基于粒子群优化和图像特征补偿的人脸识别算法

软件X 22（2023）101305原始软件出版物基于粒子群优化和图像特征补偿的人脸识别算法YanhuZhang，LijuanYan，1广东嵩山职业技术学院，广东韶关512126ar t i cl e i nf o文章历史记录：接收11八月2022收到修订版2022年11月11日接受2023年保留字：图像特征补偿人脸识别补偿系数PSO算法图像识别代码元数据a b st ra ct为了提高人脸识别的准确率，提出了一种基于图像特征补偿策略的IFC人脸识别算法该策略采用计算因子提取图像特征描述的方法对原始图像的特征进行补偿。由于特征补偿系数的大小直接影响人脸识别系统的识别率，提出了一种改进的粒子群优化算法，用于求解多个计算因子下的特征补偿系数的最优组合，从而提高系统的识别率。本文首先介绍了特征补偿策略和计算因子的相关概念。其次，描述了采用特征补偿策略的人脸识别算法的过程和实现。再次，设计了求解特征补偿系数最优解的改进PSO算法，构建了评价特征补偿系数优劣的评价方法，并构想了改进PSO算法的实现过程。最后通过仿真实验平台对本文提出的算法进行了验证实验结果表明，改进的粒子群算法能显著提高系统的识别率并将其应用到特征补偿策略人脸识别系统中。在ORL数据集上，当训练图像数为5时，识别率从93.05%提高到99.00%，同时在其他数据集上仍表现出良好的性能版权所有©2023作者。由爱思唯尔公司出版这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）中找到。当前代码版本v1.0用于此代码版本的代码/存储库的永久链接https://github.com/ElsevierSoftwareX/SOFTX-D-22-00232Code Ocean compute capsule法律代码许可证BSD-3条款使用git的代码版本控制系统软件代码语言，工具和服务使用MATLAB，SVM，LibSVM编译要求、操作环境和依赖性在Windows、Window 7、MATLAB R2016 a上测试如果可用，开发人员文档/手册链接问题支持电子邮件mailto:forzyh@163.com0. 介绍人脸识别技术在不断发展，以其非接触、无需合作的优势在许多场景中得到了广泛的应用，深受研究人员的青睐[1根据实现过程，常用技术可分为两类，即，*通讯作者。电子邮件地址：juanjanny@qq.com（严丽娟）。1 共同第一作者。https://doi.org/10.1016/j.softx.2023.101305基于全局图像的人脸识别实现和基于局部特征的人脸识别实现。关于第一种基于全局特征的方法，特征脸[12]是基于图像的全局人脸识别的最著名的研究成果之一。该方法首先利用主成分分析对原始图像进行降维，然后对图像进行训练和识别。首先对识别后的图像进行空间降维处理，然后与训练后的图像集进行比较，完成图像识别。Kim等人[13]在PCA方法的基础上，提出了另一种基于核非线性局部特征描述的核主成分分析（KPCA）方法，这是一种2352-7110/©2023作者。 由Elsevier B.V.出版。这是一篇开放获取的文章，使用CC BY许可证（http://creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表SoftwareX期刊主页：www.elsevier.com/locate/softx张彦虎、严软件X 22（2023）1013052扩展的非线性PCA特征提取方法。然而，上述方法在处理具有面部表情和环境变化的图像时具有较差的鲁棒性因此，Lu等人提出了一种基于核判别分析的识别方法。[14]减少面部表情和环境对复杂度的实验结果表明，该方法比核主成分分析（KPCA）和广义判别分析（GDA）有更好的应用。Weber局部描述符（Weber Local Descriptor，WLD）[15]以其简单、高效的特点在人脸识别领域引起了广泛的关注。然而，该算法对光照条件过于敏感。为了解决这个问题，大量的研究-已经进行了IE [16与此同时，Fang等人。[21]引入了一种改进的WLCGP算法，除了像素周围八个位置的值之外，该算法还覆盖了更广泛的周围区域。通过设计合适的算法，WLCGP算法可以在更宽的加网范围内提取特征信息，并能较好地处理图像光照敏感性问题。