資源描述：
《一種基于 ISFLA-SVM 的人臉識(shí)別算法.pdf》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫(kù)。
1、一種基于ＩＳＦＬＡ－ＳＶＭ的人臉識(shí)別算法劉悅婷，等倡一種基于ISFLA－SVM的人臉識(shí)別算法劉悅婷，閻愛(ài)玲（蘭州文理學(xué)院電子信息工程學(xué)院甘肅蘭州，７３００００）摘要：蛙跳算法（ｓｈｕｆｆｌｅｄｆｒｏｇｌｅａｐｉｎｇａｌｇｏｒｉｔｈｍ，ＳＦＬＡ）易陷入局部最優(yōu)，且求解精度較低，提出一種改進(jìn)的蛙跳算法（ｉｍｐｒｏｖｅｄｓｈｕｆｆｌｅｄｆｒｏｇｌｅａｐｉｎｇａｌｇｏｒｉｔｈｍ，ＩＳＦＬＡ）。該算法對(duì)青蛙的更新策略進(jìn)行修改，引入自我學(xué)習(xí)因子，使青蛙個(gè)體依據(jù)適應(yīng)度值而選擇不同大小的自我學(xué)習(xí)因子；然后用改進(jìn)的蛙跳算法ＩＳＦＬＡ訓(xùn)練支持向量機(jī)（ｓｕｐｐｏｒｔｖｅ
2、ｃｔｏｒｓｍａｃｈｉｎｅｓ，ＳＶＭ），并將其用于人臉識(shí)別中。ＯＲＬ和ＣＡＳ－ＰＥＡＬ－Ｒ１人臉庫(kù)的實(shí)驗(yàn)仿真結(jié)果表明，與ＡＳＦＬＡ－ＳＶＭ、ＳＦＬＡ－ＳＶＭ和ＰＳＯ－ＳＶＭ方法相比，ＩＳＦＬＡ－ＳＶＭ方法的人臉識(shí)別時(shí)間短，識(shí)別率高，對(duì)臉部表情變化和飾物有良好的魯棒性，在訓(xùn)練樣本不足時(shí)，識(shí)別效果良好。關(guān)鍵詞：支持向量機(jī)；改進(jìn)蛙跳算法；人臉識(shí)別；自我學(xué)習(xí)因子；最優(yōu)解中圖分類號(hào)：ＴＰ３９１文獻(xiàn)標(biāo)識(shí)碼：ＡＤＯＩ編碼：１０．１４０１６／ｊ．ｃｎｋｉ．１００１－９２２７．２０１６．０３．２１０Abstract：Ｂｅｃａｕｓｅｏｆｔｈｅｐｒｏｂｌｅｍｓｏｆｓｈｕｆ
3、ｆｌｅｄｆｒｏｇｌｅａｐｉｎｇａｌｇｏｒｉｔｈｍ（ＳＦＬＡ）ｓｕｃｈａｓｌｏｃａｌｏｐｔｉｍａｌａｎｄｌｏｗｐｒｅｃｉｓｉｏｎｓｏｌｕｔｉｏｎ，ａｉｍｐｒｏｖｅｄｓｈｕｆｆｌｅｄｆｒｏｇｌｅａｐｉｎｇａｌｇｏｒｉｔｈｍｉｓｐｒｅｓｅｎｔｅｄ．Ｉｎｔｈｉｓａｌｇｏｒｉｔｈｍ，ｗｅｃｏｒｒｅｃｔｆｒｏｇｕｐｄａｔｅｓｔｒａｔｅｇｙｂｙｉｎｔｒｏｄｕｃｔｉｏｎｏｆｓｅｌｆｌｅａｒｎｉｎｇｆａｃｔｏｒ．Ｉｎｔｈｅｓｅａｒｃｈ，ｅａｃｈｏｆｆｒｏｇｉｎｄｉｖｉｄｕａｌｓａｃｃｏｒｄｉｎｇｔｏｔｈｅｆｉｔｎｅｓｓｗｉｌｌｃｈｏｏｓｅｄｉｆｆｅｒｅｎｔｓｅｌｆｌ
4、ｅａｒｎｉｎｇｆａｃｔｏｒ．ＡｆａｃｅｒｅｃｏｇｎｉｔｉｏｎａｌｇｏｒｉｔｈｍｕｓｉｎｇＩＳＦＬＡｔｏｔｒａｉｎＳＶＭｉｓｐｒｏｐｏｓｅｄ．ＴｈｅｓｉｍｕｌａｔｉｏｎｒｅｓｕｌｔｓｏｆｅｘｐｅｒｉｍｅｎｔｓｏｎｔｈｅＯＲＬａｎｄＣＡＳ－ＰＥＡＬ－Ｒ１ｆａｃｅｄａｔａｂａｓｅｓｈｏｗｔｈａｔｃｏｍｐａｒｅｄｗｉｔｈＡＳＦＬＡ－ＳＶＭ、ＳＦＬＡ－ＳＶＭａｎｄＰＳＯ－ＳＶＭ，ＩＳＦＬＡ－ＳＶＭｈａｓｓｈｏｒｔｅｒｒｅｃｏｇｎｉｔｉｏｎｔｉｍｅ，ｈｉｇｈｅｒｒｅｃｏｇｎｉｔｉｏｎｒａｔｅａｎｄｂｅｔｔｅｒｒｏ-ｂｕｓｔｎｅｓｓｔｏｆａｃｉａｌｅｘｐｒｅｓｓ
