周凱莉，吳有超，姜元昊，周 楓

（1.江蘇科技大學(xué) 計(jì)算機(jī)學(xué)院；2.江蘇科技大學(xué) 機(jī)械學(xué)院，江蘇 鎮(zhèn)江 212003）

0 引言

目前成熟的人臉識(shí)別與分類(lèi)算法有卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）［1］、特征臉?lè)椒ǎ‥igenfaces）［2］、局部二元模式直方圖（Local Binary Patterns，LBP）、改進(jìn)的特征臉?lè)椒ǎ‵ace Net）［3］、三維識(shí)別、主成分分析（Principal Component Analysis，PCA）［4］與支持向量機(jī)（Support Vector Machine，SVM）結(jié)合的內(nèi)核方法等。內(nèi)核方法首先從訓(xùn)練圖像集的協(xié)方差矩陣中接收特征向量，計(jì)算每張圖像的主要成分，然后將未知圖像的主要成分與所有其他圖像的成分進(jìn)行比較。內(nèi)核方法的重難點(diǎn)在于支持向量機(jī)進(jìn)行圖像識(shí)別分類(lèi)時(shí)如何提高準(zhǔn)確度。其中一種思路是采用智能算法優(yōu)化支持向量機(jī)的核函數(shù)和懲罰參數(shù)，建立識(shí)別分類(lèi)器應(yīng)用于人臉識(shí)別特征分類(lèi)。

將人臉識(shí)別用于身份認(rèn)證具有重要的安全意義，因此目前市場(chǎng)對(duì)人臉識(shí)別技術(shù)的需求依然旺盛。本文基于內(nèi)核方法，先使用主成分分析法對(duì)圖片提取響應(yīng)特征，提出加入自適應(yīng)調(diào)整慣性權(quán)重策略［5］的改進(jìn)麻雀搜索算法［6］與支持向量機(jī)融合（Improved Sparrow Search Algorithm-Support Vector Machine，ISSA-SVM）的人臉特征識(shí)別分類(lèi)模型［7］。實(shí)驗(yàn)結(jié)果表明，該算法在人臉識(shí)別領(lǐng)域的應(yīng)用具有理論可行性，為人臉識(shí)別相關(guān)算法的拓展提供了其他可行思路。

1 相關(guān)研究

群體智能算法是一個(gè)龐大的體系，已應(yīng)用比較成熟的有遺傳算法（Genetic Algorithm，GA）、蟻群算法（Ant Colony Algorithm，ACO）、灰狼算法（Grey Wolf Algorithm，GWO）、粒子群優(yōu)化算法（Particle Swarm Optimization，PSO）等。麻雀搜索算法（Sparrow-Search-Algorithm，SSA）受到麻雀覓食行為和反捕食行為的啟發(fā)而提出，屬于智能仿生算法中粒子群優(yōu)化算法（PSO）的其中一種，用于模擬群體智能所產(chǎn)生的一種進(jìn)化計(jì)算技術(shù)（Evolutionary Computation）。相較于其他智能優(yōu)化算法，麻雀搜索算法是一種高效、靈活、內(nèi)存占用低、易于實(shí)現(xiàn)的搜索算法，適用于大規(guī)模搜索問(wèn)題。

薛建凱［8］首次提出模擬麻雀覓食行為和預(yù)警行為的模擬優(yōu)化算法，同時(shí)制定相應(yīng)規(guī)則，再建立對(duì)應(yīng)的數(shù)學(xué)模型，歸納了算法的實(shí)現(xiàn)步驟；馮璋［9］引入非線性收斂因子，利用動(dòng)態(tài)權(quán)重調(diào)整適應(yīng)度值改進(jìn)灰狼算法，優(yōu)化支持向量機(jī)的核函數(shù)和懲罰參數(shù)在人臉識(shí)別中的應(yīng)用，實(shí)驗(yàn)結(jié)果表明，改進(jìn)的灰狼算法分類(lèi)器（Improved Grey Wolf Algorithm-Support Vector Machine，IGWO-SVM）最終識(shí)別準(zhǔn)確率為88.3%；吳永紅等［10］提出基于學(xué)習(xí)因子與慣性權(quán)重動(dòng)態(tài)調(diào)整的粒子群算法優(yōu)化支持向量機(jī)參數(shù)（Particle Swarm Optimization-Support Vector Machine，PSO-SVM），最終的識(shí)別準(zhǔn)確率為81%；左建國(guó)［11］提出基于蜂群算法的選擇性集成SVM 分類(lèi)器進(jìn)行人臉識(shí)別分類(lèi)。但這些群智能仿生算法本身或經(jīng)過(guò)優(yōu)化后，仍會(huì)受限于自身弊端，即容易陷入局部最優(yōu)問(wèn)題。

