文摘
为了解决高维度和低识别率的问题造成的复杂计算在人脸识别中,作者提出了一种基于加权DWT和DCT的人脸识别算法基于粒子群神经网络应用于新能源汽车。该算法先用小波变换分解面部图像,消除了对角组件的影响,加权低频和高频离散余弦变换系数作为特征向量提取,最后,粒子群优化BP神经网络用于分类和识别。实验结果表明,当小波加权 , ,和 ,识别率达到最高。无论低频组件继续增加或减少,和高频组件继续减少或增加,识别率会减少。特征向量维数约为60时,识别率差加权小波算法和一般的低频小波算法达到最大。该算法的识别率是远高于其他两个传统算法。结论。验证算法的有效性和可行性在ORL数据库。
1。介绍
人民生活水平一直在稳步提高快节奏的社会发展和人民生活水平的提高促使人们有越来越多的需求材料的功能。在当今社会,几乎每个家庭都有一辆车,这已经成为生活的必需品。在中国,人们的汽车概念已经从“可能的”追求技术、舒适和安全的汽车。面对巨大的对汽车的需求,许多汽车公司都增加了对这些方面的研究;其中,汽车防盗技术,满足科技需求的一个重要研究主题。无钥匙入住(PKE,被动的无钥匙进入)是一个主流汽车防盗技术的今天,但实际的关键不是完全删除,还有车辆盗窃的风险如果车钥匙丢失。在汽车工业的发展,电子控制系统在汽车的数量成倍增加,从而导致消费逐渐增加的电力负荷,这些电子设备。在当前的社会背景下,最大的应用挑战电子控制系统在汽车相同的电池供电的条件下,找到方法来平衡电力负荷消费和汽车电子的不断增加和功能。在所有的方法,降低功耗是最有效的方法,因此有必要减少功耗的电子控制系统尽可能在实际汽车应用。作为一个21世纪的热门研究领域,图像识别技术,它一直吸引了各行各业的注意,有巨大的潜在应用价值和自然灾害预测、军事目标检测、生物医学诊断、模式识别的研究与开发等。1]。作为一个类型的图像识别技术,人脸识别技术在日常生活中使用最广泛的;目前,解锁等技术通过面对收集和抓捕逃犯目标检测变得越来越成熟。正是因为人脸识别技术的广泛应用;因此,它得到了越来越多的“戏剧”在人们的日常生活,并与公众的联系越来越密切,如图1。
2。文献综述
勒等人提出了一个脸分割方法(主要是应用区域增长方法),它使用霍夫变换和边缘检测和模板匹配技术获取分段脸;面部器官的功能,如眉毛,眼睛,鼻子,迅速和有效地提取(2]。a . Kadum和j . Kadum提出了人脸检测方法定位灰度图像的面部特征(3]。谷纳温Halimawan使用自组织映射算法,大规模的脸和nonface图像压缩到一个小数量的图像进行人脸检测。学习这些照片,使用多层感知器分类的面孔和nonface部分(4]。为了检测额脸图像,眉毛,眼睛,鼻子,嘴巴被用作个子模板,使用线分割为基础建立模型。输入图像的线条比个子模板使用的最大梯度变化提取。检测的候选区域的脸是由使用subcontour模板和图像之间的相关性和比较其他候选人地区个子模板5]。郭等人使用多层感知器和智能搜索算法,以定位面(6]。这张脸定位方法需要使用延时直接感知形象和使用智能算法为理论依据敏捷搜索。太阳等人提出了为每个人选择了只有三个脸图片,和这三个脸图像的光照条件是不同的,并使用这个图像来计算矩阵;使用这种方法可以消除光照对图像的影响7]。
为了解决传统的人脸识别方法的缺点,作者提出了一种基于加权的粒子群神经网络算法DWT和DCT新能源车辆。加权小波变换和离散余弦变换用于特征提取,然后,粒子群优化BP神经网络用于分类和识别。实验表明,作者提出的方法不仅操作速度快,还具有较高的识别效率。
3所示。研究方法
3.1。加权小波变换
小波分析是一个重要的应用领域的图像处理,傅里叶分析类似,但比傅里叶分析。其实质是混合信号分解成不同频带的高和低通滤波器的家庭的不同尺度,多分辨率和多尺度分解的能力,被称为“数学显微镜。“一个二维图像进行小波变换,也可以分解获得4子图象的大小 原始图像的大小,如图2。LL子带是低频分量,HL和LH部分波段是水平和垂直组件,HH子是高频组件。其低频组件还可以再次进行二维小波变换,可以分解成四个频段组件,如图3——小波变换后图像。大部分的能源信息主要集中在低频部分,而高频部分包含少量的纹理和边缘信息(8]。
