k个节点的转移概率。
Figure BDA0003186606020000054
表示节点j是i的可选节点,且j+k也是i的可选节点。N1表示分数阶的截断系数位数(通常 N1=6),Γ是伽马函数。
它将蚂蚁未来可能走的所有路径的转移概率函数以非线性的方式加入到现有的转移概率函数中来,使得分数阶蚁群算法能够比原始的蚁群算法看得更远,做出更优的选择。
转移概率函数与信息素浓度和启发因子相关。因此,本发明提出的对于分数阶转移概率函数的具体计算方法如下:
Figure BDA0003186606020000055
Figure BDA0003186606020000056
Figure 581901DEST_PATH_1
τij是节点的信息素浓度,ηij是启发信息,
Figure BDA0003186606020000058
表示分数阶的从节点i到节点j的分数阶转移概率,v是分数阶阶次(我们通常选取0<v<1),pij(t)是我们上面计算到的从节点i到节点j的转移概率,p(j+k-1)(j+k)表示接下来从j下面的k个节点的转移概率。
Figure BDA0003186606020000061
表示节点j是i的可选节点,且j+k也是i的可选节点。N1表示分数阶的截断系数位数(通常N1=6),Γ是伽马函数.
一般过程中,我们将启发信息选择为适应度函数的倒数,即适应度函数越小,启发信息越大,信息转移概率越大,这样,蚁群算法更容易找到最小值。
此外,本发明对信息素浓度的更新公式也进行了分数阶改进:
Figure BDA0003186606020000062
τij是节点i到节点j的信息素浓度,ρ表示信息素挥发系数,Γ是伽马函数,
Figure BDA0003186606020000063
表示被选中的精英蚂蚁的信息素增量。N3表示分数阶的截断系数位数(通常N3=6),
Figure BDA0003186606020000064
在分数阶蚁群算法的几个重要参数都确定后,我们就能进行分数阶蚁群算法优化神经网络的训练,具体过程如图2所示,其包括:
(1)准备人脸图像样本特征数据,并进行标注;
本步骤中,标注后的数据格式为(Xi,Yi),其中,Xi表示人脸特征向量,Yi表示对应的人脸的标注信息;
(2)确定神经网络的拓扑结构;
本步骤中是要确定神经网络一共有几层,每层的神经元个数是多少,通常可以根据经验值来设置。
(3)初始化神经网络的权值;
本步骤中,将神经网络各个连接权值进行随机初始化,初始化的值在0附近。
(4)初始化分数阶蚁群算法的参数;
本步骤中,分数阶蚁群算法的参数包括:信息素重要程度a、启发式因子重要程度b、信息素蒸发系数c、分数阶阶次v、蚂蚁数量m以及最大迭代次数Max_iter。各个参数的数值设置如下:信息素浓度α=1,启发因子重要程度β=5,信息素蒸发系数c=0.2,分数阶阶次 v=0.75,蚂蚁数量m=150,最大迭代次数Max_iter=5000;
(5)计算分数阶信息素浓度;
本步骤中,分数阶信息素浓度的计算公式为:
Figure BDA0003186606020000071
(6)根据分数阶信息素浓度,利用分数阶转移概率函数计算分数阶转移概率;
本步骤中,根据分数阶信息素浓度,利用分数阶转移概率函数计算分数阶转移概率,计算方式为:
Figure BDA0003186606020000072
Figure BDA0003186606020000073
Figure 361638DEST_PATH_1
(7)根据分数阶转移概率更新蚂蚁的移动方向和位置;
本步骤中,更新蚂蚁所在位置即蚂蚁所在位置的权值。
(8)判断当前是否满足迭代停止条件,若是,则输出得到最优权值参数,进入步骤(9),否则,返回步骤(5)继续迭代;
本步骤中,迭代终止条件为达到最大迭代次数,或者代价函数为0。
(9)将获得的最优权值参数代入神经网络,并利用步骤(1)中标注的人脸图像样本特征数据进行训练,直至神经网络收敛,获得人脸识别模型。
在分数阶蚁群算法收敛后,我们得到了神经网络各个节点的优化后的权值,将权值代入到神经网络中,利用神经网络中的反向传播进行网络微调,只需要几次迭代就能收敛,收敛后的神经网络,我们认为可以达到全局最优,从而获得训练完成的人脸识别模型。
对于一个新的人脸特征,只需要将向量化的人脸特性向量输入该识别模型,识别模型自动就能给出人脸对应的概率占比最高的人脸信息,即完成了人脸识别。

