结合MMC与BPSO优化的人脸特征提取

为了提高最大间距准则法表征人脸特征空间的能力,提出了一种融合最大间距准则和二进制粒子群优化算法的人脸识别方法。利用离散二进制粒子群算法对最大间距准则变换后的特征向量进行选择优化,获得有利于分类的最优特征子空间。在ORL和Yale标准人脸库上的实验结果表明,该方法不但降低了特征空间的维数,而且更好的发挥了最大间距准则算法的优点,提高了人脸识别的速度和精度。     

粒子群优化算法研究进展

粒子群优化(PSO)算法是一种源于人工生命和演化计算理论的新兴优化技术.其基本思想为:每个粒子被随机的初始化以表示一个可能的解,并在解空间通过更新迭代搜索最优解.PSO的优势在于算法简单,对目标函数要求少,易于实现而又功能强大.目前,已受到演化计算领域的学者们的广泛关注,并提出了许多改进的算法.本文阐述基本粒子群的原理,给出了各种改进的算法,并展望了PSO的发展方向.     

浅谈粒子群优化算法

粒子群优化（PSO）算法是一类随机全局优化技术,其思想来源于人工生命和演化计算理论。PSO算法通过粒子间的相互作用发现复杂搜索空间中的最优区域。PSO的优势在于简单容易实现而又功能强大。PSO已成为国际演化计算界研究的热点。该文介绍了基本的PSO算法及其应用,并讨论将来可能的研究内容。     

新的粒子群优化算法

粒子群优化(PSO:Partic le Swarm Optim ization)算法是一种有效的全局优化技术。对于PSO算法,很容易陷入局部极值。针对上述缺点,提出了两点改进:对基本PSO算法的速度更新公式中的全局极值给出新的定义,以使粒子群体保持多样性;适当地缩放适应值,与随机规则共同决定某个粒子作为速度公式中的全局极值。改进的两点用于PSO算法后期,形成新的PSO算法(NPSO:New PSO)。NPSO能有效地改善算法,具有摆脱局部极值的能力。在给定的条件下,选用3个函数进行了测试。实验结果显示,在获得平均适应值方面,该算法比PSO算法提高1.62%~16.5%,明显优于基本的PSO算法。     

粒子群优化算法综述

粒子群优化(PSO)算法是一种基于群智能方法的演化计算技术,通过粒子间的相互作用发现复杂搜索空间中的最优区域,优势在于简单容易实现而且功能强大.由于它简单易操作的特点,PSO—提出,立刻引起演化计算等领域学者们的广泛关注,并在函数优化、神经网络训练、工业系统优化和模糊系统控制等领域得到了广泛的应用.介绍了基本的PSO算法、若干类改进的PSO算法及其应用.     

多粒子群协同优化算法

提出一种多粒子群协同优化(PSCO)方法．PSCO是2层结构：底层用多个粒子群相互独立地搜索解空间以扩大搜索范围;上层用1个粒子群追逐当前全局最优解以加快算法收敛．这些粒子群含的粒子数以及粒子状态更新策略不要求相同．为改善粒子群容易陷入局部极小的弱点,提出扰动策略,当1个粒子群的当前全局最优解未更新时间大于扰动因子时,重置粒子的速度,迫使粒子群摆脱局部极小．用Rosenbrock函数等3种基准函数做优化实验表明,PSCO性能优于经典PSO,FPSO和HPSO等算法．     

三群协同粒子群优化算法

针对基本粒子群优化算法易陷入局部极值点、搜索精度低等缺点,提出了一种三群协同粒子群优化算法(TSC-PSO)。搜索时,如果全局极值连续若干代没有改善,粒子未找到全局最优点,就任选某个优群,将其群内粒子和差群粒子交换。仿真结果显示,对一些经典多峰值函数、非凸病态函数,TSC-PSO增强了全局搜索能力,具有比基本PSO更好的优化性能。     

粒子群优化算法

论述粒子群优化算法(PSO)的基本原理、特点、实现步骤,以及PSO的各种改进技术,包括基于PSO参数的改进技术(主要是惯性权重)、基于遗传算法进化机理的改进技术(受遗传算法启发提出的带交叉算子的PSO、带变异算子的PSO、带选择算子的PSO),以及其他算法融合的改进技术(模拟退火PSO、免疫PSO、混沌PSO),并总结PSO热点研究问题.     

改进的粒子群优化算法

提出了两种改进的粒子群优化算法--引入了"预筛选"机制的PSPS0和线性改变最大速度vmax的LCVPSO,仿真实验表明,PSPSO和LCVPSO比标准PSO算法具有更好的性能.     

粒子群优化算法的研究

粒子群优化算法算法原理简单，所需参数较少，易于实现，目前已经应用到很多领域。文章阐述了基本PSO的原理，给出了各种改进技术．并展望了PSO的发展方向。     

基于小波变换和2DPCA的人脸识别

主成分分析(principal component analysis:PCA)已成功用于人脸识别,但基于主成分分析的人脸识别方法需要将图像数据向量化,而向量化后的图像样本维数非常大,计算代价非常高.二维主成分分析(2 di mension principal component analysis:2DPCA)直接处理图像数据,不需要向量化的过程,2DPCA降低了计算复杂度,但是2DPCA与PCA相比,需要存储更多的系数,即要占用更多的存储空间.本文提出了一种基于小波变换和2DPCA的人脸识别方法,可以克服上述缺点,实验结果证明了该方法的有效性.     

