DOC《附件1：外文资料翻译译文》

二、三代种群,除非得到了个体的最优解. 算法的整个过程可以用图5来进行概括.同时图6也给出了遗传算法的流程图.以上对遗传算法构成的解释也可以用概括成以下几点: 编码技术……(基因,染色体) 初始化程序……(创造) 适应度函数……(环境) 选择父代……(繁殖) 遗传操作……(变异,重组) 参数设置……(实践与艺术) 图5 遗传算法伪代码 图6 遗传算法流程图 遗传算法的不明显特征 在遗传算法中,每个染色体都是一个二进制序列,由128个0或1组成,由于我们有128个筛选功能来描述一个兴趣点.让cij指向j.th的部分组成1. cij = 0表明,我们不应该使用j.th功能,而cij =

1 ,表明我们应该使用它. 最初,我们对10个要点感兴趣并且描述每对点之间的距离.让d_pr指向两个兴趣点d和r之间的希望距离,这些希望距因为任何两个十分相似的兴趣点而被假设为0(就像其中的一点来自一个人的眼睛,另外一个点来自同一个人另外一幅图像的视角),或者因为两个完全不同的兴趣点而被假设为1.然后,这两个点之间的希望距和由使用染色体计算的距离的不同应该在理想的情况下达到0.所以我们的适应度函数达到最小值(两个点之间的距离是由染色体被选择的特征来计算的). 让我们给出了算法的数学分析,让ci 指向 i.th染色体中ci = 的地方(其长度是128,并且每位不是1就是0),如果我们指定E_i_pr作为两个兴趣要点i和j之间的欧几里德距离,那么E_i_pr也可以这样表示: 方程中的分母是用于正常化距离的.因为每个特征值是介于0到255之间的,所以它应该乘以255. 从上面的公式中,我们可以知道,i.th染色体的适应度函数变为: 乘数不同的距离乘以-1是给定的,因为我们在找适应值最高的个体.因此,它自身的不同将会达到0,在理想状况下,最差也会达到1. 总结 目前来看,非经验表明选择特征是人脸识别的最佳方法.本文的下一节中我们将会给出实验的结果. 结论和展望 本文中,给出了人脸识别和遗传算法的基本定义,一种遗传算法完全能够选择人脸最有用的特征.近来,特征筛选和距离已经被应用于[2]用于解决人脸识别的问题.然而,测试表明一些测试图像由于培训图像和测试图像兴趣点之间的错误匹配而被错误归类.这种错误匹配的潜在原因是因为两个兴趣点具有相对较小的距离,即使如此我们还是希望他们具有较大的距离. 我们的假设是如果我们使用特征筛选的操作,那么它在描述人脸的兴趣点时将会更加有效,我们将能够得到更好的结果.使用这种特征操作也会减少运算时间.因此,我们提出了一种遗传算法的特征选择计划. 展望未来的工作,我们计划将遗传算法应用于一些人脸的兴趣点并且能够确定人脸的最大特点.然后,使用这些被选择的特征,就像在[2]中测试的那样,将会得到演示和准确的分析. 参考文献 [1] David G. Lowe, 来自规模不变要点的独特形象点, 计算机视觉国际期刊, 60,

2 (2004), pp. 91-110 [2] D. Ozkan, G. Akcay, P. Duygulu, 新闻中有趣的面孔, 提交给国际会议的计算机视觉 (ICCV)

2005 [3] 视频检索评价 http://www-nlpir.nist.gov/projects/trecvid/. [4] Jeniffer Pittman, 遗传算法的变量选择, ISDS, 杜克大学, http://www.niss.org/affiliates/proteomics200303/presentations20030306/6 [5] Wikipedia, 自由的百科全书, 遗传算法, http://en.wikipedia.org/wiki/Genetic_algorithm [6] Wendy Williams, 遗传算法: 网页教程. Umr.edu/~ercal/387/slides/GA Tutorial.ppt 附件2:外文原文 Feature Selection for Face Recognition Using a Genetic Algorithm Derya Ozkan Bilkent University, Department of Computer Engineering Turkey, Ankara ABSTRACT Face recognition has been one of the challenging problems of computer vision.Inresponse to this problem, SIFT features [1] have been used in [2]. However, since SIFT features were addressed to object recognition;