然而，WLCGP算法在人脸识别过程中由于涉及大量计算而具有相对较慢自从深度神经网络（DNN）被引入人脸识别领域以来，许多学者对其进行了深入的研究，其中Guo等人[22]对深度学习相关文献进行了深入的调查，并对深度学习相关文献进行了很好的总结Masso Li等人[23]提出了一种交叉分辨率深度学习方法，并成功地将其应用于人脸识别。具体地说，采用交叉分辨率方法提取图像特征，具有较强的鲁棒性.Iqbal等人[24]将一种角度判别特征应用于人脸识别，并在实际应用中取得了良好的效果。此外，在人脸识别研究领域也有很多关于深度学习的文献[25但深度学习的主要缺点是需要使用大量的图像资源进行训练，并不适用于所有的地方。基于局部特征描述的人脸识别算法可以很好地解决这一问题。关于第二种基于局部特征的方法，基于局部特征的人脸识别也有很多研究成果，其中有向直方图（HOG）是经典方法之一，不仅应用于人脸识别，也应用于计算机视觉中的其他目标识别和检测[30]。但该算法对图像的大小和旋转变化很敏感。为了解决这个问题，Lowe提出了尺度不变特征变换（SIFT）[31]算法，该算法对图像大小和旋转变化具有鲁棒性。然而，SIFT方法的计算资源开销随着提取特征点的增加呈指数级增长，不利于该方法的推广应用。局部二进制模式（LBP）[32]是另一种基于局部特征的人脸识别算法。该算法及其扩展[33Chen等人[33]将LBP方法与Shearlet分解方法相结合，形成了一种新的图像特征描述，在图像降噪处理中有很好的应用。Ahonen等人。[34]提出了一种本地LBP方法，该方法对图像的照明具有良好的鲁棒性。局部梯度模式（LGP）[35]算法是Jun和Kim研究的LGP描述符，它可以捕获梯度的强度分布该方法最初是为特征分析而开发的，例如用于提取面部特征的LBP算法中的不完全特征提取。Wang等[36]在传统LBP算法的基础上提出了完全局部二值模式（CLBP）人脸识别算法，并在LBP的基础上提出了基于局部差异和中心像素灰度值分析的分类识别方法Shen等人[37]研究了一种新的人脸识别方法，将LBP方法的纹理信息和SIFT方法的方向信息相结合，融合了SIFT和LBP方法各自的优点基于纹理信息和方向信息的人脸识别的其他方法是[381. 动机在设计人脸识别算法时，大多涉及到相应参数的设置，参数值设置的好坏直接影响到人脸识别系统的识别率，而上述文献在设置相关参数时，大多直接给出了经过测试为了更好地增强人脸识别系统的适应性，有学者将智能算法引入到人脸识别中，Shin H C等[41]提出了一种弹性图匹配和识别特征分析算法，并提出了一种代价函数来考虑图像位置、面部表情变化等因素。给出了该函数的优化过程，并利用聚类算法对该函数进行了优化。Krisshna等人。[42]提出了一种基于PSO算法选择最佳特征描述的算法。首先设计了一种DWT、DFT和DCT算子的集成算法，然后提出了一种基于粒子群优化的ThBPSO算法Mistry等人[43]提出了一种结合PSO和GA方法的MGA嵌入式PSO算法，用于进行图像特征描述优化，仿真实验表明，该方法的性能优于传统PSO、同步PSO变换算法、经典GA算法等相关人脸识别算法。上述算法通过从多个特征描述中选择最佳的一个作为图像的最终特征描述来执行图像特征描述选择。受上述方法的启发，Preethi [44] et al.提出了一种改进的粒子群算法，同时选择多个图像特征描述，以保证人脸识别系统能够应对图像特征的特殊性和变化，实验表明该方法在一定程度上提高了人脸识别系统的准确率但该算法是在图像中寻找多个能够描述图像特征的特征因子，导致其对光照和表情的鲁棒性较差。Ahmed等人[45]提出了一种方法，首先使用Gabor小波变换获得特征提取，并使用PSO算法优化图像特征描述，最后使用6层深度学习方法实现人脸识别，通过在ORL和YALE人脸数据集上验证，可以有效提高图像的识别率但该方法采用粒子群算法直接优化图像特征描述，而不是优化多个特征描述的系数在基于局部特征赔偿，张等人。[46]介绍了一种通过对原始图像进行特征补偿的IGFC人脸图像识别算法，并通过仿真实验进行了验证，结果表明该方法不仅具有良好的性能张彦虎、严软件X 22（2023）1013053=−{=t2在识别准确率上，但其计算复杂度远低于同类算法。但该方法在进行特征补偿时需要对特征补偿系数进行优化，由于不同的特征补偿系数在不同的人脸数据集中表现不同，因此系统在使用过程中应根据人脸数据集图像的特点设置更合适的特征补偿系数，作者在[46]使用手动方法进行测试。