基于加权主元分析(WPCA)的人脸识别

将特征加权和主元分析相结合,提出了一种新的加权主元分析方法;这种方法先根据加权重建误差最小化,计算出各类训练样本的加权子空间,然后计算测试样本点到各加权子空间的距离,并根据该距离进行分类识别.最后,通过对剑桥ORL数据库进行的试验证明,该方法与传统的主元分析相比可以在不增加运算量的情况下大大提高识别率.     

基于小波树和二维主元分析的人脸识别

为提高人脸识别率,结合小波树和子空间分析中的二维主元分析,提出基于小波树和二维主元分析的人脸识别算法(WTMPCA).该算法先利用小波变换公式,在人脸图像上计算出一个小波近似分量和三个细节分量;分层次重组小波近似分量,得到新样本集;最后在此样本集上使用二维主元分析进行人脸识别.ORL和CAS-PEAL-R1人脸库的实验结果表明,与基于图像矩阵的二维主元分析(2D-PCA)相比较,WTMPCA方法的人脸识别率为96%,对光照条件、脸部表情变化有良好的鲁棒性.     

仿生算法与主成分分析相融合的人脸识别方法

基于人脸特征提取问题可以转化为组合优化问题这一思路,提出了仿生算法与主成分分析相融合的人脸识别算法.该方法先通过主成分分析方法得到人脸特征子空间;然后在已有特征的基础上,分别通过遗传算法与离散粒子群算法进一步提取出可使识别正确率达到最高的人脸图像特征.在ORL人脸库上的实验结果表明:与传统的主成分分析相比,该方法不仅能进一步降低特征子空间的维数,从而提高识别速度,而且能获得更高的识别率.     

基于MMP-2DPCA 的人脸识别方法

提出了一种基于二维小波分解和融合多特征的2DPCA(简称MMP-2DPCA)人脸识别方法.该方法对于人脸表情变化不敏感,能够很好地压缩和表征原始人脸图像;融合图像既能反映人脸的全局特征,又能反映人脸的局部特征,具有更强的表达能力和判别能力.在ORL人脸库上的实验表明:MMP-2DPCA方法具有有效性.     

基于测地线采样的三维表情人脸识别

针对测地线类人脸识别算法速度慢的问题, 提出了一种基于测地线环带特征点采样的三维人脸识别方法。首先根据测地线距离以鼻尖点为中心在人脸表面绘制一系列等距测地线环; 再对测地线环带进行特征点采样构成人脸描述特征, 并进行PCA(Principal Component Analysis)运算和去相关处理; 最终使用投票法融合各环带单独结果以识别人脸。在FaceWareHouse 表情三维人脸数据集上进行的识别实验表明, 该方法识别准确率与传统测地线法相当, 而识别时间有明显减少, 平均识别时间由2. 55 s 降至0. 624 3 s。     

基于特征融合的人脸识别

针对单一的人脸特征在识别中的局限性,提出了一种基于特征融合的人脸识别方法,首先利用主成分分析获得原始输入图像的特征脸,经图像重构处理得到原始图像的余像,然后抽取余像的特征脸,最后将两种特征脸按一定的权重融合成一个组合特征进行人脸识别,通过针对ORL人脸数据库的实验表明:该特征融合方法的人脸识别是行之有效的,优于传统特征脸的方法,识别率可以达到91.5%.     

基于局部特征分析与最优化匹配的人脸识别算法

在分析传统弹性图匹配的基础上, 提出一种基于局部特 征分析(LFA)与最优化匹配的人脸识别算法. 该算法首先利用神经网络方法估计出在识别人脸中起重要作用的一些特征点(如瞳孔、 眼角、 眉心、 眉角、 嘴角等), 之后利用Gabor小波的局部多尺度分析特性提取特征点的多尺度特征. 这样人脸的每个特征点就被一系列的 Gabor小波系数所表示, 最后对待识人脸与人脸库中人脸的相应特征点的多尺度特征进行最优化匹配找出需要的人脸. 对最优化匹配方法给出了严格的数学证明, 同时也给出了Yale大学和ORL人脸库上的测试结果. 理论和实验证明, 该方法远优于传统的EigenFace方法, 同时能有效地克服光照变化对人脸识别的影响, 在一定程度上对表情的变化也有较好的鲁棒性 .     

基于粒子群优化的独立分量分析算法研究

在分析独立分量分析算法的基础上,给出了一种基于粒子群优化的独立分量分析算法。该算法以互信息量最小化为目标函数,通过对粒子群位置矢量和速度矢量更新的改进,得到全局最优值,从而得到分离矩阵。仿真实验表明,基于粒子群优化的独立分量分析算法是一种非常有效的盲源分离算法。     

基于小波变换和改进PCA的人脸特征提取算法

针对在人脸图像高维数据降维时单纯使用主成分分析(PCA)算法的提取精度和速度受限问题,  提出一种基于小波变换和改进PCA的混合特征提取算法. 该方法首先对人脸图像进行小波分解, 选取低频分量对人脸图像进行特征提取;然后利用改进的PCA算法进行主成分提取, 获得代表人脸特征的特征向量; 最后将该算法应用于Olivetti Faces人脸库数据集的图像分类. 实验结果表明, 经过该混合算法处理后的图像特征数据, 由卷积神经网络(CNN)算法分类识别时准确率提升10%, 识别速度提高约37%.