[发明专利]基于CSJOGA算法的选择性集成人脸识别方法

说明书

本发明公开了基于CSJOGA算法的选择性集成人脸识别方法，属于人脸识别技术领域，特别是一种基于联合稀疏投影改进混合正交遗传算法(CSJOGA)、bagging方法、选择性集成技术、多分类SVM方法的人脸识别新方法。本方法结合最小生成树聚类、联合稀疏投影和正交实验设计，提出了一种基于联合稀疏投影的正交交叉算子。然后利用正交实验方法设计交叉，并引入了聚类局部搜索策略，提出了基于联合稀疏投影的混合正交遗传算法。本方法能在大幅减少集成的分类器数量、减少存储和计算开销、有效提高人脸识别速度的前提下，保证人脸识别的正确率能够进一步提升至更高水平，确保实际应用时的分类精度达到理想要求。

技术领域

本发明属于人脸识别技术领域，特别是一种基于联合稀疏投影改进混合正交遗传算法(CSJOGA)、bagging方法、选择性集成技术、多分类SVM方法的人脸识别新方法。

背景技术

近几十年来，生物特征识别在各个领域受到了广泛的关注，成为模式识别与机器视觉领域的研究热点之一。其中，人脸识别是生物特征识别的重要组成部分。

在人脸识别中,人脸特征提取是关键步骤之一。人脸特征提取是指在高维人脸数据中提取出对于分类有帮助的鉴别信息，去除无用的冗余信息。

多数情况下，人脸特征分为全局特征和局部特征。其中，全局特征是指特征向量的每一维能够区别不同人带来的差异，侧重于人脸的主体特征；而局部特征是指特征向量的每一维能够区别光照、表情、姿态等因素引起的差异，反映了人脸的细节变化。

大量的全局特征提取算法已经被提出，其中包括主成分分析、线性判别分析和稀疏保持投影等经典算法。主成分分析是在最小化均方差的原则下寻求最佳鉴别特征；线性判别分析是以最大化类间离散度和最小化类内离散度的原则来获取特征信息；稀疏保持投影是通过求解稀疏权向量重构原始信号的优化问题来获得主要鉴别特征。其中，主成分分析(简称PCA)不需要知道训练样本所属类别信息，而线性判别分析和稀疏保持投影都需要知道训练样本所属类别信息，并且经过训练样本的训练来得到投影矩阵。

另一方面，随着科技的迅猛发展和产品复杂程度的提高，许多问题的解决都需要在复杂的搜索空间中搜索最优解，而利用传统的优化算法寻找复杂问题的最优解却成效甚微。并且随着并行计算的普及和计算机性能的不断提升，机器的性能已经不再是影响计算科学发展的因素，因此，人工智能算法便应运而生。而遗传算法作为一种能够解决传统优化算法难以解决的复杂问题的智能搜索算法，越来越受到人们的关注，并在很多领域中得到了广泛的应用。

遗传算法是一种利用随机搜索方式来模拟生物进化过程中自然选择和种群遗传规律的算法，它以编码种群为基础，通过一个迭代过程，对当代种群实施遗传操作，逐渐使种群包含或接近最优解。作为工程科学和生命科学的融合产物，遗传算法提供了一种不受问题本身限制的优化问题的通用解决办法，具有思想简单、易于实现、应用效果明显、鲁棒性强、易于并行处理等特点。

虽然遗传算法在理论研究方面都取得了很大的进步，但在实践和应用过程中，仍然存在着收敛速度慢、搜索精度低和“早熟收敛”等一系列问题。另外，在实际应用当中，往往有很多因素影响优化问题效果，若用遗传算法来解决，就需要用很长的编码长度，使算法收敛变慢。若能将遗传算法与其他智能算法结合，利用种群进化过程中的特征信息，对种群进行有针对性的操作，将会大大提高算法的收敛速度。

混合遗传算法是遗传算法研究中的一个热点方向，其基本思想是将遗传算法与待求解问题特有的知识进行集成，从而产生出针对该问题极佳的解决方法。在实际应用当中，混合遗传算法不仅继承了传统遗传算法全局搜索的优势，而且通过融合特定领域的知识更能够针对性地实现问题的优化。混合遗传算法为进一步提高遗传算法的性能提供了新的思路，在实际应用中表现出了很好的性能，已成为解决实际工程问题和困难问题的重要方法。

发明内容

本发明的目的在于提出一种新的人脸识别方法，使得识别的正确率得到有效提高、空间开销得到有效减少、识别速度得到有效提升。