神经网络在人脸识别中的应用
使用卷积神经网络进行人脸识别的教程
使用卷积神经网络进行人脸识别的教程人脸识别技术是一种通过对人脸图像进行分析和识别的技术，近年来随着深度学习技术的发展，人脸识别技术取得了重大突破。
其中，卷积神经网络（CNN）被广泛应用于人脸识别领域，具有较高的准确率和稳定性。
本文将介绍如何使用卷积神经网络进行人脸识别，以及相关的基本原理和步骤。
1. 数据收集与准备首先，进行人脸识别任务的第一步是数据的收集和准备。
通常，我们需要大量的人脸图像数据作为训练集，同时还需要一定数量的测试集来评估模型的性能。
数据可以通过各种途径获取，比如在网上搜索或者使用摄像头拍摄等方式。
在数据准备过程中，需要注意数据的质量和多样性，以确保模型的泛化能力。
2. 数据预处理在收集和准备好数据之后，接下来需要对数据进行预处理。
预处理的目的是将原始数据转换成模型可以接受的格式，并且提高数据的质量。
预处理的步骤包括但不限于：图像的缩放、灰度化、归一化、裁剪、去噪等。
这些步骤可以提高模型的训练速度和准确率。
3. 构建卷积神经网络模型构建卷积神经网络模型是人脸识别任务中的关键步骤。
卷积神经网络是一种特殊的神经网络结构，具有用于图像识别的卷积层、池化层和全连接层等结构。
在构建模型时，需要根据任务的特点和数据的特点选择合适的网络结构，并进行网络的配置和参数的初始化。
4. 模型训练与评估模型训练是使用卷积神经网络进行人脸识别的重要步骤。
在模型训练过程中，需要将数据输入模型，并进行前向传播和反向传播，通过优化算法不断调整网络参数以提高模型的性能。
模型训练完成后，还需要使用测试集对模型进行评估，计算模型的准确率、召回率、精确率等指标。
5. 模型应用与优化一旦模型训练和评估完成，就可以将模型应用于实际的人脸识别任务中。
在模型应用过程中，可能会遇到一些问题，比如模型的鲁棒性不够、计算速度过慢等。
这时，需要对模型进行优化，比如增加数据量、调整模型参数、使用更高效的计算硬件等。
6. 结语总的来说，使用卷积神经网络进行人脸识别是一项复杂而又有挑战性的任务。
卷积神经网络在人脸识别中的应用研究
卷积神经网络在人脸识别中的应用研究近年来，随着计算机技术的不断发展，人工智能已经成为了科技领域的热门话题。
其中，卷积神经网络作为一种重要的人工智能技术，广泛应用于图像处理、语音识别和自然语言处理等领域。
本文将探讨卷积神经网络在人脸识别中的应用研究。
一、什么是卷积神经网络卷积神经网络（Convolutional Neural Network，CNN）是一种类似于人脑抽象处理的深度学习算法。
其基本结构包括卷积层、池化层和全连接层。
通过不断的迭代学习，CNN可以自动提取图像中的特征，并进行分类和识别等任务。
二、卷积神经网络在人脸识别中的应用在人脸识别领域，卷积神经网络被广泛应用于人脸检测、人脸对齐和人脸识别等任务。
其中最为常见的是人脸识别任务，其基本流程包括面部检测、面部对齐和特征提取三个步骤。
下面我们将逐一进行讲解。
1、面部检测面部检测的主要目的是从一张图片中找出人脸的位置。
这在人脸识别任务中非常重要。
因为如果不能确定人脸的位置，就无法进行后续的面部对齐和特征提取。
卷积神经网络可以通过训练，自动学习图片中的特征，从而自动检测出人脸的位置。
这种方法比传统的面部检测算法效果更加准确、稳定。
2、面部对齐面部对齐的目的是将不同角度、光照条件、表情的面部图像变换为同一个角度、同一尺寸的图片。
这是因为人脸识别基于的是面部特征，因此对面部的表现形式要求非常严格。
卷积神经网络可以通过学习样本数据中的变化规律，实现对于面部变形的适应。
这种方法可以更好的利用数据，提高面部对齐精度。
3、特征提取特征提取是人脸识别任务中最为关键的一步。
通过对面部图像进行卷积、池化、最大池化、激活等处理，卷积神经网络能够自动提取面部的特征，并生成对应的面部特征向量。
这种方法在与传统的提取特征方法相比，具有更高的准确率和鲁棒性。