2 麻雀搜索算法

2.1 原理介紹

麻雀搜索算法的基本思想是將搜索空間分成若干個(gè)子空間，然后對(duì)每個(gè)子空間進(jìn)行搜索，直到找到目標(biāo)或搜索空間為空為止。仿生算法是一種基于生物進(jìn)化思想的算法，如粒子群算法PSO 通過(guò)模擬生物進(jìn)化過(guò)程，逐步優(yōu)化解法，最終找到最優(yōu)解［12-13］。麻雀搜索算法更加注重局部最優(yōu)解，在一定程度上克服了PSO 算法的局限性。

麻雀是一種小型鳥(niǎo)類(lèi)的統(tǒng)稱，通常少則十幾只，多則幾十只聚集在一起。規(guī)定由N 只麻雀組成的種群表示形式如式（1）所示。該麻雀種群中每只麻雀可能有3 種行為：一是作為種群中負(fù)責(zé)搜索食物的發(fā)現(xiàn)者；二是作為加入發(fā)現(xiàn)者的跟隨者，向發(fā)現(xiàn)者的位置移動(dòng)覓食；三是警戒偵查者，當(dāng)警戒麻雀發(fā)現(xiàn)危險(xiǎn)，立即發(fā)出鳴叫。其中，發(fā)現(xiàn)者與跟隨者的行為身份是可以動(dòng)態(tài)轉(zhuǎn)變的，但總體比例不變。當(dāng)警戒偵察者發(fā)出鳴叫，跟隨者向安全區(qū)域散開(kāi)，群體中間的發(fā)現(xiàn)者隨機(jī)走動(dòng)，向安全區(qū)的跟隨者靠近。

2.2 發(fā)現(xiàn)者位置更新

SSA 中的發(fā)現(xiàn)者為群體搜索食物，每個(gè)發(fā)現(xiàn)者都有一個(gè)適應(yīng)度值，值越高找到食物的幾率越大，其帶動(dòng)跟隨者進(jìn)行種群移動(dòng)。在每次迭代過(guò)程中，發(fā)現(xiàn)者位置公式的更新如式（2）所示。

式中，參數(shù)t為當(dāng)前迭代次數(shù)，itermax為最大迭代次數(shù)，Xij是第t次迭代時(shí)第i只麻雀?jìng)€(gè)體在第j維中的位置信息，α為(0，1)區(qū)間上的隨機(jī)數(shù)，L為每個(gè)因子均為1 的一個(gè)l×d的矩陣，Q是服從標(biāo)準(zhǔn)高斯分布的隨機(jī)變量的一個(gè)樣本，R2為警戒者發(fā)出的預(yù)警值，R2∈(0，1)。ST為預(yù)警安全值，ST∈(0.5，1)。若R2＜ST，表明未發(fā)現(xiàn)捕食者，種群狀態(tài)安全；若R2≥ ST，表示部分個(gè)體發(fā)現(xiàn)或遭遇捕食者，所有麻雀響應(yīng)危險(xiǎn)警報(bào)，需要快速飛到其他安全區(qū)域。根據(jù)公式（2）可知，下次迭代過(guò)程中的發(fā)現(xiàn)者圍繞當(dāng)前位置移動(dòng)。移動(dòng)位置值的變化范圍Y如式（3）所示。

2.3 跟隨者位置更新

在每次迭代中，跟隨者位置更新如式（4）所示。

2.4 預(yù)警行為

群體中的所有麻雀都具有相同的預(yù)警機(jī)制，該機(jī)制可理解為，一群麻雀覓食過(guò)程中有約10%-30%的麻雀意識(shí)到有捕食者，從而觸發(fā)報(bào)警機(jī)制。警戒者的位置更新如式（5）所示。

上述公式中，k為隨機(jī)數(shù)，k∈[-1，1]；β為隨機(jī)步長(zhǎng)控制系數(shù)，服從方差為1、均值為0 的高斯分布［14］；fi表示第i個(gè)麻雀?jìng)€(gè)體的適應(yīng)度值；fg代表當(dāng)前最佳適應(yīng)度值；fw表示當(dāng)前最糟糕的適應(yīng)度值；ε 表示最小的參數(shù)，以避免分母為零。當(dāng)fi＞fg，意味著個(gè)體處于群體邊緣；當(dāng)fi=fg，表明在群體中間的麻雀意識(shí)到了危險(xiǎn)，需要散開(kāi)飛向安全的地方。

