文摘
面部识别系统是一个应用程序的工具,使用人工智能技术和生物识别技术来分析和识别人脸的面部特征信息。广泛应用于各个领域,如考勤和访问控制管理在学校和公司,身份监视站和商店,对逃亡的罪犯,面部识别和面部在移动支付终端。然而,由于面部识别系统的发展时间短,面部识别系统识别精度较低的问题,当识别对象并不合作。虽然有些学者提出感兴趣的区域(ROI) - k最近邻算法(资讯)卷积神经网络理论通过使用投资回报率和资讯,并将结果应用到人脸识别,人脸识别系统基于ROI-KNN卷积神经网络没有解决面部识别精度不足的问题,不够安全。照明不足的条件下,过度的表情变化,闭塞,高相似度不同的个人,和动态识别,人脸识别系统的识别效果基于ROI-KNN卷积神经网络相对有限。因此,为了使面部识别系统的识别精度更高,使面部识别系统在社会和经济领域发挥更大的作用,本文利用自适应量子遗传算法,改进的标记线图遗传算法,遗传算法和特征权重值的面部识别系统研究ROI-KNN卷积神经网络。研究结果显示改进后ROI-KNN卷积神经网络遗传算法的基础上,面部识别系统的识别精度提高了4.99%,识别速度增加7.46%,识别安全增加了2.66%。
1。介绍
随着人工智能技术和生物技术的发展,人脸识别系统在社会和经济领域的广泛应用。作为一个新兴事物,面部识别系统尚未开发了很长一段时间。尽管一些学者已经建立了一个基于区域的面部识别系统interest-K最近邻算法(ROI-KNN)卷积神经网络,面部识别的准确性和安全问题仍未解决。因此,本文使用遗传算法改善ROI-KNN卷积神经网络的人脸识别系统具有实用价值和是必要的。
人工智能技术的快速发展为面部识别系统提供了一个良好的发展环境,许多学者进行了研究人脸识别系统。Majumder等人提出了一种新颖的自动面部表情识别系统使用深度网络框架,使面部识别网络计算效率更高和更准确的在性能方面1]。Siddiqi训练人脸识别表达式通过隐马尔可夫模型和新的特征提取方法用于改善认知面部识别系统的准确性。利用研究结果提出一种实时被面部表情识别面部识别系统(带)系统(2]。Banerjee等人提出了一个乌鸦搜索算法基于布朗运动自适应神经模糊推理系统和提出了人脸识别四个步骤详细使用面部识别系统(3]。Saxena等人研究和分析了集成网络和情感识别的人脸识别系统,并建立了一个面部识别和情感价模型分类(4]。Karthick等人认为,传统的手工考勤不仅需要时间和精力,也有低效率和高错误率,和建立一个人脸识别考勤系统通过对人脸识别的研究5]。他认为玻璃的影响人脸识别的过程中研究人脸识别系统和相信进一步测试和分析应收集从玻璃表面上进行图像6]。程等人提出使用两层卷积神经网络学习稀疏表示人脸识别的高级特性,建立了稀疏表示分类器的人脸识别系统(7]。虽然学者们做了大量研究面部识别系统,研究基于ROI-KNN面部识别系统卷积神经网络是相对较小的。因此,本文研究了基于ROI-KNN面部识别系统卷积神经网络。
ROI-KNN卷积神经网络结合该地区感兴趣的资讯。深度学习的代表算法之一,它往往是在各领域的应用研究。剑等人研究了指纹的识别和分类,提出了一种新的指纹分类算法使用ROI-KNN卷积神经网络,提高了指纹识别的精度和速度(8]。殷等人认为简短文本分类算法数据稀疏的问题,并基于ROI-KNN卷积神经网络,神经网络语言模型提出了简短的文本(9]。金等人利用卷积神经网络研究无监督学习的特点,得出的结论是,非监督学习有优势监督学习(10]。