Claims (7)

1.基于分数阶蚁群算法优化神经网络的法庭监控人脸识别方法,其特征在于,
包括以下步骤:
a、获取法庭庭审现场监控视频流;
b、从所述监控视频流提取关键帧,在每个关键帧中进行人脸检测;
c、对检测出的人脸图像进行校正和归一化处理;
d、对经过步骤c处理的人脸图像进行特征提取;
e、利用训练好的人脸识别模型对提取的人脸特征进行识别,输出识别结果,所述人脸识别模型采用神经网络架构,在训练时利用分数阶蚁群算法对神经网络进行优化。
2.如权利要求1所述的基于分数阶蚁群算法优化神经网络的法庭监控人脸识别方法,其特征在于,步骤e中,所述人脸识别模型的训练过程包括:
e1、准备人脸图像样本特征数据,并进行标注;
e2、确定神经网络的拓扑结构;
e3、初始化神经网络的权值和阈值;
e4、初始化分数阶蚁群算法的参数;
e5、计算分数阶信息素浓度;
e6、根据分数阶信息素浓度,利用分数阶转移概率函数计算分数阶转移概率;
e7、根据分数阶转移概率更新蚂蚁的移动方向和位置;
e8、判断当前是否满足迭代停止条件,若是,则输出得到最优权值参数,进入步骤e9,否则,返回步骤e5继续迭代;
e9、将获得的最优权值参数代入神经网络,并利用步骤e1中标注的人脸图像样本特征数据进行训练,直至神经网络收敛,获得人脸识别模型。
3.如权利要求2所述的基于分数阶蚁群算法优化神经网络的法庭监控人脸识别方法,其特征在于,步骤e5-e7的迭代过程中,将神经网络训练时候的整体均方误差作为蚁群算法的适应度函数:E=∑(Yq-Y)2,Yq表示神经网络正向传播获得的输出,Y表示人脸标注信息。
4.如权利要求2所述的基于分数阶蚁群算法优化神经网络的法庭监控人脸识别方法,其特征在于,步骤e4中,所述分数阶蚁群算法的参数包括:信息素重要程度、启发式因子重要程度、信息素蒸发系数、分数阶阶次、蚂蚁数量以及最大迭代次数。
5.如权利要求2所述的基于分数阶蚁群算法优化神经网络的法庭监控人脸识别方法,其特征在于,步骤e5中,所述计算分数阶信息素浓度,计算方式为:
Figure FDA0003186606010000021
其中,ρ表示信息素蒸发系数,Γ是伽马函数,
Figure FDA0003186606010000022
表示被选中的精英蚂蚁的信息素增量,N3表示分数阶的截断系数位数;
Figure FDA0003186606010000023
6.如权利要求5所述的基于分数阶蚁群算法优化神经网络的法庭监控人脸识别方法,其特征在于,步骤e6中,根据分数阶信息素浓度,利用分数阶转移概率函数计算分数阶转移概率,计算方式为:
Figure 1
Figure FDA0003186606010000025
表示分数阶的从节点i到节点j的分数阶转移概率,
Figure FDA0003186606010000026
是分数阶归一化参数,v是分数阶阶次,
Figure FDA0003186606010000027
表示节点j是i的可选节点,且j+k也是i的可选节点,N1表示分数阶的截断系数位数,Γ是伽马函数;
Figure FDA0003186606010000028
其中pij表示整数阶的从节点i到节点j的转移概率,τij是节点i到节点j的信息素浓度,ηij是节点i到节点j的上的启发信息,α表示信息素浓度重要程度,β表示启发因子重要程度,
Figure FDA0003186606010000029
表示j节点是节点i的下一个可选节点,t表示迭代次数;
Figure FDA00031866060100000210
p(j+k-1)(j+k)表示从j后面的k个节点的转移概率,τ(j+k-1)(j+k)表示从节点j+k-1到节点j+k的信息素浓度,η(j+k-1)(j+k)表示从节点j+k-1到节点j+k的启发信息。
7.如权利要求2-6任意一项所述的基于分数阶蚁群算法优化神经网络的法庭监控人脸识别方法,其特征在于,步骤e8中,所述迭代停止条件为:当前迭代达到最大迭代次数,或者,适应度函数为0。
CN202110876384.3A 2021-07-29 2021-07-29 基于分数阶蚁群算法优化神经网络的法庭监控人脸识别方法 Active CN113591716B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110876384.3A CN113591716B (zh) 2021-07-29 2021-07-29 基于分数阶蚁群算法优化神经网络的法庭监控人脸识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110876384.3A CN113591716B (zh) 2021-07-29 2021-07-29 基于分数阶蚁群算法优化神经网络的法庭监控人脸识别方法

