基于QGA-BP神经网络的人脸识别技术研究
基于神经网络的人脸识别算法及应用研究
基于神经网络的人脸识别算法及应用研究第一章绪论人脸识别是计算机视觉领域中一个重要的研究领域，也是一种广泛应用的技术。
随着生物识别技术和计算能力的不断提高，人脸识别技术的发展也越来越快速，已经得到了广泛的应用，并在安防、金融、交通等领域中发挥着重要作用。
基于神经网络的人脸识别算法是目前研究的一种重要方向，本文将对其进行研究和探讨。
第二章神经网络基础神经网络是模拟人脑神经元结构和功能的一种计算模型，它由多个神经元相互连接组成，每一个神经元都有自己的权重和偏置，可以通过学习不断调整这些参数。
神经网络训练时，通过输入样本数据和对应的标签，通过反向传播算法来优化权重和偏置参数，从而实现对新的数据进行分类或预测。
第三章人脸识别算法人脸识别算法主要分为人脸检测、特征提取和分类三个步骤。
其中，人脸检测算法可以通过目标检测的方法实现，目前常见的方法有基于特征的方法和基于深度学习的方法。
特征提取主要使用传统的图像处理算法，比如局部二值模式（LBP）和主成分分析（PCA），以及基于深度学习的卷积神经网络（CNN）等方法。
分类算法则可以使用支持向量机（SVM）等传统机器学习算法，也可以使用深度学习算法，比如卷积神经网络（CNN）等。
第四章基于神经网络的人脸识别算法基于神经网络的人脸识别算法具有很好的性能，可以通过学习更加准确地提取人脸特征，并实现更加鲁棒的分类。
常见的基于神经网络的人脸识别算法有DeepFace、FaceNet和VGGFace等。
这些算法大都是基于CNN实现的，通过多层卷积和池化操作来实现特征提取，同时采用多层全连接层来进行分类。
第五章人脸识别应用人脸识别技术已经广泛应用于各个领域，主要包括安防、金融、交通等。
在安防领域，人脸识别技术可以用于门禁系统、监控系统等，通过人脸识别技术可以实现身份识别和自动报警。
在金融领域，人脸识别技术可以用于身份认证和交易安全等，通过人脸识别技术可以实现更加安全的交易。
在交通领域，人脸识别技术可以用于智能交通管理和安全监控等，通过人脸识别技术可以实现交通管理的智能化和安全性的提高。
基于BP神经网络的人脸识别系统
基于BP神经网络的人脸识别系统作者：安大海蒋砚军来源：《软件》2015年第12期摘要：随着移动设备的发展，人脸识别技术在移动端得到极为广泛的应用。
移动设备采集的图像其背景和光照条件等特征更容易发生变化，进而影响人脸识别的准确率。
本文提出了一种基于BP神经网络的人脸识别系统，并通过对人脸图像的预处理来消除背景及光照条件等特征对人脸识别准确率的影响，系统对人脸图像进行直方图平衡，滤波，椭圆遮罩等方式进行处理，提高了人脸识别的准确率。
本文搭建了真实的人脸识别系统，并对图像预处理工作能提高人脸识别准确率的有效性进行了验证。
关键词：人工智能；人脸识别；图像预处理；BP神经网络中图分类号：TP391.41文献标识码：ADOI：10.3969/j.issn.1003-6970.2015.12.018本文著录格式：安大海，蒋砚军.基于BP神经网络的人脸识别系统[J]软件，2015，36（12）：76-790 引言随着现代计算机技术的发展，人脸识别技术在安全验证、人机交流、公安系统等方面得到了』‘泛的使用，并且在视频会议、档案管理、医学医疗等方面也发挥着很大的作用。
所以，人脸识别技术已经逐渐成为人们在人工智能领域所研究的重点课题。
人脸识别主要是分为两个方面：一是人脸检测，指的是在图像中检测是否存在人脸，如果存在人脸，定位出人脸的位置；二是人脸识别，指的是从数据库中已经存在的人脸样本中确定出当前人脸图像的身份。
人脸识别系统的原理是首先在捕捉到的图像中进行人脸识别，之后将该图像进行人脸的具体身份匹配，通过BP神经网络建模，完成人脸识别。
当前移动设备越来越多，移动互联网时代下的人脸识别技术场景也越来越多。
在移动设备上捕获的人脸图像会出现背景的变换以及光照的变化。
背景及光照的变化会影响人脸识别的准确率。
针对上述问题，本文提出了一种人脸图像预处理的方法，用来解决背景及光照对于人脸识别准确率的影响。
同时基于BP神经网络实现了人脸识别系统，验证了方法的有效性。
基于BP神经网络的人脸识别研究
基于BP神经网络的人脸识别研究
刘伟伟
【期刊名称】《计算机光盘软件与应用》
【年(卷),期】2011(000)013
【摘要】为了对人脸图像的特征向量进行分类以达到人脸识别的目的，本文提出
