[发明专利]一种基于烟花算法改进卷积神经网络的脸部识别方法

权利要求书

1.一种基于烟花算法改进卷积神经网络的脸部识别方法，其特征在于，包括以下步骤：

S1.建立人脸数据库，基于所述人脸数据库，设置人脸属性标签，构建人脸标签数据集，其中，所述人脸标签数据集，包括训练集、验证集、测试集；

S2.基于烟花算法，构建初始卷积神经网络模型，其中，所述卷积神经网络模型，包括，损失函数、激活函数、分类器；

S3.基于所述训练集、验证集，对所述初始卷积神经网络模型，进行训练，得到目标卷积神经网络模型，通过所述测试集对所述目标卷积神经网络进行测试，得到卷积神经网络模型；

S4.基于所述人脸标签数据集，通过所述卷积神经网络模型，获得所述人脸标签数据集的人脸属性特征和人脸全局特征，基于所述人脸属性特征和人脸全局特征，对目标人脸图像进行识别，其中，所述目标人脸图像，为录入到所述人脸数据库的人脸图像。

2.如权利要求1所述一种基于烟花算法改进卷积神经网络的脸部识别方法，其特征在于，

所述训练集、验证集、测试集的比例为2:2:1。

3.如权利要求1所述一种基于烟花算法改进卷积神经网络的脸部识别方法，其特征在于，

所述卷积神经网络模型的迭代次数为1000次。

4.如权利要求1所述一种基于烟花算法改进卷积神经网络的脸部识别方法，其特征在于，

所述S2包括以下步骤：

S2.1.设置初始种群、最小迭代次数、最大迭代次数、烟花爆炸半径、火花个数、火花第一边界、火花第二边界；

S2.2.基于所述烟花算法，通过所述初始种群，获得火花解码，基于所述火花解码的个数，获得火花维度，基于所述火花解码和火花维度，构建火花向前传播模型；

S2.3.基于所述火花向前传播模型，构建误差偏量模型，通过所述误差偏量模型，基于所述最小迭代次数、最大迭代次数，判断是否更新火花位置，如果否，停止算法，如果是，执行S2.4；

S2.4.基于火花位置向量、火花位置适应度，通过设置固定常数，依据所述烟花爆炸半径、火花第一边界、火花第二边界，构建火花位置模型和火花数量模型，其中，通过所述火花数量模型，计算所述火花个数；

S2.5.基于所述火花位置模型和火花数量模型，构建所述初始卷积神经网络模型，其中，所述火花位置模型对应所述初始卷积神经网络模型的权值，所述初始卷积神经网络模型，基于所述激活函数，通过所述权值，实现网络层层映射，得到输出结果。

5.如权利要求4所述的一种基于烟花算法改进卷积神经网络的脸部识别方法，其特征在于，

所述S2.4还包括以下步骤：

S2.4.1.基于高斯变异算法，依据所述火花第一边界、火花第二边界，通过所述烟花爆炸半径，构建超出所述烟花爆炸半径的火花映射模型；

S2.4.2.基于所述火花映射模型，基于所述火花位置适应度，构建候选个体概率模型；

S2.4.3.基于候选个体概率模型，通过所述火花位置向量和固定常数，构建所述火花位置模型和火花数量模型。

6.如权利要求5所述一种基于烟花算法改进卷积神经网络的脸部识别方法，其特征在于，

所述S2.4.2包括，基于所述火花位置适应度的最小值，确定下一火花种群个体，基于所述火花位置适应度的其余适应度，通过轮盘赌方式，构建候选个体概率模型。

7.如权利要求4所述一种基于烟花算法改进卷积神经网络的脸部识别方法，其特征在于，

所述S2.5，还包括，在完成一次网络层层映射后，返回步骤S2.3。

8.如权利要求1所述一种基于烟花算法改进卷积神经网络的脸部识别方法，其特征在于，

所述卷积神经网络模型，还包括对抗网络模型；用于提高所述卷积神经网络模型的学习能力和精确度；

所述对抗网络模型的构建方法，包括以下步骤：

S3.1.基于所述人脸图片，将所述人脸图片通过主成分分析法压缩降维后的向量输入到所述对抗网络模型的生成器中，生成所述人脸图片的假人脸图片

S3.2.所述假人脸图片和人脸图片通过所述对抗网络模型的判别器，基于所述分类器，获得判别器反馈结果；

S3.3.基于所述判别器反馈结果，调整所述生成器和判别器的资自身网络参数，用于实现最小化生成器损失函数同时最大化判别器损失的目的，直到所述损失函数趋于平衡。