三、卷积神经网络在人脸识别中的优势与传统的人脸识别方法相比，卷积神经网络在人脸识别中具有以下几点优势。
1、更好的表征能力卷积神经网络能够自动学习面部图像中的特征，并生成对应的特征向量。
神经网络技术在图像识别中的应用
神经网络技术在图像识别中的应用随着科技的不断更新，人工智能已经成为了当今一个热门的话题。
其中，深度学习和神经网络技术的发展使得人工智能的应用越来越广泛。
在这些技术中，神经网络技术在图像识别中的应用尤为突出。
下面，本文将详细阐述神经网络技术在图像识别中的应用。
一、神经网络技术概述神经网络技术，在概念上可以被理解为由大量的人工神经元组成的一种网络结构，用来模拟人脑中的神经系统。
神经网络技术已经广泛应用于声音识别、自然语言处理、自动化控制等领域。
它是深度学习中的重要方法。
神经网络技术具有自我学习和优化的功能。
这意味着它们不需要静态的算法或规则，而是可以在学习过程中不断优化自身的功能，以提高分类准确度，这是其应用于图像识别的核心优势。
二、图像识别是指通过计算机对图像中的对象信息进行识别和判断，包括人脸识别、物体识别等。
在过去，对于图像识别，人工智能处理图像的效果很差。
但是，随着神经网络技术的发展，这种情况得到了改善。
神经网络技术在图像识别中的核心原理是利用深度学习来实现图像分类。
神经网络模型会根据给定的训练数据，不断优化权重参数，从而能够识别和辨析已知或未知的图像。
具体来说，从图像中提取特征是神经网络在分类任务中的关键工作。
同时，神经网络技术可以通过样本训练的方式自动提高准确率。
II.神经网络技术在人脸识别中的应用目前人工智能的应用非常广泛，其中人脸识别是其重要的应用之一。
很多企业、机构和个人都将人脸识别技术应用于自己的业务或生活中。
具体来说，神经网络技术在人脸识别中的应用包括两个方面：人脸检测和人脸识别。
1.人脸检测人脸检测是进行人脸识别的前置工作，其主要任务是在一张图片中找到包含人脸的区域，即“人脸定位”。
神经网络技术可以通过卷积神经网络等模型来检测人脸。
我们可以通过给网络提供大量的包含人脸和不包含人脸的图像样本，从而让网络学会如何识别人脸。
2.人脸识别当人脸被定位之后，接下来的任务是在众多人脸中寻找目标人脸并进行识别。
卷积神经网络在人脸识别中的应用
卷积神经网络在人脸识别中的应用人脸识别作为一项重要的生物识别技术，被广泛应用于安全防护、人机交互、人脸搜索等领域。
而卷积神经网络（Convolutional Neural Network, CNN）作为一种有效的深度学习模型，已被证明在人脸识别中具有重要作用。
本文将探讨卷积神经网络在人脸识别中的应用，并分析其优势和挑战。
一、人脸识别的基本原理人脸识别系统一般包含两个主要步骤：预处理和特征提取与匹配。
预处理阶段主要包括人脸检测和人脸对齐，其目的是提取出图片中的人脸区域，并将其对齐到一个标准的位置和大小。
特征提取与匹配阶段则是使用某种算法将人脸的特征表示与数据库中的特征进行比对，从而实现对人脸的识别。
二、卷积神经网络在人脸识别中的应用卷积神经网络通过模拟人脑的视觉处理机制，可以有效地从原始图像中提取特征，并具备很强的图像分类和识别能力。
在人脸识别中，卷积神经网络常用于进行特征提取和特征匹配。
1. 特征提取在卷积神经网络中，通过多层卷积和池化操作，可以逐渐提取图像的局部特征，比如边缘、纹理等。
这些特征对于识别人脸的重要部分非常有用。
同时，通过卷积层的堆叠，网络可以学习到更高层次的特征表示，比如面部轮廓、眼睛、鼻子等特征。
这些特征的组合可以构成一个较为完整的人脸特征表示，从而有助于提高识别的准确性。
2. 特征匹配在得到人脸的特征表示后，卷积神经网络常用于进行特征匹配。
通常，将人脸特征与数据库中的特征进行比对，使用欧氏距离、余弦相似度等度量方法来计算它们之间的相似度。
相似度高的人脸特征对应的人脸图像即为匹配成功的结果。
卷积神经网络通过训练大量的人脸数据，可以学习到区分人脸特征的有效表达方式，从而提高识别的准确率和鲁棒性。