Iglovikov等人一个卷积神经网络应用于多光谱数据处理和卫星图像的特点提出了一种检测方法11]。元等人提出了一个二束平行互动卷积神经网络通过卷积神经网络的应用研究,已发挥了重要作用的疾病识别作物叶子(12]。盛和赵使用卷积神经网络和资讯算法研究和分析手写识别,建立了数字识别模型,进一步提高手写识别的准确性(13]。沈了比较评价领域的应用程序的面部情绪分类使用ROI-KNN卷积神经网络,提出了一种新的深学习面部表情分类培训改善计划(14]。尽管上述学者进行研究卷积神经网络和ROI-KNN卷积神经网络,随着科学技术的发展,人脸识别设备更复杂的功能和提高识别精度要求也出现,和专门性ROI-KNN卷积神经网络面临的共同挑战是面部识别设备和识别环境。因此,本文研究了改善ROI-KNN卷积神经网络基于遗传算法,使面部识别系统基于ROI-KNN卷积神经网络更有效率。
使ROI-KNN卷积神经网络在人脸识别领域的进一步发挥其优势,提高识别的准确性和识别速度的面部识别系统,改进的人脸识别系统基于ROI-KNN卷积神经网络研究了利用自适应量子遗传算法,遗传算法改进的标记线,遗传算法和特征权重值。
2。评估改善ROI-KNN回旋的基于遗传算法的神经网络
2.1。基本卷积模块下ROI-KNN卷积神经网络结构
与基本卷积块ROI-KNN卷积神经网络的基本卷积块ROI-KNN卷积神经网络改进的遗传算法的基础上,这是更复杂的结构,如图1。
我们可以看到在图1遗传算法的改进后,有4个平行线在卷积的基本块ROI-KNN卷积神经网络结构。当获取信息在不同的空间,减少计算的数据模型,将首先执行两个中间行 卷积的输入。适当的填充是用于所有4线的高度和宽度的输入和输出一致,这也使得卷积的基本块的结构和线条更加合理。
2.2。ROI-KNN卷积神经网络的体系结构
ROI-KNN卷积神经网络广泛应用于图像识别领域(15]。本文在研究ROI-KNN卷积神经网络使用遗传算法,ROI-KNN卷积神经网络的体系结构,以及具体内容如图2。
我们可以看到在图2的架构ROI-KNN卷积神经网络建立了本文基于遗传算法分为四个部分:输入层、卷积层、汇聚层、连接层。在ROI-KNN卷积神经网络输入层通常代表一个图像像素矩阵。从输入层,ROI-KNN卷积神经网络可以转换3 d图像矩阵的上一层通过不同的网络结构下一层。卷积层是最关键的卷积神经网络的一部分。在ROI-KNN卷积神经网络汇聚层的操作类似于高像素的图像转换为low-pixel形象。目的是为了减少节点的数量在连接层和复杂的神经网络参数。经过几轮卷积层和汇聚层的处理,图像信息将被转换成适合卷积神经网络的特征信息,然后连接层可以用来完成分类任务。
2.3。应用ROI-KNN卷积神经网络的人脸识别系统
人工智能技术和生物技术的快速发展使得人脸识别系统广泛应用于人们的生产和生活,例如人脸识别考勤访问控制系统、身份识别监控系统在购物中心和车站,等。16]。在图所示的内容3。
我们可以看到在图3,改善ROI-KNN卷积神经网络人脸识别系统可以应用于考勤和身份识别。服务器、交换机和通信网络确保面部识别集成机的正常运行。面部识别集成机是用于人脸识别的采集子系统,负责捕捉面部特征的信息。面部识别集成机完成后图像采集和脸定位,子系统负责图像信息的传输和后端分析。改善面部识别系统通常采用数据压缩技术在信息传输节省存储空间,提高传输效率。后端分析是分析信息的特征脸和比较它与数据库的面部特征来判断某人的面部特征信息匹配的面部特征信息记录在数据库中。
