[发明专利]基于量子深度信念网络的人脸表情识别方法

摘要

本发明提出了一种基于量子深度信念网络的人脸表情识别方法，旨在提高人脸表情识别的精度和效率，实现步骤为：获取训练集R和测试集T；设定迭代参数；对当前稀疏受限玻尔兹曼机的参数进行初始优化；基于多目标优化算法，并通过量子染色体，以并行的方式对初始优化后的隐单元的偏置b进行优化；对偏置b进行更新；对量子深度信念网络进行初始化；对初始化后的量子深度信念网络参数进行微调；获取人脸表情识别结果。本发明在深度信念网络中引入量子机制编码染色体，更有效地提取人脸表情特征，提高了识别精度，同时优化稀疏受限玻尔兹曼机隐单元的偏置时采用并行方式，提高了训练的时间效率。

主权项

1.一种基于量子深度信念网络的人脸表情识别方法，其特征在于，包括如下步骤：(1)获取训练集R和测试集T：(1a)将从人脸表情库中获取的N幅人脸表情图像的半数以上作为训练图像，其余部分作为测试图像，并对每幅训练图像和每幅测试图像分别进行预处理，得到训练矩阵X和测试矩阵Y，N≥50；(1b)对矩阵X和Y分别进行去中心化，得到去中心化后的矩阵X'和Y'，并分别计算X'和Y'的协方差矩阵的特征值；(1c)按照由大到小的顺序对X'的协方差矩阵的特征值和Y的协方差矩阵的特征值分别进行排序，并将排序后的X'的协方差矩阵特征值中的前M个特征值对应的特征向量组合成训练集R，同时，将排序后的Y'的协方差矩阵特征值前M个特征值对应的的特征向量组合成测试集T，M≥100；(2)设定迭代参数：设量子深度信念网络当前稀疏受限玻尔兹曼机的迭代次数为c，最大迭代次数为s，并初始化c＝1；(3)对当前稀疏受限玻尔兹曼机的参数进行初始优化：将训练集R作为量子深度信念网络的输入，并采用对比散度算法对当前稀疏受限玻尔兹曼机的参数进行优化，得到初始优化后的权重参数w、可视单元的偏置a和隐单元的偏置b；(4)基于多目标优化算法，并通过量子染色体，以并行的方式对初始优化后的隐单元的偏置b进行优化：(4a)从初始优化后的隐单元的偏置b中随机选取k个偏置，组成数据集D_k，k≥10，设定当前进化代数为t，种群最大进化代数为g，并初始化t＝0；(4b)将随机生成的Q个量子染色体各存入一个线程，Q≥10，并将所有量子染色体作为初始种群G_t；(4c)将初始种群G_t中的所有量子染色体从量子空间映射到目标空间，并对目标空间中每个量子染色体的状态进行观测，然后计算观测状态时的量子染色体的适应度，再选取适应度值最小的p个确定状态的量子染色体作为G_t的最优解集合F，2≤p＜Q；(4d)在种群G_t中所有的量子染色体进行交叉，然后采用栅栏同步的方法对交叉后的量子染色体进行同步，将同步后的所有量子染色体作为下一代种群G_t+1；(4e)将下一代种群G_t+1中的所有量子染色体从量子空间映射到目标空间，并对目标空间中每个量子染色体的状态进行观测，然后计算观测状态时的量子染色体的适应度，按照由大到小的顺序对G_t+1和F中的量子染色体的适应度进行排序，并选取适应度最小的p个确定状态的量子染色体替换最优解集合F中所有确定状态的量子染色体；(4f)令t＝t+1，并判断t与最大进化代数g是否相等，若是，则从最优解集合F中选择一个确定状态的量子染色体作为优化后的数据集D'_k，否则执行步骤(4d)；(5)对初始优化后的隐单元的偏置b进行更新：通过优化后的数据集D'_k替换初始优化后的当前稀疏受限玻尔兹曼机隐单元的偏置b中的对应偏置，并判断当前迭代次数c与最大迭代次数s是否相等，若是，得到训练后的当前稀疏受限玻尔兹曼机，并执行步骤(6)，否则，c＝c+1，并执行步骤(3)；(6)对量子深度信念网络进行初始化：固定训练后的当前稀疏受限玻尔兹曼机的权重参数w、可视单元的偏置a后，将训练后的当前稀疏受限玻尔兹曼机隐单元的偏置b作为下一个稀疏受限玻尔兹曼机可视单元的偏置，重复步骤(2)—(5)，直到完成所有稀疏受限玻尔兹曼机的训练，并在最后一个训练后的稀疏受限玻尔兹曼机的输出端上连接softmax分类器，得到初始化后的量子深度信念网络；(7)对初始化后的量子深度信念网络参数进行微调：将训练集R作为初始化后的量子深度信念网络的输入，并采用反向传播算法对初始化后的量子深度信念网络的参数进行微调，得到微调后的量子深度信念网络；(8)获取人脸表情识别结果：将测试集T输入到微调后的量子深度信念网络，得到人脸表情的识别结果。