基于量子遗传算法和支持向量机的人脸识别方法

摘要

人脸识别技术是一个非常活跃的研究课题，有着广泛的应用前景。人脸识别问题从本质上讲是分类问题，对于人脸识别这样的小样本问题，传统的分类方法容易出现过学习(overfitting)现象，导致算法泛化能力差，对人脸识别这个非线性很强的分类模式无能为力。建立在统计学习理论和结构风险最小原理基础上的支持向量机方法，因其结构简单、学习性能优越，可防止过学习现象和陷入局部最小等优点，已经成为人脸识别的首选分类器。 量子遗传算法(QGA)是量子计算理论与遗传算法原理相结合的产物，作为一种新兴的全局优化算法有着很好的应用前景。QGA以量子计算为基础，采用量子比特编码，由于量子比特能够表征叠加态，因此比传统遗传算法具有更好的种群多样性和收敛性。算法通过量子门作用实现进化搜索，因而QGA具有种群规模小、寻优能力强、收敛速度快和计算时间短的特点。 本文在对量子遗传算法进行研究的基础上，提出了一种基于量子遗传算法的人脸识别改进算法。在该算法中首先对人脸图像进行特征提取，然后利用支持向量机进行识别，并采用量子遗传算法对其参数进行选取。为了能用较少的特征个数得到较高的识别率，对所需提取的有效特征个数也同时进行了选择。算法实现了支持向量机参数的优化选取，具有利用较少的人脸特征得到较高识别率的优点。利用ORL(OlivettiResearchLaboratory)人脸库对该算法进行仿真实验，得到的正确识别率为96％，验证了算法的有效性。与用传统遗传算法对支持向量机进行优化相比，误识率降低了33％。

目录

文摘

英文文摘

声明

第一章绪论

1.1课题的研究背景

1.2本文的研究意义及主要内容

第二章量子遗传算法

2.1遗传算法

2.1.1遗传算法的基本概念

2.1.2传统遗传算法

2.1.3传统遗传算法的改进

2.2量子遗传算法

2.2.1量子计算

2.2.2量子遗传算法的基本原理

2.3量子遗传算法与传统遗传算法的对比研究

2.4本章小结

第三章人脸图像的特征提取

3.1人脸识别的基本原理

3.1.1人脸识别系统的组成

3.1.2人脸识别的主要方法

3.2基于PCA的特征提取方法

3.2.1 K-L变换原理

3.2.2用PCA对人脸图像进行特征提取

3.3基于KPCA的特征提取方法

3.3.1特征空间的PCA

3.3.2特征空间的点积计算

3.3.3用KPCA对人脸图像进行特征提取

3.4 PCA与KPCA的对比研究

3.5本章小结

第四章基于量子遗传算法和支持向量机的人脸识别方法

4.1支持向量机

4.1.1线性支持向量机

4.1.2非线性支持向量机

4.2基于支持向量机的人脸识别

4.2.1支持向量机用于多分类问题

4.2.2支持向量机参数的选取

4.3基于量子遗传算法的人脸识别方法

4.3.1 QGA对人脸识别方法的改进

4.3.2基于QGA人脸识别算法的基本步骤

4.4仿真实验及结果分析

4.4.1实验设计

4.4.2实验结果及分析

4.5本章小结

第五章总结与展望

5.1工作总结

5.2值得进一步研究的问题

致谢

参考文献