基于改进的减法平均优化算法与BP神经网络的人脸识别

摘要

本文在减法平均优化算法（Subtraction Average-Based Optimizer, SABO）的初始化阶段引入了混沌映射，并与黄金正弦算法结合，提出了改进的减法平均优化算法（Improved Subtraction Average-Based Optimizer, ISABO），解决了减法平均优化算法可能陷入到局部最优解的问题，并通过23个基准函数的极值寻优验证了ISABO的有效性。针对静态的人脸图像的分类识别问题，本文依次利用直方图均衡化处理方法和高斯滤波处理方法进行图像预处理，再利用主成分分析法（Principal Component Analysis, PCA）对图像进行特征提取，最后利用ISABO算法优化BP神经网络实现人脸图像分类，这样建立了基于ISABO和BP神经网络的人脸识别模型ISABO-BP。实验结果表明，本文提出的ISABO-BP在ORL人脸数据库的人脸识别平均准确率为97.50%，优于其他比较算法，并且拥有良好的稳定性，有效降低了误识率、拒识率以及拒错比。

关键词

人脸识别 / 主成分分析法 / 减法平均优化算法 / 黄金正弦算法 / 混沌映射 / BP神经网络