但该方法的缺点是：（1）效率很低;（2）由于人工试验次数有限，无法获得更合适的特征系数;（3）如果增加图像特征补偿的计算因子，则所需的试验次数增加了一个设定的因子，而这几乎是人工试验所不可能完成的。本文在文献[46]提出的基于图像特征补偿策略的人脸识别方法的基础上，针对该方法中特征补偿系数优化不足的问题，提出了基于改进粒子群算法求解最优特征补偿系数的图像特征补偿（IFC）算法本文的主要贡献如下：（1）设计并详细分析了图像特征补偿技术;（2）设计了9种常用的图像特征补偿计算因子;（3）提出了一种利用多个特征补偿计算因子对原始图像进行特征补偿后提取特征描述的方法;（4）采用粒子群算法求解多个计算因子情况下的特征补偿系数的最优组合本文的主要结构如下。第二节介绍相关概念。第三部分给出了本文人脸识别算法的框架模型。第四部分设计了一种改进的粒子群优化算法来求解人脸识别算法中的特征补偿系数。第五节通过实验对本文算法进行了验证，第六节对本文进行了总结。2. 相关概念2.1. 图像特征补偿技术许多人脸识别方法和扩展技术可以通过设置相应的算法来获得能够更好地描述图像A的特征信息的特征图Sig，该特征图Sig在等式2中计算（一）.Sig = A +S1 f1 +S2 f2 +S3 f3。. ......这是什么？中国（1）其中Si是图像A的计算因子，Fi是Si的特征补偿系数，I LT; n。为了更直观地比较原始图像经过特征补偿后的特征信息，分别对原始图像的直方图和经过特征补偿处理后的图像的直方图进行了比较，结果如图所示。1.一、从上面可以看出，补偿的原始特性和图像直方图的布局发生了变化，并且产生了一些不在原始直方图中的像素值（并且产生了一些不在原始直方图中的像素值）。经过特征补偿后的图像能否增强图像识别效果主要取决于计算因子和特征补偿系数两个因素。通过为图像设置8个计算因子，在被设置为10.00至10.00的图像特征补偿系数中，10.00和0.01的增加精度，有2000种而8个计算因子的组合补偿方法是一个很大的数值，人工很难完成。2.2. 本文涉及的计算因素为了实现对原始图像的特征补偿策略，本文提出了几种常用的图像特征补偿计算因子的方法。1. 左偏置矩阵根据灰度图中相同颜色点的像素值相同的特点，将左像素对应值减去该像素并取绝对值，得到人脸图像作为描述原始图像的计算因子，S1的计算处理如等式2所示（2）和（3）。{A（i+1，j）i≥ 1且im<基于主成分分析采用统计灰度值的策略实现人脸识别功能[33受[46]启发，为了进一步提高认识，St1（i，j）=St1（i−1，j）i=m（2）为了提高系统的点火率，本文提出了先对原始图像进行特征补偿，再提取图像特征描述的方法，并对该方法的实现过程进行了描述。首先对原始图像进行变换，得到主要特征信息描述矩阵。该算法将主特征信息描述矩阵与原始图像相结合，改变原始图像的像素值分布，提高原始图像的特征信息共享度，增强S1=|A − S t1|（三）2. 右偏置矩阵通过使用像素及其右像素对应值相减并取绝对值，作为描述原始图像的另一个计算因子S2，获得原始图像的“0”。该值的计算过程如方程式所示（4）和（5）。图像可识别性，从而达到提高图像识别率的目的。假设要补偿的原始图像是A。S（i，j）A（i−1，j） i>1且i≤m St2（i+1，j）i=1（四）在图像A的各种类型的转换之后，计算因子S1、S2、S3. . . Sn，并且进行转换，使得这些计算因子具有与图像A相同的规格。每个计算因子具有用于调整计算因子对A的特征提取的贡献的大小的补偿系数，其被定义为F1、F2、F3。. . Fn和S2=|A − St2|（五）3. 上偏移矩阵原始图像的上偏移矩阵是通过减去像素及其正上方像素的相应值并取绝对值而获得的，该绝对值用于作为描述原始图像的计算因子S3的张彦虎、严软件X 22（2023）1013054{=t3∑∑我的天∼7 、S （i， j） S（ i，j）>aveV fxFig. 1. 图像特征补偿的实现过程。该值的计算过程在方程中示出。（6）和（7）。7. 特征图降噪原始图像计算因子S6包含了大部分的con-i。旅游信息的原始图像，但在过程中S（i，j）A（i，j−1）j> 1且j≤nSt3（i，j+1）j= 1（六）在步骤S6中，图像S6携带了大量的原始图像的非主要轮廓信息，对计算因子S6进行进一步的降噪处理，以获得最核心的S3 =|A-St3|（七）4. 