3所示。利用算法的改进ROI-KNN卷积神经网络
3.1。自适应量子遗传算法
遗传算法是一种算法,它利用计算机技术和数学思维来模拟自然进化过程和在其他领域问题的解决过程转换成染色体交叉和变异的过程在生物领域(17]。基于遗传算法,提出了一种自适应量子遗传算法有更好的效果改善ROI-KNN卷积神经网络。
假设初始染色体 ,有:
其中,代表真正的价值和编码代表量子位相角。
概率振幅计算公式是:
单个元素的计算公式:
其中,是c的元素 , 和角度的变化,旋转角度。
最优个体代表单个元素的容许范围,有:
单个元素叫做方式1的计算方法,和表达的容许范围的单个元素的最优个体叫做方法2。他们的使用频率比的公式是: 在哪里和的使用频率比方法1和方法2,分别年代当前的进化代数,年代是总进化代数为每个计算周期。
3.2。遗传算法改进的标记线图
标签线图是一个方法的遗传算法,遗传算法适用于线图标记和使用领域的基因和染色体代表线图研究[18]。本文采用自适应参数调整的方法,遗传算法的标记线图进行了研究,以便提高标记线图遗传算法能更好地发挥效应的过程中提高ROI-KNN卷积神经网络。
全球线图的概率是:
节点概率表达式来自贝叶斯模型是:
其中,代表当前标记的节点之间的距离和相应的节点元素h。
假设p是标签的错误概率过程,公式(8)可以写成:
线图标记的最小值函数公式得到公式(9)是:
染色体的适应度函数是:
其中,w是一个尺度参数引入相关算法的迭代的数量。
尺度参数的表达式是:
其中,染色体的值函数的最大值,年代的最大迭代数,问是当前的迭代次数。
假设当前计算染色体的适应性 ,个人m被选中的概率是:
个别m的累积概率选择是:
其中,在 ,一个值v在0和1之间被选中。当 ,的米个体被选中。重复上面的操作次,直到染色体被选中。
3.3。遗传算法对特征权重值
特征权重值遗传算法是一种方法,使用遗传算法来提取和优化图像特征来获得最优解的特征权重值(19]。本文特征权重值的改进遗传算法应用于ROI-KNN卷积神经网络来提高图像分类和人脸识别的效果。
图像颜色和纹理特征提取和组合得到最终的向量:
其中,J形象的例子,我是目标图像,k特征的数量,是重量。
最优权值的图像分类和人脸识别:
其中,K是图片的数量,和精度和精度。
卷积神经网络优化的遗传算法特征权重值,和重量更新公式是:
其中,V卷积神经网络优化的重量,c偏差值,重量参数,年代代表了当前层卷积神经网络。
4所示。实验设计的面部识别系统评估
摘要50实验人员在一定区域选择根据年龄和性别等因素,他们分成两组条件下的年龄和性别两组没有显著差异。在每组有25人,每组包含5双面部相似度高的人。一组使用改进的ROI-KNN卷积神经网络基于遗传算法的人脸识别系统进行了测试,名为实验组,称之为面部识别系统改进ROI-KNN面部识别系统。另一组测试人脸识别系统基于ROI-KNN卷积神经网络,称为控制组,称之为面部识别系统作为ROI-KNN面部识别系统。面部识别系统被用来进行100人脸识别测试每个人在不同的环境中,数据存储和组织进行实验分析。
5。面部识别系统的实验结果和评价
5.1。面部识别精度
5.1.1。人脸识别在光线暗的环境
照明变化是影响人脸识别的一个关键因素。面部三维结构特征。光线和阴影的强度将明显影响原来的面部特征。光线不足将导致减少识别人脸识别系统的准确性,这将减少面部识别系统的实用性。特定人脸识别数据的环境光线不足图所示4。
