基于粒子群优化BP网络的人脸识别方法

摘要

本发明揭示了一种基于粒子群优化BP网络的人脸识别方法，图像经过预处理去除外界的干扰；经过预处理的图像信息通过选择不同的特征提取方式，将其信息通过映射变换，投影到特征空间；神经网络在训练或识别的过程中，其每一个特征对应神经网络一个输入节点，而输出节点等于类别数，一个输出节点对应一个类；从而设计出一种全连接的BP网络，其中输入层神经元的个数对应为图像的特征数，输出层神经元个数为种群类别数，隐层神经元个数设定为网络权值初始化为[0,1]之间的随机值，每个粒子对应一个神经网络。本发明依据粒子适应值及粒子适应值的变化量，实时调整粒子的惯性权重，能够快速寻找到全局最优解，最终提高人脸识别的效率及精度。

主权项

1.一种基于粒子群优化BP网络的人脸识别方法，其特征在于，所述方法包括：图像经过预处理去除外界的干扰，为后续处理提供高质量的图像；经过预处理的图像信息通过选择不同的特征提取方式，将其信息通过映射变换，投影到特征空间，形成一个m×n的矩阵，每个参数对应一个特征；神经网络在训练或识别的过程中，其每一个特征对应神经网络一个输入节点，而输出节点等于类别数，一个输出节点对应一个类；从而设计出一种全连接的BP网络，其中输入层神经元的个数对应为图像的特征数，输出层神经元个数为种群类别数，隐层神经元个数设定为网络权值初始化为[0,1]之间的随机值，每个粒子对应一个神经网络；所述神经网络在训练或识别的过程中包括利用粒子群算法优化BP网络的步骤，在可行解区域和速度区间随机初始化每个粒子的初始位置和初始速度，其中粒子的位置代表问题的一个可行解；假设种群中第i个粒子在d维空间中的位置为x_i=(x_i1，x_i2，…，x_id)，其对应的飞行速度为v_i=(v_i1，v_i2，…，v_id)和该粒子至今搜索到的最好位置为P_i=(p_i1，p_i2，…，p_id)，所有粒子搜索到的最好位置为P_g=(p_g1，p_g2，…，p_gd)；则标准粒子群算法的速度-位移更新公式如下：$v_{\mathrm{id}}^{(t+1)}=w·v_{\mathrm{id}}^{\left(t\right)}+c_1·r_1·(P_{\mathrm{id}}^{\left(t\right)}-x_{\mathrm{id}}^{\left(t\right)})+c_2·r_2·(p_{\mathrm{gd}}^{\left(t\right)}-x_{\mathrm{id}}^{\left(t\right)})---\left(6\right)$$x_{\mathrm{id}}^{(t+1)}=x_{\mathrm{id}}^{\left(t\right)}+v_{\mathrm{id}}^{(t+1)}---\left(7\right)$其中，v_id表示第i个粒子的第d维速度分量；w为惯性权重；t为迭代次数；c₁、c₂为学习因子；r₁和r₂为(0,1)之间均匀分布的随机数；所述利用粒子群算法优化BP网络的步骤中包括动态调整粒子惯性权重的步骤：w＝f(e,ec)＝f₁(e)+f₂(ec)  (1)ec＝e(t)-e(t-1)  (2)其中，惯性权重w是粒子群算法的全局寻优和局部寻优的平衡系数，e为粒子的适应值，e为粒子的变化率；f₁和f₂分别为：$f_1\left(x_1\right)=k_1\times [1-e^{-{\left(\frac{x_1}{b_1}\right)}^2}]---\left(3\right)$$f_2\left(x_2\right)=k_2\times e^{-{\left(\frac{x_2}{b_2}\right)}^2}---\left(4\right)$其中，k₁、k₂分别为比例因子调节曲线的上幅度、下幅度，b₁、b₂分别为权重因子调节曲线的左伸展、右伸展。