了运用BP神经网络进行人脸识别的方法。
将人脸图像矩阵的奇异值作为识别特征，将BP神经网络作为分类器，通过实验表明该方法操作性强，结果可靠，可以快速的进行人脸图像识别。
%In order to achieve the purpose of face recognition by classifying the feature vector of face image,a new methods for face recognition on neural networks is presented in this paper.Singular values features of face image matrix are used as features,Back-Pr
【总页数】1页(P214-214)
【作者】刘伟伟
【作者单位】中国人民公安大学,北京100872
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于GA-BP神经网络的人脸识别方法研究 [J], 崔向东;崔婧楠
2.基于BP神经网络的人脸识别系统研究 [J], 陈翔;白创;黄跃俊
3.基于BP神经网络的人脸识别系统的研究与实现 [J], 黄丽韶;朱喜基
4.基于BP神经网络的人脸识别系统的研究与实现 [J], 黄丽韶;朱喜基
5.基于BP神经网络人脸识别系统的研究与设计 [J], 张玉萍
因版权原因，仅展示原文概要，查看原文内容请购买。
基于神经网络的人脸识别与表情分析技术研究
基于神经网络的人脸识别与表情分析技术研究人脸识别与表情分析技术是近年来快速发展的领域，尤其是基于神经网络的人脸识别与表情分析技术。
本文将从人脸识别技术和表情分析技术两个方面展开研究，介绍基于神经网络的人脸识别与表情分析技术的发展现状、原理和应用，并探讨其在未来的发展方向。
一、人脸识别技术1. 发展现状人脸识别技术通过对人脸图像进行特征提取和匹配，实现对个体身份的识别。
近年来，随着深度学习技术的兴起，基于神经网络的人脸识别取得了显著的进展。
从传统的基于特征提取的方法到现在基于深度学习的方法，人脸识别技术在准确性和鲁棒性上都有了显著的提升。
2. 技术原理基于神经网络的人脸识别技术主要是通过深度学习模型对人脸图像进行特征学习和分类。
常用的深度学习模型包括卷积神经网络（CNN）、欧几里得人脸网络（FaceNet）和三维卷积神经网络（3D CNN）等。
这些模型通过多层的神经元将人脸图像转换为高维特征向量，并使用分类器进行身份识别和验证。
3. 应用领域基于神经网络的人脸识别技术广泛应用于人脸门禁、刷脸支付、人脸认证等领域。
在人脸门禁系统中，可以替代传统的门禁卡，提高系统的安全性和便捷性。
在刷脸支付领域，用户只需进行一次人脸注册，后续支付只需通过人脸识别进行确认，无需携带手机或卡片，便利性大大提升。
二、表情分析技术1. 发展现状表情分析技术是基于神经网络的人脸识别的重要应用之一。
通过对人脸表情进行特征提取和分类，实现对人脸表情的分析和识别。
目前，基于神经网络的表情分析技术已经取得了较好的效果，能够准确识别人脸的快乐、愤怒、悲伤等主要表情。
2. 技术原理基于神经网络的表情分析技术主要是通过深度学习模型对人脸图像进行特征学习和分类。
常用的深度学习模型包括卷积神经网络（CNN）、循环神经网络（RNN）和深度置信网络（DBN）等。
这些模型通过多层的神经元将人脸图像转换为高维特征向量，并使用分类器进行表情识别。
3. 应用领域基于神经网络的表情分析技术在情感计算、人机交互、心理研究等领域有广泛应用。
基于BP神经网络的人脸识别系统
基于BP神经网络的人脸识别系统安大海;蒋砚军【摘要】随着移动设备的发展,人脸识别技术在移动端得到极为广泛的应用.移动设备采集的图像其背景和光照条件等特征更容易发生变化,进而影响人脸识别的准确率.本文提出了一种基于BP神经网络的人脸识别系统,并通过对人脸图像的预处理来消除背景及光照条件等特征对人脸识别准确率的影响,系统对人脸图像进行直方图平衡,滤波,椭圆遮罩等方式进行处理,提高了人脸识别的准确率.本文搭建了真实的人脸识别系统,并对图像预处理工作能提高人脸识别准确率的有效性进行了验证.