下偏移矩阵原始图像的下偏移矩阵是通过减去像素及其正下方像素的相应值并取绝对值而获得的，该矩阵用于原始图像的特征信息，目的是去除S6岩心轮廓信息。计算的因子S6的去噪过程被定义为，(1) 求图像S6中所有非0像素值的平均值aveV，其计算公式定义为：作为描述原始图像的计算因子S4。的aveV =ni=1Mj=1 S（i，j）∼i≥1且in且j≥1且jm<<该值的计算过程示于等式2中。（8）和（9）。（i，j）=0）ST4（i，j） A（i，j+1）j≥1且jn St4（i，j−1）j=n<（八）（十二）Count（S（i，（j）=0）表示图像S6中像素值不为0的S4 =|A-St4|（九）5. 差分矩阵通过组合上述四个偏移矩阵S1和S2，S3(2) 将图像S6中像素值小于aveV * FX的所有像素（十三）、和S4，然后将它们分别相加，得到原始图像A的因子S5，并且其计算公式示于等式（1）中。（十）、S（i，j）={0 S（i，j）aveVfx（十三）S5=（S1−S2）+（S3−S4）（10）6. 融合矩阵上述1至4中的偏移矩阵通过迭代组合以产生原始图像A的第六计算因子S6。本文采用序贯简单累加组合法，其计算公式为：（十一）、S6= S1+ S2+ S3+ S4（11）张彦虎、严软件X 22（2023）1013055其中，fx是调整系数，并且该值的大小确定在图像S6中保留多少岩心轮廓信息通过图像S6的降噪处理来获得原始图像的新计算因子S78.特征放大通过降噪处理的计算，因子S7包含了原始图像的主要岩心轮廓信息，同时该信息量相对较小。为了扩大原始图像的岩心轮廓信息在计算因子中所占张彦虎、严软件X 22（2023）1013056−（i，j）=0）图二. 图像特征放大效果演示。S7，在S7的基础上生成新的计算因子S8，并设计合适的算法，以提高岩心轮廓信息的影响范围。定义了计算因子S8的实现过程如：(1) 在S7中，以9个网格为基本单位，对每个9个网格中的有效像素值的数量进行计数，并且将所谓的有效像素值定义为大于0的像素值(2) 求9个网格中所有非0像素值的平均值(3) 如果某个9网格中的有效像素数大于或等于3，则该网格中所有像素点的像素值值为0的9网格被设置为aveV;否则，如果9网格中的有效像素的数量小于3，则9网格中的所有值都被设置为0，并且该过程如图所示。 二、它的实现过程可以在Eqns中看到（13）至（15）。n=count（S（i，j）n=0）（14）3.2. 实施程序本文人脸识别算法的实现过程如下。步骤1：导入人脸数据集，并将图像转换为灰度图像;第二步：根据灰度图生成若干个能够描述原始图像的特征图，根据2.2中常用计算因子的生成公式，依次生成8个特征补偿计算因子S1、S2、S3、S4、S5、S6、S7、S8。第三步：设计改进的粒子群算法求解S1、S2、S3、S4、S5、S6、S7、S8等8个计算因子的最佳特征补偿系数;第四步：将步骤3得到的最佳特征补偿系数应用于图像识别系统，生成原始图像的特征描述图像Sig。步骤5、使用6*6模板将图像Sig划分为36个子图像;步骤6、分别统计上述36个子图像所包含的像素数;步骤7、将得到的36个子模块的像素值计数结果按照设计的策略依次拼接，形成新的直方图;步骤8：对得到的原始图像进行主成分分析，对得到的图像的平方统计结果进行降维，去除非主要特征信息，保留图像的主要特征因子;步骤9：使用SVM算法对图像的PCA结果进行分类训练，得到训练模型;Step10：完成图像识别测试。4. 补偿系数求解算法从2.1节可以看出，如果原始图像的特征补偿计算因子的数量设置为8，特征补偿系数的取值范围为10.00至10.00，渐进精度为0.01，则几乎不可能实现所有组合的遍历。因此本文∑k+1∑l+1S（i，j）（十五）介绍了智能粒子群优化算法Vave=i=k−1j=l−1{S（i，j）=Vave>=3，k− 1≤i≤k+ 1and l− 1≤j≤l+ 1算法，并对该算法进行了改进，以求解人脸识别算法的最佳特征补偿系数。S8（ i，j）=S（i，j）=0<$3，k−1≤i≤k+1且l−1≤j≤l+1<（十六）4.1. PSO算法其中1 k和k n，1 l和l m。在特征放大之后的图像S7的图像S8和直方图统计在图1中呈现。3 .第三章。从图3、可以看出，通过特征放大后的图像在很大程度上改变了原始图像的特征分布，按比例降低了30以下的像素值，根据图像的特征信息移动到更容易识别的区域。