克隆选择算法和基于免疫方法在工程应用中

N.Priya
计算机科学系助理教授,Bharath大学印度钦奈

文摘

该项目名为“先进的比较分析人脸识别技术”,这是基于模糊c聚类和关联的子神经网络。表面处理是一个复杂的多维视觉模型和建立一个计算模型,用于人脸识别是很困难的。在这篇文章中,它代表了人脸识别方法基础上类似的神经网络。神经网络(NNs)已经广泛应用于各个领域。然而,计算效率降低如果神经网络的规模迅速增加。在本文中,一种新的人脸识别方法提出了基于模糊聚类和并行发自。面对模式分为几个小规模的基于模糊聚类的神经网络,结合得到识别结果。面部特征向量是PCA和LDA方法相比。特别是,该方法实现了98.75%的识别精度为240模式20个注册者和废品率99.58% 240年的20 nonregistrants模式。实验结果表明,新的人脸识别方法的性能优于基于LDA的人脸识别系统。

介绍

该项目名为“先进的人脸识别技术的比较分析”,这是基于模糊c聚类和关联的子神经网络。它处理人脸识别中扮演一个重要的角色在许多应用程序中,如建筑/存储访问控制、怀疑识别和监控。在过去的30年里,许多不同的认脸技术已经提出,出于实际应用程序数量的增加要求人脸的识别。有几个问题,使自动人脸识别非常困难的任务。面对一个人的形象输入人脸识别系统通常是在不同条件下获得的脸的图像数据库中的同一个人。

因此,重要的是,自动人脸识别系统能够应对大量变化的图像相同的脸。图像变化主要是由于更改以下参数:姿态、光照、表情、年龄、伪装、面部的头发,眼镜,和背景。许多模式识别系统中,常用的统计方法。尽管这种模式已成功应用于各种模式分类问题,很难表达结构信息,除非一个适当的选择特性是可能的。此外,这种方法需要大量的启发式信息,设计一个分类器。神经网络(NN)的模式,实现各种分类器基于统计的新方法和结构为分类方法已经被证明具有很多优势,因为他们的学习能力和良好的泛化。一般来说,多层网络(mln),通常加上反向传播(BP)算法,最广泛用于人脸识别。在本文中,我们提出一种基于模糊聚类的人脸识别新方法和并行NNs。一个缺点的BP算法,神经网络的规模增加,计算效率迅速降低由于种种原因,如出现局部最小值。因此,我们提出一个方法的个人在训练集划分为若干个小规模NNs平行,并结合得到识别结果。 The HCM is the most well-known conventional (hard) clustering method. The HCM algorithm executes a sharp classification, in which each object is either assigned to a cluster or not. Because the HCM restricts each point of a data set to exactly one cluster and the individuals belonging to each cluster are not overlapped, some similar individuals cannot be assigned to the same cluster, and, hence, they are not learned or recognized in the same NN. In this paper, fuzzy c-means (FCM) is used. In contrast to HCM, the application of fuzzy sets in a Classification function causes the class membership to become a relative one and an object can belong to several clusters at the same time but to different degrees. FCM produces the idea of uncertainty of belonging described by a membership function, and it enables an individual to belong to several networks. Then, all similar patterns can be thoroughly learned and recognized in one NN.

预处理

答:照明补偿

我们调整后的位置改变的灯照明条件。总能量的图像强度值的平方的总和。所有表面图像的平均能量计算数据库中。然后,每个面图像归一化能量等于平均能量

能源=Σ(强度)2

b .脸部区域的提取

的方法检测和灰度图像中提取面部特征分为两个阶段。首先,可能人眼区域检测到测试所有的山谷地区的形象。选择一双眼睛候选人通过遗传算法形成一个可能的候选人。在我们的方法中,一个正方形块用于表示检测到人脸区域。图1显示了一个示例的选择面临地区基于一对眼睛的位置。一对眼睛和脸大小之间的关系定义如下:

然后,计算对称的脸。鼻子中心线的垂直平分线(线连接这两个眼)在每个计算面部图像。左半部分和右半部分的区别一脸鼻子中心线的地区应该小由于其对称性。如果对称测量的值小于

阈值,面对候选人将被选中作进一步验证。测量一脸的对称候选人后,存在不同的面部特征也证实。面部特征的位置验证通过分析候选人脸区域的投影。面部特征区域将展示低价值的投影。面对区域分为三个部分,每一个都包含各自的面部特征。投影的灰度强度的平均每一行像素的窗口。为了减少背景面临地区的影响,只有白色的窗口,如图3所示,被认为是在计算预测。顶部窗口应该包含眉毛和眼睛,中间窗口应该包含的鼻子,底部窗口应该包含的嘴。当面对候选人满足上述约束,它将被提取出来作为一个地区。人脸图像提取的图4所示。

D。线性判别分析(LDA)

在基于PCA识别方法特征权重获得识别脸图像之间的差异,包括差异也在面临相同的主题,不同的照明和面部特征的条件下。

然而,当我们考虑同一主题的不同的图像,这些图像信息有很多共同点,这公共信息不是利用PCA技术de-correlates脸图像。

因此,提出了基于类的方法中,同一个主题的面孔被分组到单独的类和不同类别的图像之间的变化是歧视同时使用特征向量协方差最小化在同一类[6]。这种方法被称为线性判别分析。这里面对的lowenergy判别特征用于分类图像。

下面描述的LDA算法的总结工作发表了[16]和[12]和[14]的讨论。LDA的变换矩阵W的散射矩阵的最大特征值所对应特征向量函数(SW - 1。某人),西南是在类散射矩阵和某人是类间散布矩阵。这些散射矩阵被定义为:

新面孔的识别做了类似的PCA方法。在给定的脸被减去规范化AvgFace然后权重计算时,将图像投射在基向量。然后欧几里得度量作为相似性度量来确定最接近的匹配测试图像与面对的训练数据库。

实现

1。FUZZYC意味着集群:

在模糊聚类属于集群,每个点都有一定程度的模糊逻辑,而不是属于完全只是一个集群。因此,点边缘的集群是集群中的一个较小的程度上比在集群的中心。为每个点我们有一个系数给予的程度在k集群英国(x)。通常,这些系数之和为任何给定的x是定义为1:

与模糊c、集群的重心是点的均值,加权的程度属于集群:

归属感的程度与距离的倒数集群中心:

然后系数归一化和fuzzyfied实际参数m > 1,它们的和是1。所以

对于m等于2,这相当于正常化的系数线性和1。当m接近1,那么集群中心给出最接近点比其他人更多的重量,和k - means算法类似。模糊c均值算法非常类似于k - means算法:

选择一个数量的集群

将随机分配给每个点系数在集群。

重复,直到算法融合(即系数的变化不超过两次迭代之间,给定的敏感度阈值):

1)计算每个集群的重心,使用上面的公式。

2)对于每一个点,计算其系数的集群,使用上面的公式。算法最小化intra-cluster方差,但同样的问题为k - means;最小的是一个局部最小值,结果依赖于初始权重的选择。expectation_maxization算法统计数据更为正式的方法,包括其中的一些想法:部分加入类。它具有更好的收敛性能和fuzzy-c-means一般首选。

2。平行NNs:

并行NNs是由三层摘要。连接神经网络与32个输入神经元和六个输出神经元模拟(六个人被允许属于每个子网)。隐藏的数量单位被选中的6折交叉验证6至300辆。该算法三个节点添加到日益增长的网络。选择隐藏单位的数量是基于最大的识别率。

我学习算法:一个标准的模式(普通模式)是获得12模式/注册人。基于FCM算法,20个标准模式分为几个集群。类似的模式在一个集群进入一个子网。然后,12注册人的模式输入到神经网络的输入层注册人所属。在每个子网,权重是根据的负梯度平方欧氏距离所需的和获得的输出。