图中可以看到4的整体识别准确性实验组比对照组,表明面部识别系统的识别精度显著提高使用遗传算法来改进后ROI-KNN卷积神经网络。从数据的第三到第七实验者,ROI-KNN面部识别系统的识别精度超过了改进ROI-KNN面部识别系统。这可能是由于样本个体的专业化或个人排列和组合的方式,影响实验数据,但是它并不影响实验结果的科学性和合理性。从个人的角度来看,提高ROI-KNN面部识别系统有最大的面部识别准确率98%在光线暗的环境中,而ROI-KNN面部识别系统最多90%,8%的差异。这表明改进ROI-KNN面部识别系统仍然可以在光线暗的环境中发挥更好的作用,具有良好的识别和适应性。与对照组相比,实验组的平均识别准确率提高了5.71%,表明改进的ROI-KNN面部识别系统可以照明不足的环境中扮演更多的角色,更有实用价值。
5.1.2中。人脸识别在不同表达的变化
除了考虑照明条件下,面部识别系统还需要考虑面部表情变化对人脸识别的影响。愤怒的情绪,如哭,笑,将极大地改变面部特征,大大影响了面部识别系统的判断。具体的研究内容如图5。
我们可以看到在图5,在本文的实验中,三个表情变化的哭,笑,面部识别和愤怒产生最大的影响,哭,笑,至少和情感影响面部识别是愤怒。大大哭变化引起的情感,所以无论是ROI-KNN面部识别系统或改进ROI-KNN面部识别系统,面部识别精度下哭的表达很低。然而,与ROI-KNN面部识别系统相比,改进的ROI-KNN面部识别系统的识别精度高4%在哭的情绪,和改善ROI-KNN面部识别系统仍然是有效的。的平均识别精度提高ROI-KNN面部识别系统的三个表达式下哭,笑,和愤怒是76.67%,而ROI-KNN面部识别系统是71.67%。与ROI-KNN面部识别系统相比,平均识别精度提高ROI-KNN面部识别系统增加了5%。对于不同的表达变化,改进ROI-KNN面部识别系统更有优势。
5.1.3。面部识别被遮挡
在现实生活中,人脸识别系统识别的对象并不是所有完整的面部特征。例如,人们会戴着太阳的帽子防晒和面具对公共卫生的原因。太阳帽子和口罩会影响面部识别系统的识别精度。特定的面部识别数据处于闭塞状态如图6。
我们可以看到在图6没有很多实验,识别准确率达80%。看来,面具和太阳帽子有一个伟大的对人脸识别的影响。在实验组中,有7人的识别准确率为80%,而对照组只有一个人。这表明改进ROI-KNN面部识别系统仍然可以保持一个相对良好的识别精度下的阻塞状态。改进的ROI-KNN面部识别系统的识别精度不高,只有63%的开始。然而,随着测试,识别精度数据在上升处于波动状态,表明改进的ROI-KNN面部识别系统有很强的学习能力,和更多的识别,识别图像和人脸的能力越强。实验组的平均识别精度为75.16%,与对照组是72.64%,增长了2.52%,表明改进的ROI-KNN面部识别系统更有优势处于阻塞状态。
5.1.4。面部识别条件下高度的脸相似
总的来说,因为脸的结构和形状结构非常相似,不同个体之间的差异不是很大。从个人的角度来看,由于遗传和环境因素,会有两个非常相似的个人在一个特定的区域,更不用说同卵双胞胎的面部相似度。具体研究内容高度的脸相似条件下表所示1和图7。
从表可以看出1和图7的相似,虽然每一对两组实验者是接近,两组的实验结果也不同。从整体数据,识别精度的实验组逐渐增加,和识别精度从69%上升到81%。可以看出,改进的ROI-KNN面部识别系统识别环境有很强的适应性。对照组的实验数据是高和低,和ROI-KNN面部识别系统不稳定识别两个相似的人。实验组的平均识别精度为76.8%,对照组为71%。实验组的平均识别精度高于对照组5.8%。
