[发明专利]一种基于遗传算法人脸识别的优化和识别方法

说明书

一种基于遗传算法人脸识别的优化和识别方法，通过将第一人脸图像转为第一灰度数字图像，可以大幅度降低计算量，运算效率提高，同时不影响识别准确率；通过对第一神经网络进行编码，能合理的把神经网络用遗传算法进行编码，解决了现有技术无法用遗传算法优化神经网络的问题；同时还确定了所述第一神经网络的连接权值和阈值的初始值，避免陷入局部极值；当进行识别时，直接选用学习好的神经网络从而高效地获得第二输出值；采用遗传算法这种群智能算法，提高了算法的学习效率，避免传统的神经网络学习算法易于陷入局部极值，同时提高了人脸识别效率和正确率。

技术领域

本发明涉及人脸识别领域，具体涉及一种基于遗传算法人脸识别的优化和识别方法。

背景技术

当前随着电子政务的发展，越来越多的人应用移动设备进行政务事项的办理，如何证明“我是我自己”成为急切需要解决的问题。当前采用的通过身份证信息、短信信息进行验证，还无法保证“我是我自己”，人脸识别可有效的证明“我是我自己”。在现有的相关专利中，均采用BP算法优化前馈网络，系统存在准确性和实时性比较差的问题。

发明内容

本发明要解决的技术问题在于，解决现有技术中均采用BP算法优化前馈网络，系统存在准确性和实时性比较差的问题。

本发明实施例的目的在于提出一种基于遗传算法人脸识别的优化方法，所述方法包括步骤：

获取第一人脸图像；

将所述第一人脸图像转为第一灰度数字图像，根据灰度等级获取所述第一灰度数字图像的像素点的值；

根据所述第一灰度数字图像的像素点的值，获取所述第一灰度数字图像的特征值；

根据所述特征值创建第一神经网络；

对所述第一神经网络进行编码，获取所述第一神经网络中神经元的连接权值和阈值；

采用遗传算法对所述连接权值和阈值进行优化，获取第二神经网络和第一输出值。

优选的，所述步骤“根据所述第一灰度数字图像的像素点的值，获取所述第一灰度数字图像的特征值”具体为：

将所述第一灰度数字图像划分为n×n的小矩阵；

根据所述第一灰度数字图像的像素点的值，获取每个小矩阵的特征值。

优选的，所述第一神经网络包括输入层、隐含层和输出层；

其中输入层包括输入值和输入层神经元个数；

所述输入值就是每个小矩阵的特征值；所述输入层神经元个数就是所述小矩阵的数量；

所述输出层包括输出值、输出层神经元个数；

所述输出值为二进制数值；

所述输出层神经元个数为能涵盖目标人群的位数；

所述隐含层包括隐含层神经元个数，所述隐含层神经元个数为

优选的，所述第一神经网络的连接权值和阈值的初始值为[-5,5]之间的随机数。

优选的，所述第一神经网络的编码为数值型数组，从左到右顺序，分别为：隐含层神经元个数；其后为第一个隐含层神经元的阈值，其后为输入层神经元的输入值到所述第一个隐含层神经元的连接权值；其后为第M个隐含层神经元的阈值，其后为输入层神经元的输入值到所述第M个隐含层神经元的连接权值；其后为第一个输出层神经元的阈值，其后为隐含层到所述第一个输出层神经元的连接权值；其后为第N个输出层神经元的阈值，其后为隐含层到所述第N个输出层神经元的连接权值；

M为隐含层神经元个数；

N为输出层神经元个数。