三、卷积神经网络在人脸识别中的优势卷积神经网络在人脸识别中具有以下优势：1. 大规模人脸数据集的支持：卷积神经网络需要大量的训练数据才能发挥其优势，而随着人脸数据库的不断增长，可用于训练的人脸数据也越来越多，这为卷积神经网络在人脸识别中的应用提供了有力支持。
基于神经网络的人脸识别技术原理及应用
基于神经网络的人脸识别技术原理及应用人脸识别技术凭借其高精度、高效率的特点，在安防、金融、交通等领域得到了广泛应用。
它的核心技术之一是基于神经网络的人脸识别技术。
本文将对该技术的原理及应用做出详细介绍。
一、人脸识别技术的分类人脸识别技术分为两类：基于特征的识别技术和基于神经网络的人脸识别技术。
其中，基于特征的识别技术又分为几何特征法和纹理特征法。
几何特征法是通过提取人脸关键点来描述人脸的形状，从而实现人脸识别。
纹理特征法则是通过提取特定区域的灰度或颜色信息来描述人脸纹理，从而实现人脸识别。
相较于基于特征的识别技术而言，基于神经网络的人脸识别技术利用神经网络对原始图像进行训练和分类，具备更高的识别准确率。
二、基于神经网络的人脸识别技术原理基于神经网络的人脸识别技术是通过构建模型来实现的。
这个模型会自动提取图像的主要特征，使用这些特征来学习识别人脸。
一般而言，基于神经网络的人脸识别技术包含三个过程：数据预处理、特征提取、分类。
1. 数据预处理数据预处理是为了减少数据对神经网络的干扰而进行的。
其主要目的是对数据集进行预处理，包括去噪、归一化等。
2. 特征提取特征提取是将原始图像转换成一组能更好地表示该图像的特征向量的过程。
在神经网络中，通常使用卷积神经网络(Convolutional Neural Networks, CNN)来提取特征。
卷积神经网络是模仿人类视觉系统的处理方式来构建的，通过多次卷积、池化等过程，提取出图像中与人脸特征相关的信息。
3. 分类分类是将每个特征向量与一个已知人脸数据集进行比对的过程。
通过比对，可以确定图像中是否存在人脸，以及该人脸属于哪个人的。
三、基于神经网络的人脸识别技术的应用人脸识别技术基于其高准确度、高可靠性的特点，应用十分广泛。
以下是一些典型的应用场景：1. 安全领域安防区域的门禁系统、人脸识别考勤系统等都是基于人脸识别技术开发的。
这些系统可以高效精确地实现人员管理和考勤管理。
基于神经网络的人脸识别算法研究
基于神经网络的人脸识别算法研究Introduction人脸识别算法是一种自动识别人脸的技术，该技术将人脸图像中的各种特征提取出来，并将其与数据库中的人脸特征进行匹配。
近年来，基于神经网络（包括卷积神经网络和循环神经网络）的人脸识别算法发展迅速，取得了令人瞩目的成果。
本文将探讨基于神经网络的人脸识别算法研究的相关内容。
I. 基础知识1. 人脸识别原理人脸识别算法的基本原理是将人脸图像中的各种特征提取出来，并将其与数据库中的人脸特征进行匹配。
通常，人脸识别算法包括以下步骤：①预处理：图片裁剪等方式对图像进行处理，提高图片质量。
②特征提取：从图像中提取出人脸的特征关键点，如鼻子、眼睛、口等等，用于分类和识别。
③特征匹配：将提取的特征点进行匹配，和数据库中的相似点进行比对。
2. 神经网络基础神经网络是一种人工智能算法，能够利用其自身的权值来自动分析数据，并从中学习如何处理信息。
包括循环神经网络和卷积神经网络两种。
II. 基于神经网络的人脸识别算法1. 循环神经网络（RNN）人脸识别算法循环神经网络是一种递归神经网络，可以用于对序列数据进行建模和分类。
它的主要特点是可以接受任意长度的输入序列，并输出相应的序列。
在人脸识别中，RNN可以利用不同时间段内的人脸图像序列，通过学习其动态特征，实现更加准确的人脸识别。
2. 卷积神经网络（CNN）人脸识别算法卷积神经网络是一种特殊的神经网络，主要应用于图像识别、语音识别等领域。
CNN的一般结构包含卷积层、池化层和全连接层。
在人脸识别中，CNN可以将人脸图像中的不同位置上的特征进行提取，并通过不断迭代优化，最终实现对人脸的准确识别。
