DOC《附件1：外文资料翻译译文》

附件1:外文资料翻译译文 遗传算法在人脸识别特征选择中的应用 达尔亚 俄泽坎 土耳其毕尔坎特大学,计算机工程部,安卡拉 摘要 人脸识别对计算机视觉问题一直是个挑战.

为了解决这个这个问题,筛选功能[1]已被用于[2] .不过,自从筛选特征被定位于物体识别以来,我们需要选择最适合在面部识别的问题.因此,在本文中,我们使用遗传算法来选择最重要的特点来进行人脸识别. 关键词:遗传算法,特征选择,人脸识别,筛选功能 引言 本文中,我们的目标是选择最有用的特征,并将它应用于人脸识别中.基于这样的目的,我们使用遗传算法去学习筛选功能的某种特征[1].它能够应用到目标识别,能够对人脸的某个特点进行描述. 使用筛选功能进行脸部识别已被提议在[2]中.我们相信找到这些在人脸识别中十分有用的特征的共同点将对人脸识别产生极好的结果.因为我们减少了不必要的特征,所以这将极大的减少计算机的识别时间. 首先我们在a部分中给出了筛选功能和人脸识别问题的相关信息;

在b部分中给出了遗传算法的方法.在第2条中我们介绍了我们如何利用遗传算法来选择最佳的功能进行人脸识别.第3条中则给出了实验结果,并在进行了简要的总结概括后,对算法的可扩展性做了一些未来性的工作. 筛选功能及人脸识别 在计算机视觉中,人脸识别是一项前景广阔而又需要我们长期研究的问题.在其最近的工作[2]中提出了识别策略使用兴趣点摘自发现新面孔.在这种策略中使用特征兴趣点的是Lowe.s的筛选功能[1].通过对一些关键点的描述我们能够使人脸重现,然后匹配算法通过使用一些训练人脸,在测试数据中找到相似的脸形. 匹配标准是基于测试脸形和训练脸形要点之间的欧几里德距离的.如果考虑到测试脸形的某一个关键点,那么它到所有训练脸形的关键点的距离都可以被模仿.对于每一个训练脸形,单独的要点和到测试脸形的要点的最小距离被选择.这些要点被称为最近的要点.如图1所示,它给出了五个训练脸行相对应的五个最近要点.然后,在这些要点中选择一个被给定了最小值和最大值的最近要点. 如果这两个要点之间的距离不仅仅只是开始的不同,那么这个就可以称为大小开始,它能够推测出这些最近距离的要点,从而匹配测试脸形的要点.这些和训练图形要点相匹配的要点被以符合匹配标准的方式所选择. 测试图像 培训图像集 图1 培训面和测试面之间的匹配例子 对于每个在测试图像中的数据集,满足匹配标准的大量要点被找到.如果这些要点的数量太大,那么相应的就会得到这样的结论:在培训集中的脸和测试图像属于同一个人. 在图2和图3中,给出了一个测试图像和培训图像的匹配结果. 和正确的匹配一样(图1的最后一幅图像,测试脸形眼部的一个兴趣点和培训脸形眼部的一个兴趣点想匹配),有很多不同的匹配方式,他们和不同的脸相对应(图1中的第一幅图,眼部的一个兴趣点和前额的一个兴趣点相匹配),如图3中看到的一样,这种匹配方式可能使得一个测试图像被归类错误(错误匹配),因为我们在大量的匹配方式中提供了标准,但是我们却并不知道它们是否正确. 图2测试面(顶部)和培训面集(底部)的匹配实例结果 图3测试面(顶部)和培训面集(底部)的匹配实例结果 从表1可以看到在图4中显示的四行培训集中不同培训面图像集的测试结果(4,6,8和10).在相应的数据集中,有1515,1343,454和163正确的面分别独立于所有的面.尽管这样令人鼓舞的效果可以被看作十分高了(在66%到84%之间),但我们也看到仍然存在很高的错误率. 表1图4中显示的四位主持人的正确率和错误率 图4用于表1实验中的四位主持人的培训面例子 错误主要来源于测试兴趣点和其中的一个培训图像之间.这是因为在这两点之间的欧几里德距离相对来说较少考虑到其他培训面图像的兴趣点.然而,我们还是希望距离尽可能的大,因为它们相对来说不同于人脸的区域.我们的假设是:如果没有有用的特征用于人脸识别,那么将会发生意想不到的结果.因此,在本文中我们倾向于选择一些具有筛选功能的算子,它们更能够描述人脸的某个点.由于存在这样的选择,我们的目标是减少由错误匹配和算法运算时间所导致的错误概率. 遗传算法 遗传算法是由密歇根大学的John Holland教授提出来并证明的一种对选择和机器学习应用十分有效的技术.它使用一个间接的、基于生物进化的搜索算子,如:遗传、变异、自然选择、重组(交叉).其思想源与自然进化中的物竞天择适者生存. 在遗传算法中,需要解决的问题是一系列的参数列表,它们能够用于驱动一个称为染色体或基因组的评价程序.染色体以简单的数据字符串和指示作为典型代表.算法中的第一步,例如染色体是随机产生的,或者自发式的形成称为初始基因种群、可能解决问题的初始群体. 每代种群中,每个染色体(个体)都会被评价,而那些适应值高的个体则由适应度函数返回.第二步,通过使用选择、交叉、变异等遗传操作,第二代种群产生了.在具有更高适应度的初始群体基础上,一对染色体被选择.换而言之,就是那些在群体中具有更高适应度的染色体被选择得以生存. 一些选择染色体的最好方法是赌轮选择和锦标赛选择. 经过选择,交叉(或重组)操作以0.6到0.1的概率作用于被选择的染色体上.两个子染色体的交叉结果被添加到第二代群体中,交叉操作是由父染色体潜在的基因序列结构决定的.这个过程被不同的父染色体迭加,直到在第二代群体中出现了适当的侯选解. 在变异阶段,新的子个体的染色体通过对染色体的基因结构进行随机变异.这些变异概率在0.01或者更少. 进行这些操作的目的是产生第二代完全不同于初始群体、并且继承了更高适应度的染色体种群,因为只有来自第一代种群的最优个体能够被选择并得以生存.这种机制同样适用于第