5、ｉｏｎａｎｄａｃｃｅｓｓｏｒｉｅｓｃｈａｎｇｅ．Ｉｎｔｈｅｌａｃｋｏｆｔｒａｉｎｉｎｇｓａｍｐｌｅｓ，ＩＳＦＬＡ－ＳＶＭｈａｓｇｏｏｄｒｅｃｏｇｎｉｔｉｏｎｅｆｆｅｃｔ．Keywords：Ｓｕｐｐｏｒｔｖｅｃｔｏｒｓｍａｃｈｉｎｅｓ（ＳＶＭ）；Ｉｍｐｒｏｖｅｄｓｈｕｆｆｌｅｄｆｒｏｇｌｅａｐｉｎｇａｌｇｏｒｉｔｈｍ（ＩＳＦＬＡ）；Ｆａｃｅｒｅｃｏｇｎｉｔｉｏｎ；Ｓｅｌｆｌｅａｒｎｉｎｇｆａｃｔｏｒ；Ｏｐｔｉｍａｌｓｏｌｕｔｉｏｎ算法對(duì)青蛙的更新策略進(jìn)行修改，引入自我學(xué)習(xí)因子，使得青０引言蛙個(gè)體依據(jù)適應(yīng)度值而選擇不同大小的自我學(xué)習(xí)因子。用改人臉識(shí)別是
6、生物識(shí)別領(lǐng)域最重要的一個(gè)研究方向，是目進(jìn)的蛙跳算法ＩＳＦＬＡ訓(xùn)練ＳＶＭ，并將其用于人臉識(shí)別中。［１－２］前最為活躍的研究領(lǐng)域。在人臉識(shí)別技術(shù)中，各種人臉ＯＲＬ和ＣＡＳ－ＰＥＡＬ－Ｒ１人臉庫(kù)的實(shí)驗(yàn)仿真結(jié)果表明，與其他特征選擇、特征提取方法和分類器的選擇是決定識(shí)別效果的三種方法相比，ＩＳＦＬＡ－ＳＶＭ的人臉識(shí)別效果良好。關(guān)鍵，常用的人臉識(shí)別分類器有最近鄰距離法，人工神經(jīng)網(wǎng)絡(luò)１支持向量機(jī)法和基于統(tǒng)計(jì)法的支持向量機(jī)技術(shù)ＳＶＭ。最近鄰距離分類器是最基本的分類法，被廣泛應(yīng)用于各領(lǐng)域，但在訓(xùn)練樣本較支持向量機(jī)ＳＶＭ是模式識(shí)別的主流分類器，對(duì)非線性、多時(shí)會(huì)產(chǎn)生很高
7、的錯(cuò)誤率。人工神經(jīng)網(wǎng)絡(luò)分類器可解決非線高維數(shù)的小樣本人臉識(shí)別問(wèn)題有很好的分類效果。在結(jié)構(gòu)風(fēng)性問(wèn)題，已被廣泛使用，但其依據(jù)風(fēng)險(xiǎn)最小化原則，易出現(xiàn)險(xiǎn)最小化的基礎(chǔ)上，先構(gòu)造最優(yōu)超平面，使分類誤差達(dá)到最“過(guò)學(xué)習(xí)”現(xiàn)象，導(dǎo)致泛化能力較差。２０世紀(jì)９０年代末出現(xiàn)小，再通過(guò)適當(dāng)?shù)暮撕瘮?shù)將輸入的非線性數(shù)據(jù)變換到一個(gè)高［６］了支持向量機(jī)，該技術(shù)基于結(jié)構(gòu)風(fēng)險(xiǎn)化原理，具有數(shù)學(xué)表達(dá)式維空間，最后在這個(gè)高維空間求取最優(yōu)分類面。簡(jiǎn)潔和泛化能力良好的優(yōu)點(diǎn)，在解決分類、非線性和高維模式d給定訓(xùn)練樣本（xi，yi）（i＝１，２，?，n），x∈R，yi∈｛＋１，－識(shí)別問(wèn)題中表現(xiàn)出良好
8、的特性。１｝，滿足一般ＳＶＭ訓(xùn)練方法是將問(wèn)題分解為許多子問(wèn)題，再對(duì)子yi［（wxi）＋b］－１≥０，i＝１，２，?，n（１