III. 基于神经网络的人脸识别算法在实际应用中的研究基于神经网络的人脸识别算法在现实生活中已经得到了广泛的应用。
在金融领域，可以用于银行ATM自助服务中，确保只有合法用户才能进行取款操作。
在安防领域，可以用于智能门禁，只有识别出名单内的人员才能进入特定场所，从而提高了安全性。
神经网络在图像识别和分类中的应用
神经网络在图像识别和分类中的应用过去几十年中，神经网络技术经历了不断的改进和发展。
现在，在图像识别和分类领域，神经网络技术已经到达了一个使人惊喜的水平。
神经网络不仅可以识别和分类图片，还可以在一定程度上理解图像中的内容。
这种技术被广泛应用于人脸识别、自动驾驶和医学图像识别等领域。
神经网络的工作原理神经网络是一种基于人类大脑神经元的模型所建立的计算机系统。
神经网络在不同的应用领域有不同的结构。
在图像识别和分类中，通常使用卷积神经网络（CNN），它由多个层次组成，每个层次实现不同的功能。
CNN通过摄取和学习大量图像样本，从而可以识别出新的图像样本。
下面是一个典型的CNN结构：图像输入层 --> 卷积层 --> 池化层 --> 卷积层 --> 池化层 --> 全连接层 --> 输出层首先，图片被送入到神经网络的输入层，每个像素都被看做是神经元。
接着，CNN会将这些像素通过卷积滤波器进行过滤，得到一些特征。
滤波器大小一般为3 x 3 或 5 x 5，这个大小可以进行训练时进行选择。
接着，池化层会将滤波器输出的特征降维。
经过多次卷积和池化后，CNN会降低图像的维度，然后将图像样本送到全连接层进一步处理。
最终，输出层会将图像识别结果显示在屏幕上。
神经网络的发展历程神经网络的发展历程可追溯到1940年代。
当时，科学家们发现物理学中的模型可以用于神经元之间的联系。
从此，神经网络的理论框架就存在了。
在1960年代初期，Rosenblatt 博士首次提出了感知机模型，并构建了一种用于机器学习的神经网络。
这种模型被广泛用于数字识别和控制系统的开发。
在1980年代末期和1990年代初期，人工神经网络得到了一个高峰，吸引了大量学者的关注。
那个年代，由于计算机的性能受限，神经网络的应用对计算机的计算能力有非常高的要求。
但是，随着计算机技术的提高，神经网络的应用得到了不断的扩展。
现在，神经网络被广泛应用于各个领域，特别是图像识别和分类。
基于神经网络的智能人脸识别
基于神经网络的智能人脸识别随着现代科技的不断发展，智能人脸识别被广泛应用于生活和各种场景。
作为计算机视觉领域的重要应用之一，人脸识别技术也在不断进步和提高。
其中，基于神经网络的智能人脸识别技术成为了当前最主流的技术之一。
1. 神经网络的发展及其在人脸识别中的应用神经网络是由一系列数学和统计模型组成的，用于通过数据学习和模拟一些复杂的非线性关系。
神经网络由于其高度灵活性和适应性，特别适用于图像、语音、自然语言等非结构化数据的处理。
在人脸识别方面，神经网络被应用于多个领域。
目前最为流行的应用是基于卷积神经网络（CNN）的人脸识别技术。
CNN 是一种特殊的神经网络结构，由卷积层、池化层、全连接层等构成，可以有效地提取图像特征。
2. 基于神经网络的人脸识别技术的工作原理在基于神经网络的人脸识别技术中，首先需要通过大量的人脸数据训练模型，模型一般采用卷积神经网络结构。
在训练中，深度学习模型会学习到人脸中各种特征，如脸部轮廓、眼、鼻、嘴等局部特征。
在训练后，深度学习模型可以通过输入一张人脸图像来输出一个固定长度的向量，这个向量被称为“人脸特征向量”。
在实际应用中，输入一张需要验证的人脸图像，系统将抽取该图像的特征，与已有的特征向量进行比对。
一般采用欧氏距离或者余弦相似度等算法进行相似度计算，从而判断输入人脸图像是否在已有记录中。
若匹配，系统将返回匹配的人脸信息；否则，系统将提示人脸无法通过验证。
3. 基于神经网络的人脸识别技术的优势相比传统的人脸识别技术，基于神经网络的人脸识别技术具有以下优势：（1）高准确性。