3 改進(jìn)麻雀搜索算法

麻雀搜索算法需要克服的問(wèn)題是平衡局部搜索與全局搜索，盡量避免陷入局部最優(yōu)。采取如下所述的優(yōu)化策略：

3.1 Tent混沌映射

目前，群體智能算法初始種群個(gè)體的生成是在給定范圍內(nèi)隨機(jī)生成數(shù)組，導(dǎo)致初始個(gè)體具有較大的隨機(jī)性和不確定性，算法效果不佳。因此，可以通過(guò)改進(jìn)初始化種群的方式改進(jìn)算法的優(yōu)化和收斂性能，提升局部探索能力與全局探索能力。常見(jiàn)的混沌映射函數(shù)有Chebyshev、Circle、Gauss、Iterative、Logistic、Piecewise、Sine、Singer、Sinusoidal、Tent 等。圖1 給出了這些混沌映射函數(shù)在參數(shù)區(qū)間［0，1］上的分布情況。

觀察圖1，對(duì)比其他函數(shù)，發(fā)現(xiàn)Tent 產(chǎn)生的混沌序列具有良好的分布性和隨機(jī)性。將Tent 映射用到群智能優(yōu)化算法中，選擇多個(gè)不同的初始值，能產(chǎn)生穩(wěn)定分布的混沌序列。為保證初始種群個(gè)體的自隨機(jī)性，采取Tent 映射初始化麻雀種群來(lái)增加多樣性，提高ISSA 算法的收斂速度。Tent 映射混沌的表達(dá)式如式（6）所示，經(jīng)過(guò)伯努變換產(chǎn)生表達(dá)式如（7）所示。

3.2 自適應(yīng)調(diào)整慣性權(quán)重策略

第i只麻雀在j維上的搜索能力如（8）所示。

其中，Xij是第i只麻雀位置在第j維上的分量，x*表示第i個(gè)麻雀移動(dòng)過(guò)程最好位置的第j維分量，Xbest是全局最好位置的第j維分量，ε 是一個(gè)很小的正常數(shù)。由式（8）可推出：若Xij距x*較遠(yuǎn)，而x*距Xbest較近，則ISA 的值較大，此時(shí)全局搜索能力較強(qiáng)，應(yīng)該適當(dāng)減小慣性權(quán)重，增強(qiáng)局部搜索能力。反之，則應(yīng)增大慣性權(quán)重。自適應(yīng)調(diào)整慣性權(quán)重策略公式如（9）所示。

其中，α∈（0，1］，為控制慣性權(quán)重變化速度的參數(shù)。實(shí)驗(yàn)結(jié)果表明，當(dāng)α=0.3 時(shí)，算法性能最佳，因此取α為常量0.3。

式（2）中引入自適應(yīng)慣量，重新更新發(fā)現(xiàn)者所在位置，改進(jìn)后的公式如（10）所示。

3.3 算法停滯問(wèn)題

算法后期隨著不斷迭代，種群多樣性喪失，導(dǎo)致過(guò)早收斂。一般引入柯西分布或高斯分布作為變異步長(zhǎng)，解決算法停滯問(wèn)題。圖2 對(duì)比了標(biāo)準(zhǔn)高斯分布和標(biāo)準(zhǔn)柯西分布的概率密度函數(shù)曲線。圖中顯示，高斯分布峰值最高，兩邊走勢(shì)陡峭。柯西分布的峰值比高斯分布低，速度走勢(shì)更平緩。因此，高斯分布局部性強(qiáng)，容易得到局部最優(yōu)解；而柯西分布全局性強(qiáng)，容易跳出局部最優(yōu)解。

采用柯西變異來(lái)增加種群的多樣性，可以適當(dāng)提高算法的全局搜索能力，增加搜索空間。首先引入柯西變異公式，如式（11）所示。

其次，采用非線性動(dòng)態(tài)遞減權(quán)值策略，提高算法性能，如式（12）所示。r在區(qū)間［0，a］內(nèi)隨迭代次數(shù)非線性遞減，t為迭代次數(shù)，k為調(diào)節(jié)系數(shù)，設(shè)置k與a都為常量1。