9.原始图像将原始图像设为S9，并设置相应的补偿系数，使其参与图像的特征提取。3. 识别算法3.1. IFC算法图 4显示了IFC算法的整个流程图。PSO算法是Kennedy和Eberhart通过观察鸟类的觅食过程创建的迭代优化算法[44]。粒子群算法具有收敛速度快、不易陷入局部最优的特点，因此本文选用粒子群算法。该算法的实现过程可以描述如下。在n维向量空间中存在一个大小为m个粒子的粒子群，每个粒子都有自己的位置P和速度S，粒子没有体积特性，对于粒子I，其位置Pi是n维向量Pi={pi 1，pi 2. . . Pin}，并且其速度Vi由n维向量Vi={vi 1，vi 2. . . ，vin}。在实施优化时，粒子群中的所有粒子从各自的位置Pi开始，按照有向速度Vi在n维空间中迭代搜索，粒子i的位置和速度在每次迭代中都会个体最优解Pbesti表示为Pbesti={Pbesti 1 ，Pbesti2. . . ，Pbestin}，将组最优解Gbesti表示为={Gbesti 1，Gbesti 2. . . ，Gbestin}。在迭代过程中，更新种群中每个粒子的运动和速度张彦虎、严软件X 22（2023）1013057（）下一页图3.第三章。 图像S7、S8和直方图的比较。见图4。人脸识别算法流程图。在每次迭代时，粒子I的速度vi（k+1）可以计算为，Vi（k+1） =ωVi（k）+c1r1Pbesti−Xi（k）+c2r2（Gbesti−Xi（k））（十七）其中ω是粒子的惯性权重，通过改变粒子速度的范围来调节粒子C1和C2是粒子的学习因子，分别用于调节个体和群体的学习能力。R1和R2是随机数，取0和1.当粒子I处于k+1次迭代时，其位置Pi由以下等式更新。Pi（k+1）=Pi（k）+Vi（k+1）（18）4.2. 改进PSO算法4.2.1. 改进粒子群算法图图5给出了改进PSO算法的完整流程图。张彦虎、严软件X 22（2023）10130584.2.2. 估价设计图五、 改进PSO算法流程图。4.2.3. 粒子群算法为了将本文提出的改进粒子群算法应用于IFC人脸识别算法中，需要设计一个最优的补偿系数组合用于求解补偿系数的最佳组合这里，该值被定义为特征补偿系数评估值。在上述IFC人脸识别算法的基础上，设计了特征补偿系数的计算算法。1. 定义算法名称和输入参数为8个特征补偿系数F1、F2、F3、F4、F5、F6、F7、F8;2. 导入对应的人脸数据集;3. 使用输入的特征补偿系数的组合对人脸数据集进行图像的特征补偿处理，并提取相应图像的特征描述;4. 将图像按模数分解成6*6大小的小图像块;5. 将原始图像集分解为训练集和测试集;6. 利用主成分分析对所有图像进行降维7. 在得到的训练集上用SVM方法训练人脸识别模型8. 基于训练好的人脸识别模型，使用测试集对模型进行测试;9. 在使用特征补偿系数组合的情况下，返回模型FV和相应系数组合的人脸识别精度。粒子群优化算法的适应度函数是IFC算法在多个图像特征因子情况下的识别率，其计算公式如式（1）所示。（十九）、适应度= IGFC（f1，f2，f3. fx）（19）其中IGFC为采用IGFC算法进行图像识别得到的图像识别率，f1，f2。. . fx等分别是所有图像特征因子的补偿系数。4.2.4. 改进PSO算法如等式1所示。（1）在对原始图像特征进行补偿的过程中，补偿系数的大小将在很大程度上影响系统的识别结果，因此需要求解补偿系数所有特征补偿计算因子。本文的第2.1部分描述了如果手动遍历所有可能的组合，这将是一个几乎不可能完成的因此，本文采用智能算法粒子群优化算法来求解特征补偿系数的组合方法，由于8个特征补偿系数的组合方式太多，智能算法难以求解到最优解，本文采用接近最优解的组合来代替最优解。当使用粒子群优化算法（PSO）时，将特征补偿系数的组合定义为粒子，粒子的运动速度为与粒子位置同维的数组。每个粒子根据状态定期调整其运行速度（人脸识别精度）张彦虎、严软件X 22（2023）1013059的当前位置，使粒子传统的粒子群优化（PSO）算法根据粒子的当前位置以及个体粒子的最优值和群体粒子的最优值来确定位置移动的方向，在使用过程中容易陷入局部最优。为了进一步防止粒子算法陷入局部最优解的陷阱，提出了一种适用于多参数条件下人脸识别技术的改进粒子群算法，该算法在粒子迭代过程中实时检查连续未检测到的新组最优解的个数，并根据最优解的个数适时重置粒子位置，从而提高了粒子群算法的鲁棒性。