基于神经网络的人脸识别技术，通过大量数据的训练，可以提供高准确率的匹配结果。
（2）高鲁棒性。
神经网络对图像的干扰具有较强的鲁棒性，能够有效地应对光照、角度、姿态等因素对图像质量的影响。
（3）高效性。
相比传统方法，基于神经网络的人脸识别技术的处理速度更快。
4. 基于神经网络的人脸识别技术面临的挑战基于神经网络的人脸识别技术，虽然在匹配准确性、鲁棒性和处理速度等方面表现出良好的性能，但它也不可避免地面临着一些挑战。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
神经网络在人脸识别中的应用
1. 引言
早在上世纪60年代末，人脸识别即引起了研究者的强烈兴趣.但早期的人脸识别一般都需要人的某些先验知识，无法摆脱人的干预。
进入上世纪90年代，由于高速度、高性能计算机的出现，人脸识别的方法有了重大突破，进入了真正的机器自动识别阶段，人脸识别研究得到了前所未有的重视。
人脸识别方法有很多种：
(1) 特征脸方法。
这种方法起源于图像描述技术，采用特征脸识别方法有良好的
稳定性、位移不变性、特征向量与图像的高度成比例变化以及转置不变性。
不足之处是受表情变化、光照角度强度变化和视角变化等严重影响，鲁棒性较差。
(2) 隐马尔可夫模型方法(HiddenMarkovModel) 是用于描述信号统计特征的一
组统计模型。
HMM 的基本理论是由Baum和Welch等人在20世纪60年代末70年代初建立，在语音识别中应用较多。
(3) 弹性图匹配方法。
弹性图匹配方法是一种基于动态连接结构的方法。
它将人脸用格状的稀疏图表示。
(4) 神经网络方法。
人工神经网络是由多个神经元按照一定的排列顺序构成的，是一个非线性动力学系统，其特色在于信息的分布式存储和并行协同处理。
虽然单个神经元的结构极其简单，功能有限，但由大量冲经元所构成的网络系统却能够
实现复杂丰富的功能。
神经网络系统除了具有集体运算的能力和自适应的学习能力外，还有根强的容错性和鲁棒性•善于联想、综合和推广。
神经网络模型各种各样。
它们是从不同的角度对生物神经系统不同层次的描述和模拟。
有代表性的网络模型有感知器、多层映射BP网络、RBF网络等。
目前，在人工神经网络的实际应用中，绝大部分的神经网络模型都是采用BP网络及其变化形式，它也是前向网
络的核心部分，是人工神经网络最精华的部分。
2BP神经网络的人脸识别BP 神经网络用于人脸识别一般应先对输入图像实行图像预处理，然后进行特征提取，接下来就是BP网络训练，最后用训练好的网络进行识别，获得识别结果。
2. 基于特征脸和BP神经网络的人脸识别方法
2.1特征脸分析
这种方法是根据图像的统计特征进行正交变换(K-L变换)［3］,以去除样本
间的相关性，然后根据特征值的大小选择特征向量(主分量)，由于这些特征向量的图像类似人脸，所以称为特征脸［4, 5］。
下面就这种方法作简要介绍。
X€ RN为表示一幅图像的随机向量，这里N是图像的大小，X由图像的行或列连接而成的向量。
假设有p个人，每个人有r1 ( 1 <iWP)个人脸样本图像,样本集为{ Xji } , Xji表示第j个人的第i个样本。
那么每个人样本均值向量为mi ( 1 < i < p);总体样本均值向量为m;类间散布矩阵为
P 『
= 6 匚」伽f- m) ( m) 1(4) f=L
Sb是N XN的大矩阵，一般由奇异值分解定理［8］得到其特征向量矩阵U 及样本集的特征系数向量矩阵C。
其中
U = /吗』1^2* T J| / * C = f「、*q』uj *
U的秩总是小于p的，它的每一列就是一特征脸(向量)，一般有p - 1个。
每一张人脸都可以投影到这p - 1个特征脸张成的子空间中，得到一个特征系数向量，C 就是样本在子空间中投影得到的系数，每一列ci就代表mi在特征脸空间投影的特征系数向量，它有p- 1行，即投影得到的p - 1特征系数。
如图1是本文实验一张人脸