Fig.1 Chaotic function distribution圖1 混沌函數(shù)分布圖

Fig.2 Probability density function curve of standard Gaussian distribution and the Cauchy distribution圖2 標(biāo)準(zhǔn)高斯分布與柯西分布的概率密度函數(shù)曲線

δ 為麻雀的聚集度，h 為控制因子，自適應(yīng)調(diào)整聚集度δ的大小，聚集度函數(shù)如式（13）所示。

選擇當(dāng)前適應(yīng)度最佳的個(gè)體進(jìn)行混合變異，變異公式如（14）所示。

4 SVM參數(shù)優(yōu)化

4.1 支持向量機(jī)

支持向量機(jī)（SVM）是目前廣泛研究與使用的分類(lèi)算法，其核心思想是從輸入空間向高維空間作映射，找到合適的最優(yōu)分類(lèi)超平面，實(shí)現(xiàn)對(duì)樣本的分類(lèi)。將其轉(zhuǎn)化為需要解決的實(shí)際問(wèn)題后可描述為：使最近樣本到?jīng)Q策邊界最大化。SVM 的推導(dǎo)優(yōu)化目標(biāo)函數(shù)如式（15）所示，其約束函數(shù)為yi(wTΦ(xi) +b) ≥1。將求最大值問(wèn)題轉(zhuǎn)換為求極限值問(wèn)題，用拉格朗日乘子進(jìn)行求解。

在實(shí)際環(huán)境中，存在少量異常分布樣本。為允許異常樣本存在，引入松弛因子ξ，使每個(gè)樣本都有對(duì)應(yīng)的松弛變量，引入松弛變量后的間隔問(wèn)題稱為軟間隔。在式（15）的約束條件中加入松弛因子后的推導(dǎo)式如式（16）所示。當(dāng)c趨于很大時(shí)，意味著分類(lèi)嚴(yán)格，不能有錯(cuò)誤；當(dāng)c趨于很小時(shí)，意味著可以容忍更大的錯(cuò)誤，且c是需要根據(jù)具體應(yīng)用場(chǎng)景指定的一個(gè)參數(shù)。

Φ(x)是一種變換方法，即核函數(shù)變換。當(dāng)數(shù)據(jù)集不是線性可分時(shí)，需利用核函數(shù)將數(shù)據(jù)集映射到高維空間，使得數(shù)據(jù)在高維空間中線性可分。高斯核函數(shù)RBF 是最常用的一種核函數(shù)，定義如式（17）所示。其中，σ 為核函數(shù)參數(shù)，用于控制高斯核函數(shù)的局部徑向作用范圍。當(dāng)σ值很大時(shí)，樣本分布更分散；當(dāng)σ 趨于很小時(shí)，樣本密度更集中，從而導(dǎo)致過(guò)擬合問(wèn)題。所以，SVM 模型中的重點(diǎn)就是要選取合適的核函數(shù)參數(shù)。

4.2 參數(shù)優(yōu)化

綜上，首先需要找到最優(yōu)的懲罰因子c 和核函數(shù)參數(shù)σ。將c 和σ 一起［18］組成麻雀種群初始化值（ci，σi），不斷迭代整個(gè)算法，最終得到麻雀的最佳位置，即取得最優(yōu)解，用于初始化麻雀算法和SVM 參數(shù)。

然后計(jì)算適應(yīng)度值，將最優(yōu)解保留。將特征選擇最終轉(zhuǎn)化為二元優(yōu)化問(wèn)題，優(yōu)化后的特征選擇結(jié)果用0 和1 表示，未選擇該特征結(jié)果為0，選擇該特征結(jié)果為1。在算法迭代過(guò)程中，使用適應(yīng)度函數(shù)計(jì)算值評(píng)估解的質(zhì)量，對(duì)ISSA-SVM 分類(lèi)器所得到的最優(yōu)解進(jìn)行分類(lèi)，根據(jù)其分類(lèi)準(zhǔn)確率與特征選擇所選特征子集個(gè)數(shù)設(shè)計(jì)適應(yīng)度函數(shù)，如式（18）所示。

其中，a［p（train）］、a［p（test）］為訓(xùn)練集和測(cè)試集（驗(yàn)證集）準(zhǔn)確率，根據(jù)自身需要可選擇只用訓(xùn)練集準(zhǔn)確率或綜合考慮驗(yàn)證集準(zhǔn)確率。選擇的特征個(gè)數(shù)為r，總特征個(gè)數(shù)為N，得到的適應(yīng)度值為f，可使整個(gè)ISSA-SVM 分類(lèi)器性能最佳。