设置连续未检测到的新最优解迭代的最大数量，其如下实现。5. 实验5.1. 实验环境为了验证所提算法的识别效果，采用Matlab 2016 A作为仿真平台进行测试。硬件环境为8核3.4GHz CPU，24G内存，Windows 7专业版操作系统。5.2. 关联数据集1. ORL人脸数据集ORL数据集是由英国剑桥大学Olivetti研究实验室制作的一组图像，用于测试人脸识别算法。该数据集包含40个不同的个体，在相同的光照条件下为每个个体拍摄在本文中使用该数据集时，前12.YALE人脸数据集Yale数据集包含15个不同的个体，每个个体拍摄了11张具有不同姿态、光照和表情的图像，共计165张图像，规格为80*80;为了测试算法在图像集上的有效性，将数据集的前13. MU_PIE人脸数据集CMU_PIE数据集由卡内基梅隆大学创建，用于测试人脸识别算法。该数据集包含张彦虎、严软件X 22（2023）10130510- -∼- -图六、 推荐的 特征补偿系数在ORL数据集上的验证结果。68个人由于原始数据集的数量太大，本文使用同一个人在不同光照条件下的24幅图像作为测试数据集。图片规格为64*64;在这个实验数据集中，每个人的前105.3. 实验结果为了验证本文所述人脸识别系统方法的有效性，分别在ORL、YALE和MU_PIE数据集首先，利用改进的粒子群算法在特定的数据集A（ORL，YALE，MU_PIE）上求解最优特征补偿系数集其次，将基于数据集A得到的特征补偿系数组合应用于其他两个数据集，并将实验结果的识别率与多种流行算法进行比较，验证改进PSO算法的可扩展性。为了比较所提出的算法IFC的识别率，当使用所得到的特征补偿系数组合时，本文使用与原始文章中描述的实验相关的参数，比较了[32]中提到的LBP算法、[ 36 ]中提到的CLBP算法、[35]中提到的IGP算法、[21]中提到的WLCGP算法、[ 46 ]中提到的IGFC算法的实验结果，以验证其识别有效性5.3.1. ORL数据库为了在ORL数据集上验证本文推荐的IFC人脸识别算法的改进PSO算法，将随机生成的补偿系数与改进PSO算法推荐的补偿系数进行了比较，将改进PSO算法推荐的补偿系数与其他流行算法进行了比较，并分别从三个方面分析了改进PSO算法的适用性。1. 随机值与推荐值补偿系数在−10.00和10.00之间的8个特征的随机组合生成10次，如下所示：表1所示然后，将它们应用于ORL数据集进行检测，并将平均结果与推荐算法的结果进行比较，如表2所示。从表2可以看出，改进的PSO算法能够有效提高系统的人脸识别率，尤其是在训练次数小于6次时。2. 推荐值识别率VS热门算法识别率经过改进的粒子群算法的运算，系统推荐了一个特征补偿系数组合0.3061“”在ORL数据集上。当训练样本数为3（占单个图像集的30%）时，其测试准确率为91.4286%，具有非常优越的性能。当使用特征补偿系数组合0.3061’’比较结果如图所示。 六、图 结果表明，采用改进的粒子群算法推荐特征补偿系数的IFC人脸识别算法在人脸识别准确率方面表现出了优越的性能，说明该方法可以在很大程度上提高图像识别的准确率。3. 参数过拟合分析为了验证使用ORL数据集的改进PSO算法得到的特征补偿系数集在ORL数据集上是否存在过拟合问题，将上述参数应用于其他数据集。 在本文中，推荐的参数被应用到两个数据集，YALE和MU_PIE，分别进行测试，结果如图所示。7和8：通过分析Fig. 7和图 结果表明，该特征补偿系数组合在YALE和MU_PIE数据集上也表现出了良好的性能，说明改进的PSO算法推荐的特征补偿系数组合不会过拟合，具有较好的推广应用价值。张彦虎、严软件X 22（2023）10130511∼表1随机方法生成的特征补偿系数。订单f1 f2 f3 f4 f5 f6 f7 f81 3.15− 3.42 1.56 2.06− 0.61− 2.24 2.51 3.412 4.06 4.71− 4.64− 4.68− 1.18 1.80− 2.45− 2.463.49- 2.23 2.66 1.55 0.06 3.144 4.13− 0.15 4.34− 4.54 2.95− 3.37 1.99− 2.565 1.32 3.00 1.79− 4.03− 3.13− 3.81 3.91 4.296− 4.02− 3.58 2.58 3.23− 0.10− 0.02 4.59− 1.507− 2.22− 0.78 2.43 1.95− 0.54 4.60 0.47− 3.038 0.47 4.16− 1.08− 1.83 1.46− 1.60− 3.61− 2.499 4.58 2.92 1.55 4.50 2.09 0.85− 3.51 1.1610 4.65 4.59− 3.29− 4.66 2.55− 2.76− 2.42− 0.27表2随机补偿系数与推荐补偿系数识别率比较%。