的具体展开，第一项为平均脸，其他是按特征值大小排序
的特征脸，常称为主元。
在最近邻识别中，将输入的人脸图像连接成一维向量，向特征脸张成的子空
间投影，然后在子空间中，如果与ci的距离最近，就判别为第i类。
淇十…HUM*
图1用特征脸表示人脸示竟图
2.2神经网络实现分类器
基于BP算法的前向多层神经网络以其算法、概念及基本理论都很简单，但有很强的学习能力，已经在实际问题中有了大量成功的应用[10],简称其为BP 神经网络。
本文用最小均方误差小于0.0001的学习，这样神经网络学习的实质
就是进行后验概率估计；分类时实质就是采用最大后验概率分类方法[10, 12]。
下面简要对它们的关系作推导。
神经网络实现的映射F: Rd - RM,这样期望最小均方误差E[ y - F( x) ] 2 最小，这里F( x) = E( y/x) , y 是期望的输出yj =( 0, ? ,0, 1, 0, ? , 0) T,如果x € (第j类)。
F( x) = E( y/x),这样对给定第j类的输入x,对应的输出为Fj( x) = E[ yj /x] = 1 XP( ( yj = 1) /x) + 0 XP( ( y = 0) /x) =P( ( yj = 1 ) /x)=
P( w j /x)
本文中，神经网络的输入是特征脸分析得到的39个特征，输出是40个人的
每个人的后验概率。
训练时，如果是第j个人，让输出的向量的第j元素为1,其他全为0。
换句话说，让第j类的概率为1。
分类识别时，取最大的输出作为结果，即最大后验概率作为输出。
3. 实验及结果分析
本文的实验是在ORL人脸数据库上进行的，有40人，每人有10张人脸样本。
实验中，每人随机选择五张图片作为样本集，剩下的作为测试集，然后交叉实验，让第一次的测试集作为样本集，第一次的样本集用来测试。
特征脸识别用最近邻判别方法，为了较客观的反映它的识别率，选择了四种常用的相似性度量方式[9] o对于识别率本文采取人脸识别中常用的累积识别率的办法。
由于神经网络结构的不同，会带来识别率较大的差别；并且由于网络权值初始化的随机性，每一次的结果不会完全一样。
所以统计了几种不同隐层神经元数目的平均识别率。
在实验中，发现多于三层的网络结构无益于识别率的提高，所以采用常见的三层结构,39个输入层，40个输出层。
而隐层的数目不能少于20 个，当少于20个时，识别率将会变得很差；当多于100个时，识别率增加不明显有时反而会下降。
从表1,表2可以看到，在最近邻识别的几种方法中，马氏距离取得了较好的效果。
BP网络的隐层神经元数目在一个较大的范围内，都取得了令人满意的识别率，比最近邻的识别率要好。
当隐层神经元数目是样本的一半左右时，取得了更高的识别率。
在交叉实验的比较中，发现第二组的识别率明显好于第一组，这是因为人脸识别问题可以看作回归问题，而回归问题中，样本显得特别重要，样本只是一定程度上反映问题的真实模型，好的样本能较好地逼近真实模型。
在实际问题中，当样本没有选择余地时，就会出现偏差和方差两难问题[10〜12] o
表1识别率比较
表2样本集和测试集交换后识别率比较
4. 结论
人脸识别是一个困难的研究课题,目前还处于探索阶段。
本文利用特征脸的方法提取特征，利用BP神经网络学习能力强、分类能力强的优点，实现分类器。
为了与经典的最近邻分类器更好地比较，选择了四种相似度测量方法。
用神经网络实现分类器时，较多地研究了网络结构的构造。
实验结果表明，如果网络的结构合理，识别率比最近邻分类器有较大的提高。
5. 参考文献：
[1] 苏剑波，徐波•应用模式识别技术导论一一一人脸识别与语音识别[M].上海:
上海交通大学出版社，2001.
[2] 金忠.人脸图像特征抽取与维数研究[博士学位论文][D].南京:南京理工大
学,1999.
[3] 宋刚，艾海舟，徐光.纹理约束下的人脸特征点跟踪[J].软件学报, 2004(15),11.
[4] 边肇祺，张学工.模式识别[M].北京：清华大学出版社,2000.。