%With the development of mobile devices,face recognition technology has been widely used in the mobile terminal.Changes are constantly taking place in the backgrounds and illumination conditions of images collected by mobile phone,and the accuracy of face recognition is affected.This paper presents a face recognition system based on BP neural network,and pre-process the images by histogram equalization,smoothing and el-liptical mask so as to improve the accuracy of face recognition.In this paper,a real face recognition system is built and the effectiveness of the algorithms is verified.【期刊名称】《软件》【年(卷),期】2015(036)012【总页数】4页(P76-79)【关键词】人工智能;人脸识别;图像预处理;BP神经网络【作者】安大海;蒋砚军【作者单位】北京邮电大学计算机学院,北京市 100876;北京邮电大学计算机学院,北京市 100876【正文语种】中文【中图分类】TP391.41本文著录格式：安大海，蒋砚军. 基于BP神经网络的人脸识别系统[J].软件，2015，36（12）：76-79随着现代计算机技术的发展，人脸识别技术在安全验证、人机交流、公安系统等方面得到了广泛的使用，并且在视频会议、档案管理、医学医疗等方面也发挥着很大的作用。
基于神经网络的人脸识别算法的研究与应用
基于神经网络的人脸识别算法的研究与应用一、介绍人脸识别技术是一种利用数字技术对人脸进行识别的技术，广泛应用于安全监控、金融交易等领域。
传统的人脸识别技术通常依赖于特征提取和分类器等算法，这些算法需要手动设计特征，以及针对特定应用进行参数调整。
而基于神经网络的人脸识别算法可以自动学习特征，从而在人脸识别任务中获得更好的性能。
本文将介绍基于神经网络的人脸识别算法的研究进展和实际应用。
二、神经网络神经网络是一种模仿生物神经系统的计算模型，可以通过多层结构实现对复杂问题的学习和处理。
在人脸识别领域，卷积神经网络（CNN）是应用最广泛的神经网络模型。
卷积神经网络可以自动学习特征，这些特征包括边缘、纹理、局部结构等，能够很好地适应不同的人脸姿态、表情等变化。
同时，卷积神经网络还可以利用多层结构进行高级特征的组合，从而获取更高的识别率。
三、人脸识别算法基于神经网络的人脸识别算法可以分为两类：基于分类器的方法和基于度量学习的方法。
1. 基于分类器的方法基于分类器的方法是将神经网络输出的特征向量输入到分类器中，分类器通过分类决策将人脸分为不同的类别。
典型的基于分类器的方法包括Softmax分类器、支持向量机（SVM）等。
这些方法具有识别速度快、容易实现等优点，但是需要大量的标注数据进行训练，同时对人脸姿态、表情等变化较为敏感。
2. 基于度量学习的方法基于度量学习的方法是通过神经网络输出的特征向量计算不同人脸之间的相似度，从而实现人脸识别。
代表性的度量学习方法包括Siamese网络、三元组损失等。
这些方法具有更好的鲁棒性和稳定性，对人脸姿态、表情等变化具有更强的适应性。
四、实际应用基于神经网络的人脸识别算法已经广泛应用于安防监控、金融交易、人脸认证等领域。
其中，安防监控是应用最广泛的领域之一。
基于神经网络的人脸识别算法可以实现对监控场景中的人员进行快速准确的识别，从而帮助警方快速破案。
同时，基于神经网络的人脸识别算法还可以应用于人脸认证和金融交易等领域，提高交易安全性和用户体验。
基于神经网络算法的人脸识别技术研究
基于神经网络算法的人脸识别技术研究近年来，随着人工智能技术的快速发展，人脸识别技术成为了一个备受关注的领域。
在各行各业中，人脸识别技术被广泛应用，例如安防领域、金融领域、社交网络等等。
而在人脸识别技术的基础上，神经网络算法在这一领域中也占有着重要的地位。
一、神经网络算法简介神经网络算法，简称神经网络，是一种基于人工神经元模型组合的软件技术。