秩序12345678RD160.8375.6374.2983.3392.0093.7595.8395.00RD264.1783.1385.7190.0090.5095.6396.6797.50RD362.5079.6981.4385.4293.5096.2595.8397.50RD463.8983.1388.5792.9294.5098.1397.5098.75Rd560.0076.8877.8684.5889.5091.8894.1793.75Rd667.5085.9490.3694.2396.0098.1397.5098.75Rd765.8381.8885.3694.1794.0096.8897.5098.75Rd862.7882.5087.1492.0893.5096.2596.6798.75Rd963.0677.8183.5790.8394.0096.8898.33100.00Rd1065.5684.6987.8692.0893.0096.2596.6797.50平均63.6181.1384.2189.9693.0596.0096.6797.63建议值74.7290.0091.4395.4299.0099.3899.17100.00见图7。推荐的特征补偿系数在Yale数据集上的验证结果。5.3.2. YALE数据库推荐的改进PSO算法，为−为了验证在YALE数据集上使用改进的PSO算法推荐的特征补偿系数组时系统的识别率，本文进行了同样详细的通过改进的PSO算法推荐，系统给出的组合为-1.0777，-2.2308，-1.82901. 耶鲁大学认可率当使用特征补偿系数组合“训练样本分别为1 ~ 8个（占个体图像集的9%~ 72%），其余图像为测试样本，将识别率与其他比较进行比较，具体情况见图1。9.第九条。由上图可见，采用改进PSO算法的推荐特征补偿系数的IFC人脸识别算法的人脸识别准确率仍然表现良好，虽然在识别次数为2时其识别率略低于张彦虎、严软件X 22（2023）10130512- -- -图8.第八条。M U _ P I E 数 据 集 上 推荐的特征补偿系数的 验 证 结 果 。见图9。推荐的特征补偿系数在Yale数据集上的验证结果。2. ORL、MU_PIE人脸数据集的应用效果根据图 10和图基于YALE数据集生成的特征补偿系数在ORL数据集和MU_PIE数据集上仍然具有良好的性能，特别是在MU_PIE人脸数据集上，特征补偿系数的性能很高，实现效果非常好。5.3.3. MU_PIE数据库为了测试系统在使用本文在MU_PIE数据集上对改进的PSO算法进行了详细的实验验证通过改进的PSO算法推荐，系统给出了-1.2727，-1.0042，-3.83051. MU_PIE上的识别率当使用特征补偿系数组合时，''3.8422,10.5563,7.5137,6.1952,4.3503,1.2727在训练样本数为10 ~ 18的情况下，改进的粒子群算法推荐的最优分类器为1.0042、张彦虎、严软件X 22（2023）10130513图10个。O R L 数 据 集 上 推荐的特征补偿系数的 验 证 结 果 。图十一岁M U _ P I E 数 据 集 上 推荐的特征补偿系数的 验 证 结 果 。图像的测试样本，识别率与其他算法进行了比较，细节可以在图中看到。 六、上述图结果表明，采用改进的粒子群算法推荐特征补偿系数的IFC人脸识别算法具有非常好的人脸识别精度，远远优于其他流行的人脸识别算法。2. 在ORL和YALE人脸数据集上的应用效果从图13和图14的分析可以看出，基于MU_PIE数据集生成的特征补偿系数在ORL数据集和YALE数据集上的性能不是最好的，但总体上结果是相当令人满意的，尤其是在YALE数据集上，该系数组合的性能仅次于CLBP算法。综上所述，本文设计的改进粒子群算法能够根据人脸识别系统的特点优化补偿策略的准确率实验结果表明，改进PSO算法得到的特征补偿系数组合没有明显的过拟合现象。