是5.1.5。动态识别条件下的人脸识别
在面部识别的实际应用系统中,人脸识别并不总是在一个静态环境中,进行面部识别等地铁,超市,人脸检测在车站检查点。面部识别动态识别条件下会导致面部图像模糊或不准确的镜头的焦点,这将影响到面部识别系统的识别精度。具体数据内容如图8。
我们可以看到在图8面部识别精度数据实验组和对照组的一般都不是很高。在动态环境中,由于相机质量、网络传输容量,系统的计算能力,以及其他问题,再加上收集面部的低分辨率图像,人脸识别的准确性低于在静态环境。从个人的识别精度高,有5个实验者的实验组,其识别精度达到80%,而对照组没有达到80%。可以看出,动态条件下的识别,改善ROI-KNN面部识别系统更有发展潜力。从平均识别准确率,实验组的平均识别准确率为69.72%,与对照组的平均识别准确率是63.8%。改进ROI-KNN面部识别系统能提高5.92%的动态识别与ROI-KNN面部识别系统。
5.2。面部识别速度
除了识别准确性,面部识别的速度也是一个重要因素影响人脸识别的效果。摘要平均识别速度计算的基础上,识别速度的两组人在5个不同的认知环境。具体内容如图9。
我们可以看到在图9,无论实验组或对照组,面部识别的速度已经达到了1秒内,和用肉眼观察和记录的方法不再能满足实验的需要。因此,本文装载一个自动人脸识别系统中的定时程序帮助实验顺利。总的来说,虽然实验组更高的识别时间数据在第一个几次,随着测试的进行,总体识别时间花在整个发展中在一个下降的趋势。对实验组的平均人脸识别时间是0.645秒,和对照组0.697秒,0.052秒的差距。这相当于平均人脸识别速度7.46%的实验组与对照组相比。
5.3。面部识别安全
除了识别的准确性和识别速度、面部识别系统还需要考虑识别安全问题。本文研究了人脸识别系统的安全性通过模拟一个真正的面对二维照片,模拟一脸与3 d模型结构,并测试网络形象嫁接的认可。具体内容如图10。
我们可以看到在图10在二维图像的安全测试,ROI-KNN面部识别系统和改进ROI-KNN面部识别系统表现相对较好。随着人工智能技术的发展和生物识别技术,研究人员在研究已经成熟的信息化特征人脸结构,和传统的二维图像很难欺骗新面孔识别系统。然而,安全指数ROI-KNN面部识别系统不是100%,表明改进的ROI-KNN面部识别系统识别过程中更加稳定和安全。实验组的平均安全指数为98.33%,而对照组的平均安全指数是95.67%。与对照组相比,实验组的平均安全指数增长了2.66%,表明改进的ROI-KNN面部识别系统有更明显的作用在解决面部识别的安全问题,具有广泛的发展前景。
6。结论
虽然面部识别系统广泛应用于社会和经济领域,起步较晚的面部识别系统。照明不足的条件下,过度的表情变化,闭塞,高相似度不同的个体,和动态识别,人脸识别系统的识别效果无法达到理想的期望。摘要ROI-KNN卷积神经网络的人脸识别系统通过使用自适应量子遗传算法,研究了改进的标记线图遗传算法,遗传算法和特征权重值。实验研究证明,改进的识别效果ROI-KNN卷积神经网络基于遗传算法的人脸识别系统已经大大改善了。
数据可用性
的数据支持本研究的发现可以从相应的作者在合理的请求。
的利益冲突
作者宣称没有利益冲突。
确认
这项工作受到了教育和西安Fanyi大学教学改革研究项目,西安(批准号J21B02);“计算机基础课程教学团队”西安FanYi大学,西安(批准号T1901);13日五年教育规划项目,西安(批准号SGH20Y1497)。