其灵感来自于生物神经系统的工作方式，旨在通过模拟人脑的学习和推理过程，来完成某种任务。
神经网络算法主要分为前馈神经网络、循环神经网络、卷积神经网络等不同的类型。
在人脸识别领域中，神经网络算法被广泛应用于构建人脸识别模型。
神经网络算法可以通过学习大量的人脸数据，在实现人脸识别的同时还能提升准确率和鲁棒性。
二、神经网络算法在人脸识别中的应用1.人脸检测人脸检测是人脸识别的一个重要环节。
在人脸检测中，神经网络算法可以利用卷积神经网络提取图像特征，并训练分类器来判断是否为人脸。
通过不断优化训练算法，可以提升人脸检测算法的准确率和鲁棒性。
2.人脸识别在人脸识别领域中，神经网络算法可以被用于构建人脸识别模型。
具体来说，神经网络算法可以利用卷积神经网络提取人脸图像的特征信息，并将其映射到一个高维空间中。
然后再通过训练算法来将人脸图像和特定身份信息建立联系，从而实现人脸识别。
3.情感分析除了人脸识别，神经网络算法还可以被用于情感分析。
在情感分析中，神经网络算法可以通过对大量相关文本数据的训练，来分析文本中的情感状态。
通过情感分析，可以了解用户的真实反馈，从而更好地提供服务。
三、人脸识别技术面临的问题尽管神经网络算法在人脸识别领域的应用存在诸多优点，但人脸识别技术也面临着诸多问题。
1.隐私问题人脸识别技术可能会泄露个人隐私。
例如，人脸识别技术被用于监控系统中，可能会对正常人的行踪和隐私构成威胁。
为此，需要加强对人脸识别技术的监管和管理，保护个人隐私。
2.算法不完善问题尽管神经网络算法的应用使人脸识别技术的准确率得到了很大提升，但人脸识别技术仍面临算法不完善的问题。
基于神经网络的人脸识别实验报告
基于神经网络的人脸识实验报告别一、 实验要求采用三层前馈BP 神经网络实现标准人脸YALE 数据库的识别。
二、BP 神经网络的结构和学习算法实验中建议采用如下最简单的三层BP 神经网络，输入层为],,,[21n x x x X =，有n 个神经元节点，输出层具有m 个神经元，网络输出为],,,[21m y y y Y =,隐含层具有k 个神经元，采用BP 学习算法训练神经网络。
BP 神经网络的结构BP 网络在本质上是一种输入到输出的映射，它能够学习大量的输入与输出之间的映射关系，而不需要任何输入和输出之间的精确的数学表达式，只要用已知的模式对BP 网络加以训练，网络就具有输入输出对之间的映射能力。
BP 网络执行的是有教师训练，其样本集是由形如（输入向量，期望输出向量）的向量对构成的。
在开始训练前，所有的权值和阈值都应该用一些不同的小随机数进行初始化。
BP 算法主要包括两个阶段： (1) 向前传播阶段①从样本集中取一个样本(X p ,Y p )，将X p 输入网络，其中X p 为输入向量，Y p 为期望输出向量。
②计算相应的实际输出O p 。
在此阶段，信息从输入层经过逐级的变换，传送到输出层。
这个过程也是网络在完成训练后正常运行时执行的过程。
在此过程中，网络执行的是下列运算： (1)(2)()21(...((())...))n p n p O F F F X W W W =(2) 向后传播阶段①计算实际输出O p 与相应的理想输出Y p 的差； ②按极小化误差的方法调整权矩阵。
这两个阶段的工作一般应受到精度要求的控制，定义211()2mp pj pj j E y o ==-∑ (1)作为网络关于第p 个样本的误差测度（误差函数）。
而将网络关于整个样本集的误差测度定义为p E E =∑ (2)如前所述，将此阶段称为向后传播阶段，也称之为误差传播阶段。
为了更清楚地说明本文所使用的BP 网络的训练过程，首先假设输入层、中间层和输出层的单元数分别是N 、L 和M 。
- 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)。
49开发应用1 引言用第一次计算的雅可比矩阵的结果，从而在多次迭代中只身份识别鉴定是各行各业保证系统安全的必要措施。
需要求一次雅可比矩阵就可以达到适应迭代的数据变化的在国家安全、司法、金融、电子商务、电子政务等应用领目的，从而可以大大提高迭代的收敛速度，由于多次迭代域迫切需要。
与传统的身份识别系统相比，人脸具有不易过程结合在一起，可以增加每次迭代的修正量，减少收敛伪造、不易窃取、不会遗忘的显著特点；而与指纹、虹膜时需要的迭代次数，避免迭代振荡的情况，使算法获得更等其他生物特征识别相比，人脸识别则具有更自然、友好的收敛性能。