通过与同类算法的对比分析，该算法在多个分析指标上的性能优于IGFC等算法，验证了该方法的合理性，具有较好的推广使用价值。6. 未决问题由于能量的限制，本文主要研究了固定模式下人脸识别算法的优化问题。张彦虎、严软件X 22（2023）10130514图12个。 推荐的 特征补偿系数在MU_PIE数据集上的验证结果。图13岁O R L 数 据 集 上 推荐的特征补偿系数的 验 证 结 果 。人脸图像的像素，而不考虑图像大小不均匀的情况。针对以上问题，研究者可以对人脸图像尺寸不均匀场景下的人脸识别算法7. 结论为了提高人脸识别的准确率，提出了一种基于图像特征补偿策略的IFC人脸识别算法。针对人脸识别算法中特征补偿系数优化不足的问题，提出了一种改进的粒子群优化算法，在改进的算法中，人脸识别算法的识别率分别以适应度和全补偿来拟合将系数设定为参数。通过对粒子群智能算法的改进，实现了获得更优特征补偿系数组合的目的。该方案为解决类似问题提供了新的思路，拓展了人脸识别算法优化的视野，提高了人脸识别算法的识别率。通过在MU_PIE、ORL和YALE人脸数据集上的验证，IFC算法在MU_PIE人脸数据集上的识别率比IGFC算法（14个训练样本）提高了35.74%，在Yale人脸数据集上的识别率比IGFC算法（2个训练样本）提高了14.81%。在ORL数据集上，当训练图像达到5. 实验结果表明，该算法应用于基于特征补偿策略的人脸识别系统中，识别率得到了很大的提高，且不存在过拟合问题。张彦虎、严软件X 22（2023）10130515图十四岁 推荐的 特征补偿系数在YALE数据集上的验证结果。CRediT作者贡献声明张延虎：概念化，方法论，写作--初稿. Lijuan Yan：数据策展，软件，写作- review&编辑，调查。数据可用性数据将根据要求提供。资金本 研 究 得 到 了 广 东 省 教 育 厅 重 点 领 域 专 项（ No.2022GKTSCX055 ， 2019GKTSCX041 ） 和 韶 关 市 科 技 计 划（ No.2019GKTSCX041 ） 的 支 持 。 210722094530279 号 2018SN041）。竞合利益作者声明，他们没有已知的竞争性财务利益或个人关系，可能会影响本文报告的工作引用[1] 放大图片作者：Gupta S，Thakur Kutub，Kumar M.基于Sift和Surf描述子的二维人脸识别。Vis Comput 2020;1[2] Karanwal Shekhar，Diwakar M. OD-LBP：正交差分局部二值模式人脸识别。数字信号处理2021;110：102948。[3] Basu DK，Jogendra Garain DR，Sing Kisku J，Gupta Piyush.基于集成框架的稠密局部描述子的无约束和约束人脸识别。神经计算2020;408：273-84.[4] 纳库里湾二维子类判别分析在人脸识别中的应用。模式肛门应用2020;24：109-17.[5] Ling H，Wu Ji Yang，Huang Junrui，Chen J，Li P.基于注意力的卷积神经网络用于深度人脸识别.多媒体工具应用2019;79：5595-616。[6] 黄C，李Y，赖陈昌，唐X。用于人脸识别和属性预测的深度不平衡学习。IEEE跨模式Anal MachIntell2020;42：2781-94.[7] 牟青，魏莉，王丙，罗丁，高丙。静态视频监控的无监督域自适应场景特定行人检测。模式识别2021;118（9）：108038.[8] Chalabi Elhouda Nour等，基于粒子群优化的人脸识别系统块特征选择。多媒体工具应用2021;80（24）：33257-73。[9]Rabah Hammouche等人，基于深度自动编码器的人脸识别系统的Gabor滤波器组。专家系统应用2022;116743。[10]Elhouda Chalabi Nour等人。基于单基因二值化统计图像特征的人脸识别机制。多媒体工具应用2022;1-18.[11]Abdelouahab Attia，Mourad Chaa.基于人脸区域的深度网络个人识别系统。Int J Appl Math Electron Comput2018;6（3）：27-32.[12]Turk MA，Pentland AP.使用特征脸进