4.3 樣本判別

算法改進(jìn)了SVM 的分類(lèi)方法，在選取支持向量并得到最優(yōu)分類(lèi)超平面后，正類(lèi)樣本集和負(fù)類(lèi)樣本集均按各樣本與分類(lèi)超平面間的距離進(jìn)行內(nèi)部排序。隨后將正類(lèi)樣本集內(nèi)的中位數(shù)與負(fù)類(lèi)樣本集內(nèi)的最大數(shù)分別定義為人臉相似度為100%和0%的端點(diǎn)值，每當(dāng)處理需判斷的新樣本時(shí)，根據(jù)其與分類(lèi)面的位置及距離得到其人臉相似度值。此時(shí)，距離超出100%和0%端點(diǎn)值的點(diǎn)將直接按端點(diǎn)值數(shù)據(jù)進(jìn)行處理。接下來(lái)，改進(jìn)麻雀算法將自適應(yīng)地調(diào)整人臉相似度的接受閾值，以實(shí)現(xiàn)錯(cuò)誤分類(lèi)率這一評(píng)價(jià)指標(biāo)數(shù)值的最小化。出于可視化目的，圖3 展示了這一判別思想在

二維平面上的一個(gè)例子。

Fig.3 Face similarity value schematic圖3 人臉相似度值示意圖

4.4 人臉特征識(shí)別分類(lèi)流程

麻雀搜索算法是一種基于群體智能的搜索算法，將改進(jìn)的麻雀搜索算法用于解決優(yōu)化問(wèn)題，并將其與識(shí)別向量機(jī)結(jié)合，用于人臉識(shí)別。圖4 描述了該過(guò)程的算法流程。

Fig.4 ISSA-SVM algorithm flow圖4 ISSA-SVM 算法流程

5 仿真與實(shí)驗(yàn)

5.1 實(shí)驗(yàn)環(huán)境與條件假設(shè)

選擇文獻(xiàn)［6］和文獻(xiàn)［7］所述算法進(jìn)行對(duì)比仿真實(shí)驗(yàn)。實(shí)驗(yàn)環(huán)境如下：Windows10 64 位，處理器Intel（R）Core（TM）i7-8265U，主頻2.2 GHz，內(nèi)存16GB；仿真軟件Matlab2021a。

為驗(yàn)證本文使用Tent 映射改進(jìn)的麻雀搜索算法ISSA具有較強(qiáng)的穩(wěn)定性，選擇傳統(tǒng)的麻雀搜索算法SSA 進(jìn)行對(duì)比實(shí)驗(yàn)。遵循公平性原則，相關(guān)參數(shù)與迭代次數(shù)均保持一致。種群規(guī)模為100，安全值為0.8，發(fā)現(xiàn)者與跟隨者的比例分別為0.3、0.2，最大迭代次數(shù)為500。

圖5 為兩個(gè)算法部分收斂曲線的對(duì)比圖，水平方向代表迭代次數(shù)，垂直方向的坐標(biāo)是一個(gè)越小越好的評(píng)價(jià)量，表示錯(cuò)誤分辨率。傳統(tǒng)麻雀搜索算法在迭代次數(shù)達(dá)到400次時(shí)，錯(cuò)誤分辨率從43%左右降到約3%，開(kāi)始逐漸收斂，而改進(jìn)后的麻雀搜索算法在200 次左右即趨于收斂，收斂速度明顯提高，錯(cuò)誤分辨率為1.5%。

Fig.5 Comparison of convergence curve圖5 收斂曲線對(duì)比

5.2 實(shí)驗(yàn)過(guò)程

采用某公司提供的人臉特征庫(kù)進(jìn)行實(shí)驗(yàn)，選取總樣本數(shù)量672 個(gè)，分為訓(xùn)練集和測(cè)試集。取其中538 組作為訓(xùn)練樣本，134組作為測(cè)試樣本。ISSA-SVM 模型訓(xùn)練集樣本分類(lèi)結(jié)果如圖6 所示，測(cè)試集樣本分類(lèi)結(jié)果如圖7 所示。由圖6 得出，訓(xùn)練集樣本分類(lèi)全部正確，其中0～269 組樣本單調(diào)遞增。測(cè)試集樣本分類(lèi)圖中，兩個(gè)樣本分類(lèi)錯(cuò)誤，整體分類(lèi)識(shí)別正確率為98.5%。