M-FastICA算法继承了FastICA算法不需要好、无侵犯性的明显优势。
选择步长参数，收敛较有保证和所提取的人脸特征有效的2 特征提取优点，而且能进一步减少算法收敛的迭代次数和时间。
人脸特征提取是人脸识别的第一步。
其目标是用最少 3 QGA-BP神经网络分类器设计的特征量来表征人脸，同时要求特征量最大程度地保持不（1）量子遗传算法。
量子遗传算法(Quantum Genetic 同人脸的可区分能力。
研究表明不同的人脸特征提取方法Algorithm QGA)是一种高效的并行算法，建立在量子的态对人脸识别的性能影响很大。
本文采用的特征提取方法是矢量表达基础上。
它改变了传统GA的结构，其染色体不用基于整体的代数特征提取方法。
二进制数、十进制数或符号等来表示，而将量子比特的概（1）ICA算法的原理。
独立分量分析方法是由法国学率幅表示应用于染色体的编码，染色体的状态是一种叠加者Herault和Jutten于1985年提出的,它是一种非常有效的态或纠缠态，并利用量子旋转门实现染色体的更新操作，盲源分离技术 (Blind Sources Separation,BSS)。
它的基引入量子交叉克服了早熟收敛现象。
QGA的遗传操作不是采本思想是用一组独立的基函数来表示一系列随机变量。
用传统GA的选择、交叉和变异等，而是代之以简单的量子独立分量分析在处理高维数据时存在计算量大的缺门运算。
点，目前ICA的应用常采用它的固定点快速算法，该算法更（2）BP神经网络。
BP网络是基于BP算法的多层前馈神为简单和快捷。
比较著名的固定点快速算法是基于负熵的经网络。
BP网络主要用于：函数逼近，即用输入矢量和相快速独立分量分析（FastICA）算法。
应的输出矢量训练一个网络逼近一个函数；模式识别，即（2）M-FastICA算法。
M-FastICA算法是FastICA算法用一个特定的输出矢量将它与输入矢量联系起来；分类，的一种改进算法。
FastICA算法最为耗时的过程是每次迭代即把输入矢量以所定义的合适方式进行分类；数据压缩，均需要计算雅可比矩阵JF(w)，因为计算JF(w)涉及计算矩即减少输出矢量维数以便于传输或存储。
传统BP网络由输阵的逆，是算法中计算最复杂的部分。
因此如果减少迭代入层、隐层、输出层组成，而且有一层或多层隐节点。
其过程中雅可比矩阵的计算，就可以达到改善算法计算性能突出特点是有很强的非线性映射能力和柔性的网络结构。
的目的。
网络的隐层数目及各层神经元数可根据具体情况设定。
M-FastICA算法将多次迭代结合在一起，在这些多次迭（3）QGA-BP神经网络分类器。
BP网络的初始权值是随代中，只计算第一次迭代的雅可比矩阵，后面的迭代都使机给定的。
每次训练的次数和最终的权值略有不同，所以基于QGA-BP神经网络的人脸识别技术研究武 艳（苏州经贸职业技术学院机电系，江苏 苏州 215031）摘 要：本文介绍了人脸识别的发展概况和人脸识别的主要方法。
提出了一种基于QGA和BP神经网络相结合的人脸识别方法。
首先使用M-FastICA方法进行人脸特征提取，然后采用QGA-BP神经网络作为人脸识别的分类器，仿真实验具有较好的识别效果，表明本文方法是一种可行的人脸识别方法。
关键词: 人脸识别；BP神经网络；量子遗传算法（QGA）；独立分量分析Abstract: In the paper, the development and main methods of face recognition are introduced firstly. A method of face recognition based on QGA and BP neural network is designed. First, a face feature extraction method which is based on M-FastICA is used, then QGA-BP neural networks is used as recognition classifier, the simulation testing which has better recognition effect, indicates that the human face recognition method used in the paper is feasible.Key words:Face recognition;BP neural network;Quantum Genetic Algorithm (QGA);Independent component analysis (ICA)收稿日期：2009-03-15 修回日期：2009-04-26作者简介：武艳（1980-），女，本科，苏州经贸职业技术学院教师。