为了区分传统小波算法,提出了一种加权小波变换,每个频带分配不同的权重,然后加权融合。自从HH带含有更少的信息,更多的噪音,稳定性差,和不使用分类和识别,这是被丢弃的,也就是说,如下:
其中,是加权图像融合后, , ,和加权系数, 。
3.2。离散余弦变换
离散余弦变换的DCT快速傅里叶的开发。其变换内核是一个实数,其压缩性能仅次于K-L变换;它有独特的优点在图像压缩和计算速度。这是一个常用的正交变换的图像压缩方法(9,10]。
对于一个灰度图像 ,离散余弦变换定义为以下:
其中, 频域变换因子和吗 转换的结果,即DCT系数。和被定义为以下几点:
它的逆离散余弦变换(IDCT)如下:
它可以从方程(1)- (5),经过DCT变换,获得的系数矩阵等于原始图像的大小。时频域变换的因素和很大,DCT系数的值 是小;当和很小,DCT系数的值 是巨大的,它的大部分能量集中在低频部分。图像改变了DCT的能量主要集中在低频图像的左上角的一部分,其中包含图像的主要特征信息。因此,一个新的图像与原始图像只能重建通过保留低频信息的一部分;虽然两者之间有一定的误差,主要信息保留毕竟[11]。
3.3。粒子群优化的神经网络模型
3.3.1。粒子群优化算法
粒子群优化算法PSO(粒子群优化)使用实数来解决;没有交叉变异遗传算法,和更少的参数需要调整。这是一个迭代优化算法全局优化能力强和相对简单的计算。粒子群优化算法的数学描述如下:在一个 - - - - - -维搜索空间,一个人口 是由粒子。假设当前的迭代次数 ,的位置 - - - - - -th粒子 ,它的速度是 ,个体最优值 ,和全局最优值 。在哪里 , 是迭代的数量。
确定单个粒子的当前最优值和当前最优值的组通过评估粒子的适应度个体然后更新自己的速度和位置根据以下:
的公式,代表了惯性权重;c1和c2正在学习因素;和和(0,1)之间的随机数。和粒子的速度和位置吗在 - - - - - -th的维度 - - - - - -分别th迭代;是粒子的个体极值的位置吗在 - - - - - -th维度;是全球最优极值的位置的人口 - - - - - -th维度(12]。
此外,建议的价值应该减少线性迭代的数量的增加,计算公式的如下:
其中,和分别是最大和最小惯性权重,然后呢和是当前迭代数和最大迭代数,分别。
3.3.2。粒子群优化BP神经网络
BP神经网络是一种多层神经网络,采用正向传播和误差反向传播,具有良好的适应性和分类和识别能力。主要采用最陡下降算法,不断通过误差反向传播调整权重和阈值的平方和最小化网络中的错误,从而提高输入模式的准确性。它主要包括输入层、隐层和输出层;隐藏层可以是一层或多层。作者采用三层网络只有一个隐藏层进行分类和识别。
梯度下降算法的BP神经网络需要可微与可微的函数,并通过误差反向传播,这是容易出现问题,如培训时间长,收敛速度慢,容易陷入局部最小值。PSO算法可以更好的避免这些问题;因此,使用粒子群算法优化BP神经网络可以进一步提高网络的泛化能力和识别能力(13]。
粒子群优化BP神经网络的过程如下:(1)首先,BP神经网络的初始化参数,并确定其拓扑结构,包括确定输入层的节点数,隐层节点的数量,和在输出层节点的数目。初始化粒子群参数,包括粒子种群大小、尺寸、最大迭代次数、学习因子、惯性重量、最大速度、最大位置,和随机生成的粒子的初始速度和位置在容许范围内(14](2)计算粒子适应度之间的均方误差和实际输出值与期望输出值的神经网络作为健身 ,如以下所示
的公式,训练样本的数量,和是理想的输出值与实际输出值的吗网络的输出节点th样本,分别是输出层节点的数目。(3)为每个粒子个体,比较个人的健身极端值( )与当前个人的健康。如果当前健身是好的是取代,同样,全球极端值( )也更新相同的判断吗(4)根据公式(6)和(7)更新粒子的速度和位置在容许范围内生成下一代的粒子(5)迭代的数量增加1,步骤(2),直到满足最大迭代次数;算法结束和全局最优的解决方案获得,最优解映射到BP神经网络的初始权重和阈值(15,16]。