Publications (2)

Publication Number Publication Date
CN113591716A true CN113591716A (zh) 2021-11-02
CN113591716B CN113591716B (zh) 2023-05-05

Family

ID=78253344

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110876384.3A Active CN113591716B (zh) 2021-07-29 2021-07-29 基于分数阶蚁群算法优化神经网络的法庭监控人脸识别方法

Country Status (1)

Country Link
CN (1) CN113591716B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116701884A (zh) * 2023-08-03 2023-09-05 太行城乡建设集团有限公司 基于蚁群-神经网络算法的公路工程污水水质预测方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101710382A (zh) * 2009-12-07 2010-05-19 深圳大学 基于简化智能单粒子优化算法的Gabor人脸识别方法
CN106981056A (zh) * 2017-03-31 2017-07-25 蒲亦非 一种基于分数阶偏微分方程的图像对比度增强滤波器
WO2017215240A1 (zh) * 2016-06-14 2017-12-21 广州视源电子科技股份有限公司 基于神经网络的人脸特征提取建模、人脸识别方法及装置
CN109541935A (zh) * 2018-11-23 2019-03-29 广西大学 一种参数自适应分数阶自抗扰自动发电控制方法
CN111284157A (zh) * 2018-12-10 2020-06-16 蒲亦非 一种基于分数阶隐写技术的商品包装防伪印刷及验证方法
US20200348662A1 (en) * 2016-05-09 2020-11-05 Strong Force Iot Portfolio 2016, Llc Platform for facilitating development of intelligence in an industrial internet of things system
CN111967392A (zh) * 2020-08-18 2020-11-20 广东电科院能源技术有限责任公司 一种人脸识别神经网络训练方法、系统、设备及储存介质
CN113112451A (zh) * 2021-03-08 2021-07-13 潍坊科技学院 基于图像处理的绿色叶片病害特征优化及病害识别方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101710382A (zh) * 2009-12-07 2010-05-19 深圳大学 基于简化智能单粒子优化算法的Gabor人脸识别方法
US20200348662A1 (en) * 2016-05-09 2020-11-05 Strong Force Iot Portfolio 2016, Llc Platform for facilitating development of intelligence in an industrial internet of things system
WO2017215240A1 (zh) * 2016-06-14 2017-12-21 广州视源电子科技股份有限公司 基于神经网络的人脸特征提取建模、人脸识别方法及装置
CN106981056A (zh) * 2017-03-31 2017-07-25 蒲亦非 一种基于分数阶偏微分方程的图像对比度增强滤波器
CN109541935A (zh) * 2018-11-23 2019-03-29 广西大学 一种参数自适应分数阶自抗扰自动发电控制方法
CN111284157A (zh) * 2018-12-10 2020-06-16 蒲亦非 一种基于分数阶隐写技术的商品包装防伪印刷及验证方法
CN111967392A (zh) * 2020-08-18 2020-11-20 广东电科院能源技术有限责任公司 一种人脸识别神经网络训练方法、系统、设备及储存介质
CN113112451A (zh) * 2021-03-08 2021-07-13 潍坊科技学院 基于图像处理的绿色叶片病害特征优化及病害识别方法