二世识别算法:当输入一个测试模式并行NNs,如图5中所示,基于每个子网的输出和相似度值,最终结果可以获得如下。步骤1。排斥否定能力的神经网络。首先,所有的注册者被视为候选人。如果最大输出值小于阈值,删除相应的候选人。阈值设置为0.5,最大输出值的基础上确定nonregistrant的图案。自相似的个人分配到一个子网,根据候选人的这一步,类似于所需的个人被排除在外。步骤2。排斥否定能力的并行发自。在剩下的候选人在步骤1中,候选人已经被排除在一个子网从其他子网将被删除。 If all the candidates are excluded in this step, this test pattern is judged as a nonregistrant. When a candidate similar to the desired individual is assigned to several clusters at the same time, it may become the maximum output of the subnets to which the desired individual does not belong and may be selected as the final answer by mistake. By performing Step 2), this possibility is avoided. Step 3.Judgment by the similarity method. If some candidates remain after Step 2, then, the similarity measure is used for judgment. The similarity value between the patterns of each remaining candidate and the test pattern is calculated. The candidate having the greatest similarity value is regarded as the final answer. If this value is less than the threshold value of similarity, the test pattern is regarded as a nonregistrant.

Table3.1:子网后部分统一

实验

本文分析了根据时间和性能。PCA和LDA方法确定的脸上。表4.1显示了性能和时间分析的结果。

结论

这个项目提出了一种模糊聚类和并行NNs人脸识别方法使用PCA和LDA方法。模式分为几个小规模基于FCM的子网。由于否定能力的神经网络和并行NNs,考生被排除在外。之间的相似性计算剩下的候选人和测试模式。它与最大的相似性判断候选人最终答案相似值高于阈值时。否则,它被评为nonregistered。这个项目是与LDA和PCA方法相比,它是分析,这种分析的结果是,比LDA的PCA方法。

引用

a . z Kouzani、f .他和k . Sammut正“不变的人脸识别,”。科学。,vol. 123, pp. 75–101, 2000.
K。Lam和h .严analytic-to-holistic方法基于一个正面的人脸识别的观点,“IEEE反式。模式肛门。Mach.Intell。20卷,没有。7日,第686 - 673页,1998年7月。
p . j .菲利普斯匹配过滤器应用于人脸识别,追求“IEEE反式。图像的过程。,7卷,不。1998年8月8日,页。1150 - 1164年。
m·a . Turk和a . p . Pentland Eigenfaces承认,“j .认知>。,3卷,第86 - 71页,1991年。
T。Yahagi和h . Takano”,使用神经网络的人脸识别与多个类别的组合,”j .本月。电子。正,Commun.Eng。,vol. J77-D-II, no. 11, pp. 2151–2159, 1994, (in Japanese).
美国劳伦斯c·l·贾尔斯A·c·Tsoi和公元后,“人脸识别:卷积神经网络的方法,”IEEE反式。神经。,vol. 8, no. 1, pp. 98–113, Jan. 1997.
w·赵r . Chellappa A·罗森菲尔德P.J.菲利普斯人脸识别:文献调查,ACM计算调查,2003年,页399 - 458
r·布鲁内利方法的人脸识别:功能和模板,IEEE模式分析与机器智能,15卷,10号,1993年10月,页1042 - 1052
g . Shakhnarovich b·穆贾达姆在子空间的人脸识别,人脸识别手册,Eds。斯坦·李z和阿尼尔。Jain,斯普林格出版社,2004年12月,
人脸识别使用PCA和LDA与奇异值分解(圣)使用2 dlda Neeta拿∗,在,Prashant Nitish Agarwal, Rakesh P Talawar Subhash钱德拉
增量PCA-LDA算法伊萨姆Dagher dagheri@balamand.edu.lb Balamand POBOX 100大学计算机工程系