4所示。分析的结果
作者用标准ORL数据库提供的剑桥大学,英国。40个人的数据库包含400张图片,10图片, 每个像素,256灰度。这些照片拍摄在不同的时间,不同的面部表情,不同的照明表情,和不同的姿势变化。根据上述实验设计方案,作者采用i5处理器和4 GB的内存和2主要频率,与53个GHz计算机;32位操作系统作为硬件设备;和软件编译和MATLAB模拟R2009a环境,主要研究作者提出的算法的有效性和识别率的关系和训练样本集17]。
在实验中,这个公式 定义的隐层节点数的确定BP神经网络。其中, , ,和在输入层的节点数,隐藏层和输出层,分别;在这里,我们需要80。输出层节点的数目是由脸类别和数量与图片的数量。自从ORL脸库用于实验包含400个40个不同人的照片,输出层节点的数量是40。在实验中,首先,40人的样本图像ORL数据库分为训练样本集和测试样本集不重叠。然后,它受到加权小波变换,和融合图像进行离散余弦变换,然后,锯齿形扫描方法用于提取其主要组件作为神经网络的输入。然后,功能组件发送到粒子群优化的BP神经网络进行训练。最后,上述特征提取是进行测试样本,发送和提取的特征向量训练网络的分类和识别。
实验1是表所示1,这是执行的实验条件下算法提出了训练样本的数量和测试每种类型的数量是5,和功能维度是64。小波权重的分配,因为低频带包含了原始图像的大部分信息,分配一个更大的重量,而高频部分是指定一个较小的重量(一般来说,垂直和水平组件其余的重量平均分配)(18]。
从表可以看出1当小波加权 , ,和 ,识别率达到最高。无论低频组件继续增加或减少和高频组件继续减少或增加,识别率会减少。
实验2组仿真实验的参数;让小波的重量 , ,和 ,和功能维度是64。如表所示2,当训练样本和测试样本的数量为每个类型的脸是5,识别率和时间两个传统算法和作者提出的算法进行了比较。
从表可以看出2,当实验条件完全相同,当训练样本的数量和测试样品的数量都是200年,作者提出的算法的识别率要高于其他两个传统算法,使用的时间也远远低于其他两个传统算法。这主要是因为作者提出的算法采用粒子群算法优化BP神经网络的初始权值和阈值,从而避免了神经网络陷入局部最小值、收敛速度加快;一方面,培训时间保存,另一方面,提高了识别率。
实验3组实验仿真参数;以权重加权小波为 , ,和 ,训练样本的数量为每个类型的脸是6,和测试样品的数量是4。如图4,它主要研究当每种类型的脸的维度是不同的,该算法的识别率准确性和两种传统算法相比19,20.]。
从图可以看出4的增加,每种类型的人脸特征向量的维度,加权小波算法的识别率是略高于一般的低频小波算法。这主要是因为加权小波算法增加了高频成分,但其主要信息仍存储在低频部分和高频部分占一小部分,所以区别不是太大;特征向量维数约为60时,识别率差加权小波算法和一般的低频小波算法达到最大。作者提出的算法的识别率远高于其他两个传统算法;这主要是因为作者提出的算法与粒子群算法,进一步优化神经网络的初始权值和阈值;作者的验证算法的有效性。此外,它还可以看到识别率的提高先增加然后减少之间的特征维度和达到最大60到70年,这证明了特征向量的维数不是越多越好,这并不是说越少越好。太多的特征向量增加信息的冗余,增加噪音信息的影响,这是不利于分类和识别。然而,太少的特征向量不能代表面部特征,也为分类和识别造成一定的困难。因此,只有通过适当的特征向量的面部特征可以更好的代表,哪个更有利于分类和识别。
5。结论
作者提出了一种新的人脸识别算法,它使用加权小波变换和离散余弦变换的特征降维特征提取,并使用粒子群优化BP神经网络进行分类和识别。为了验证提出的算法的有效性,实验在ORL数据库,和作者提出的算法与传统的神经网络算法。实验表明,该算法不仅是快速操作,但也比传统算法具有更高的识别率;它是一种有效的人脸识别方法。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。