QPSO优化黎曼流形学习的视频人脸识别算法

“一种基于QPSO优化的流形学习的视频人脸识别算法” 本文介绍了一种创新的视频人脸识别算法，该算法结合了量子行为粒子群优化（QPSO）和流形学习，旨在应对无约束视频中由于复杂场景、设备差异等因素导致的遮挡和人脸旋转问题，从而提高识别准确性和稳定性。 首先，算法将视频人脸识别任务转化为图像集的相似度度量问题。在处理过程中，每帧图像会进行对齐，以减少因姿态和位置变化带来的影响。接着，从对齐后的图像中提取纹理特征，并进行特征融合，以便捕捉到人脸的关键信息。这一阶段是视频人脸识别的基础，特征提取的质量直接影响后续步骤的效果。 随后，算法引入了QPSO优化的黎曼流形学习。QPSO是一种高效的全局优化算法，能够搜索到全局最优解，避免陷入局部最优。在流形学习中，它用于降低高维特征空间的维度，同时保持数据点之间的拓扑关系。通过QPSO优化的黎曼流形，可以大幅减少视频人脸特征的维度，得到人脸的内在表示，这有助于简化问题并提高识别效率。 在降维之后，算法利用凸包距离作为相似度度量标准。凸包距离能有效处理遮挡和旋转引起的变化，因为它考虑了样本点集合的整体形状。这种距离度量方式使得算法在面对光照变化和表情变化时具有更强的鲁棒性。 最后，支持向量机（SVM）被用作分类器，对经过处理的人脸特征进行分类。SVM以其优秀的泛化能力和对小样本的处理能力，成为许多识别任务的理想选择。 通过在 YoutubeFace 数据库和 Honda/UCSD 数据库上的实验，该算法的性能得到了验证。实验结果表明，提出的算法在识别精度和误差控制方面表现出色，同时在光照和表情变化条件下保持了较好的稳定性。这证明了结合QPSO优化的流形学习在视频人脸识别中的有效性。 关键词：视频人脸识别，量子微粒群优化，黎曼流形学习，视频相似度 参考文献：刘宇琦，赵宏伟，王玉.一种基于QPSO优化的流形学习的视频人脸识别算法.自动化学报,2020,46(2):256−263 DOI: 10.16383/j.aas.c180359 开放科学(资源服务)标识码(OSID): VideoFaceRecognitionMethodBasedonQPSOandManifoldLearning