[发明专利]基于粒子群优化BP网络的人脸识别方法

说明书

技术领域

本发明属于人脸识别技术领域，涉及一种人脸识别方法，尤其涉及一种基于粒子群优化BP网络的人脸识别方法。

背景技术

在现在手机照相的笑脸识别均采用的BP算法进行识别。BP算法属于启发式算法，算法运行速度较慢，而且容易陷入局部极值，寻优效果较差。

粒子群优化算法是模拟鸟群寻找食物和人类活动的群智能算法，是一种全局随机寻优算法。粒子群算法具备很强的全局寻优能力，而且算法实现更简单，寻优性能很稳定，越来越多的应用于传统启发式算法的问题求解中。

粒子群算法是粒子向自身经验P_i和群体经验P_g不断学习，实现在解空间的寻优。假设粒子群中第i个粒子在d维空间中的位置为x_i＝(x_i1，x_i2，…，x_id),飞行速度为v_i＝(v_i1，v_i2，…，v_id),其经历过的最好位置为P_i＝(p_i1，p_i2，…，p_id)，所有粒子经历过的最好位置为P_g＝(p_g1，p_g2，…，p_gd)。每一代粒子按下式更新：

式中,v_id表示第i个粒子第d维速度分量，t为迭代次数，w为惯性权重，学习因子c₁＝c₂＝2，r₁和r₂为(0,1)之间均匀分布的随机数。

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。较大的w值有利于全局寻优，易于跳出局部极值；而较小的w有利于算法的局部寻优，加速收敛。粒子群算法在进化的过程中，要求在算法初始阶段，惯性权重w选取较大的值用以加快算法的收敛速度；当粒子寻优到最优值附件时，要求粒子的惯性权重w必须相当小，否则粒子将会飞出最优解附近而不能收敛，进而影响算法收敛的稳定性。所以有必要设计一种动态变化的惯性权重，以达到加快粒子寻找最优解的能力。

发明内容

本发明所要解决的技术问题是：提供一种基于粒子群优化BP网络的人脸识别方法，可实时调整粒子的惯性权重，最终提高人脸识别的效率及精度。

为解决上述技术问题，本发明采用如下技术方案：

一种基于粒子群优化BP网络的人脸识别方法，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，隐层神经元个数根据经验公式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：

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；