图1两种分类器的人脸识别结果比较网络的寻优不具有唯一性,会出现局部极小；同时，初始权敛迭代次数。
值给定的“盲目性”，也导致训练次数较多，收敛速度 4.2 QGA-BP分类器和BP分类器实验比较慢。
如果在BP网络算法之前，能用一种有效的方法大致搜BP分类器和本文设计的QGA-BP分类器在大样本的情况索出一定的权值范围，以此时的权值作为BP算法的初始权下，对测试样本进行人脸识别的平均识别率结果比较见图值，可以解决BP算法易陷入局部极小、收敛速度慢和引起1。
振荡效应等缺点。
本文提出了用量子遗传算法改进BP神经网络进行人脸识别。
QGA-BP是先进行量子遗传运算，再用BP算法运算。
即先随机产生初始种群，采用量子遗传算法优化种群，对网络进行循环训练，直到达到与BP算法的转化条件为止，然后，把量子遗传算法优化后的种群解码，将其作为初始权值，用BP算法接着优化权值，同样对网络进行循环训练，直至网络的目标误差满足精度要求。
算法流程如下所示：①对于优化参数进行编码生成初始群种；②用量子遗传算法优化种群；③计算相应量，看其是否满足与BP算法之间的转换条件，若满足，则进入下一步，否则，继续用量子遗传算法优化种群；④将染色体进行解码，用BP算法优化种群；⑤计算网络的目标误差，本文设计的QGA-BP分类器与BP神经网络分类器，网络看其是否满足结束条件，若满足，则训练结束；否则，继训练次数比较结果见表2。
续采用BP算法优化种群。
4 人脸识别实验及分析4.1 QGA-BP分类器实验表2 两种分类器训练次数比较方案一：随机选取前20人的7组人脸数据送入QGA-BP分通过比较，本文设计的QGA-BP人脸识别分类器大大缩类器进行人脸分类识别，其中二组为训练样本，五组为测短了网络训练的迭代次数，与BP神经网络分类器相比取得试样本。
每组人脸数据由每类人各一幅图像组成。
了更高的识别率。
对于实时性要求较高的在线数据处理问方案二：选取前20类人的每人前4幅共80幅作为训练样题取得了时间和效率的双赢。
本集，剩下的120幅作为测试图像，送入前面训练好的QGA-5 结论BP分类器进行人脸识别。
两种方案测试样本分类实验结果本文提出了基于QGA-BP神经网络的人脸识别算法。
用见表1。
量子遗传算法离散优化神经网络权值，然后用BP算法在线微调神经网络权值，利用QGA-BP神经网络分类器进行人脸识别，更符合实时系统的要求。
仿真证明本方法是一种快表1 分类实验结果速、实用、有效的人脸识别方法。
参考文献：分类实验结果与分析：[1] 陈绵书,陈贺新,桑爱军.计算机人脸识别技术综述[J].吉林大方案一当测试样本作为人脸识别图像时，随机选取一学学报(信息科学版),2003,21,(5):101～109.组测试样本进行识别，由识别结果可知，当测试样本作为[2] 周 杰,卢春雨,张长水等.人脸自动识别方法综述[J].电子学人脸识别图像时，人脸识别正确率达到90%。
从对小样本的报,2000,28,(4):102～106.实验结果分析来看，采用本文设计的QGA-BP分类器能获得[3] 李 健,廖秋菊.人脸识别方法的研究[J].人工智能,2006,22:4～2.比较满意的结果。
[4] L.Najman,R.Vaillan,and E. Pernot. Face from sideview 方案二采用本文设计的QGA-BP分类器在大样本的情况to ideniifieation.In G.Vernazza, A.N.VenetsanoPoulos, 下，对训练样本的平均识别率达到了100%，对未经过训练and C.Braeeini, editors, Image. Processing:Theory andAPPlications.Elsevier Science Publishers,1993.的测试样本的识别率也达到了95.83%，这说了本文设计的QGA-BP人脸识别分类器的有效性。
与BP神经网络分类器的分类结果相比，识别率有了进一步的提高。
并且它的网络收敛迭代次数明显优于单用BP神经网络进行训练的网络收50中国西部科技 2009年5月（上旬）第08卷第13期第174期总。