Non-Patent Citations (8)

* Cited by examiner, † Cited by third party
Title
H. R. KANAN 等: "Face Recognition System Using Ant Colony Optimization-Based Selected Features" *
SABAN GÜLCÜ 等: "A parallel cooperative hybrid method based on ant colony optimization and 3-Opt algorithm for solving traveling salesman problem" *
X. GONG等: "An Improved Ant Colony Optimization Algorithm Based on Fractional Order Memory for Traveling Salesman Problems" *
Y.F. PU 等: "Analog Circuit Implementation of Fractional-Order Memristor: Arbitrary-Order Lattice Scaling Fracmemristor" *
余胜威: "基于FODPSO算法的图像分割及DSP实现" *
孔聪雅: "基于分数阶萤火虫优化的Otsu图像分割算法研究" *
张磊: "基于分数阶卷积神经网络的语音识别算法研究" *
李桂阳: "基于FPGA的分数阶PIλDμ控制器研究与实现" *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116701884A (zh) * 2023-08-03 2023-09-05 太行城乡建设集团有限公司 基于蚁群-神经网络算法的公路工程污水水质预测方法
CN116701884B (zh) * 2023-08-03 2023-10-27 太行城乡建设集团有限公司 基于蚁群-神经网络算法的公路工程污水水质预测方法

Also Published As

Publication number Publication date
CN113591716B (zh) 2023-05-05

Similar Documents

Publication Publication Date Title
CN107066973B (zh) 一种利用时空注意力模型的视频内容描述方法
CN112001339A (zh) 一种基于YOLO v4的行人社交距离实时监测方法
KR102280414B1 (ko) 고 정밀도로 이미지를 분석하기 위한 딥 러닝 네트워크를 사용하기 위해 트레이닝 이미지를 오토 라벨링하는 오토 라벨링 장치의 하이퍼파라미터를 최적화하는 방법 및 이를 이용한 최적화 장치
CN105488528B (zh) 基于改进自适应遗传算法的神经网络图像分类方法
KR102328734B1 (ko) 이미지를 분석하기 위해, 딥러닝 네트워크에 이용하기 위한 트레이닝 이미지에 대한 라벨링 신뢰도를 자동으로 평가하기 위한 방법 및 이를 이용한 신뢰도 평가 장치
CN107239514A (zh) 一种基于卷积神经网络的植物识别方法及系统
CN110222215B (zh) 一种基于f-ssd-iv3的作物害虫检测方法
CN112581262A (zh) 一种基于鲸鱼算法优化lvq神经网络的欺诈行为检测方法
CN115661943B (zh) 一种基于轻量级姿态评估网络的跌倒检测方法
CN113781397A (zh) 基于联邦学习的医疗影像病灶检测建模方法、装置及系统
CN112949828A (zh) 一种基于图学习的图卷积神经网络交通预测方法及系统
CN111832414B (zh) 一种基于图正则光流注意力网络的动物计数方法
KR20220004491A (ko) 인공지능 기반 수목 데이터 관리 시스템 및 수목 데이터 관리 방법
CN104318271B (zh) 一种基于适应性编码和几何平滑汇合的图像分类方法
CN113591716A (zh) 基于分数阶蚁群算法优化神经网络的法庭监控人脸识别方法
CN117636183A (zh) 一种基于自监督预训练的小样本遥感图像分类方法
CN108985385A (zh) 基于生成对抗学习的快速弱监督目标检测方法
CN113627240A (zh) 一种基于改进ssd学习模型的无人机树木种类识别方法
CN105809707B (zh) 一种基于随机森林算法的行人跟踪方法
Dutta et al. Weed detection in close-range imagery of agricultural fields using neural networks
CN111223126A (zh) 一种基于迁移学习的跨视角轨迹模型构建方法
CN112613405B (zh) 任意视角动作识别方法
CN114913485A (zh) 一种多层级特征融合的弱监督检测方法
Gao et al. Classification Method of Rape Root Swelling Disease Based on Convolution Neural Network
CN112597875A (zh) 一种多分支网络的抗漏检航拍目标检测方法

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