實(shí)驗(yàn)過(guò)程中，SSA 算法與ISSA 算法具有相同的輸入數(shù)據(jù)、環(huán)境、優(yōu)化SVM 懲罰因子c 和核函數(shù)參數(shù)σ。一旦確定這兩個(gè)參數(shù)的最優(yōu)值，將不會(huì)隨著迭代動(dòng)態(tài)更新。將SVM分類(lèi)器、使用麻雀搜索算法優(yōu)化SVM 的分類(lèi)器（SSASVM）以及使用本文改進(jìn)的麻雀搜索算法優(yōu)化SVM 的分類(lèi)器（ISSA-SVM）進(jìn)行20 次實(shí)驗(yàn)，給出3 個(gè)算法的平均耗時(shí)。耗時(shí)記錄如表1所示。

Fig.6 Training set sample classification diagram圖6 訓(xùn)練集樣本分類(lèi)圖

Fig.7 Testing set sample classification diagram圖7 測(cè)試集樣本分類(lèi)圖

Table 1 Comparison of average time consumption表1 平均耗時(shí)比較

結(jié)果顯示，不管是未經(jīng)改進(jìn)的SSA 還是改進(jìn)后的ISSA，其改變核參數(shù)與懲罰因子，與默認(rèn)SVM 分類(lèi)器的平均耗時(shí)僅相差0.000 095s，不會(huì)影響參數(shù)優(yōu)化的效果和性能。

共實(shí)驗(yàn)20 次，與文獻(xiàn)［9］中EGWO-SVM、文獻(xiàn)［10］中PSO-SVM 算法給出的數(shù)據(jù)進(jìn)行對(duì)比，給出SVM 的懲罰因子與核參數(shù)的解，優(yōu)化參數(shù)比較如表2 所示。結(jié)果表明，ISSA-SVM 分類(lèi)器對(duì)于人臉特征識(shí)別具有較好的穩(wěn)定性。

在表2 的支持向量機(jī)參數(shù)基礎(chǔ)上繼續(xù)進(jìn)行實(shí)驗(yàn)，最后得出不同優(yōu)化算法分類(lèi)器的訓(xùn)練集準(zhǔn)確率、測(cè)試集準(zhǔn)確率以及最終準(zhǔn)確率。表3 列出了上述3 種識(shí)別方法的識(shí)別率對(duì)比結(jié)果。

Table 2 Optimized SVM parameters comparison表2 優(yōu)化SVM參數(shù)比較

Table 3 Comparison of identification rate表3 識(shí)別率比較

5.3 結(jié)果分析

通過(guò)將本文優(yōu)化的麻雀搜索算法ISSA 與傳統(tǒng)麻雀搜索算法進(jìn)行比較，表明ISSA 具有更高的準(zhǔn)確性、更短的算法耗時(shí)和更廣泛的適用性。將改進(jìn)后的麻雀搜索與支持向量機(jī)相結(jié)合，優(yōu)化懲罰因子與核參數(shù)，將文獻(xiàn)［9］和文獻(xiàn)［10］給出的算法結(jié)果與本文提出的分類(lèi)模型進(jìn)行比較，結(jié)果顯示，ISSA-SVM 分類(lèi)器在人臉特征識(shí)別方面具有較高的識(shí)別率和穩(wěn)定性。

6 結(jié)語(yǔ)

將人臉識(shí)別用于身份認(rèn)證對(duì)于安全保障具有重要意義，是值得研究的技術(shù)方向。本文提出一種基于改進(jìn)麻雀搜索算法與支持向量機(jī)融合的人臉特征識(shí)別分類(lèi)方法，新穎、簡(jiǎn)單、實(shí)用性強(qiáng)。實(shí)驗(yàn)結(jié)果證明，本文提出的ISSASVM 分類(lèi)器在人臉特征識(shí)別分類(lèi)方面的應(yīng)用具有可行性。但是優(yōu)化SVM 懲罰因子c 和核函數(shù)參數(shù)σ 后，這兩個(gè)參數(shù)的最優(yōu)值一旦確定，是不會(huì)隨著迭代動(dòng)態(tài)更新的。接下來(lái)的研究?jī)?nèi)容是算法如何在運(yùn)行狀態(tài)也能更新SVM 參數(shù)值，實(shí)現(xiàn)動(dòng)態(tài)更新。同時(shí)使用該算法實(shí)現(xiàn)人臉識(shí)別模塊，通過(guò)刷臉驗(yàn)證身份，做好信息加密，做到標(biāo)準(zhǔn)化、規(guī)范化。