基于BP神经网络的人脸识别方法
合集下载
基于PCA—LDA与蚁群优化BP神经网络的人脸识别算法
基于PCA—LDA与蚁群优化BP神经网络的人脸识别算法作者：任金霞周慧娟来源：《软件导刊》2013年第11期摘要：针对人脸识别问题，提出了一种新的算法。
该算法利用融合的PCA和LDA算法进行特征提取，并使用蚁群优化的BP神经网络进行人脸识别。
使用融合的PCA和LDA算法对特征向量进行提取压缩，为了提高BP神经网络对人脸的分类精度和减少训练时间，使用蚁群算法优化BP神经网络的初始参数，并使用优化后的BP神经网络进行训练和人脸识别。
在ORL人脸数据库的仿真结果表明，该算法能有效提高人脸识别性能，具有较高识别率。
关键词关键词：人脸识别；PCA；LDA；蚁群优化；BP算法中图分类号：TP312文献标识码：A文章编号文章编号：16727800（2013）0110070040引言人脸识别是一种重要的生物特征识别技术，应用非常广泛。
与其他身份识别方式相比，人脸具有直接、友好和方便的特点。
人脸识别研究不仅具有重要的应用价值，而且在模式识别中具有重要的理论意义。
而人脸识别系统运行成功的关键在于对人脸特性的提取和分类器的设计＼[1＼]。
人脸识别的主要过程为预处理、特征提取以及分类识别。
预处理即为了提高图像质量而对图像进行尺度归一化和灰度均衡化等操作。
特征提取在人脸识别中非常重该规则预示：下半夜发生的抢劫案，若实施犯罪者为单人且为少年，可以锁定该犯罪嫌疑人是贵州籍，且文化程度为小学。
取值支持度阈值=4，置信度=9时，从结果中抽一条规则：from 上半夜；共同作案；少年； calc 上半夜；少年；->共同作案；： 1.0//规则说明：from L（支持度大于已设定支持度阀值）；calc S->L-S（关联规则）；：Num（置信度）该规则的预示：发生在上半夜的抢劫案，如实施犯罪者为少年，一定还有同伙。
对比可知，提高支持度阈值和置信度阈值，可提高挖掘结果的可靠性，但发现的关联规则也大大减少。
因此，根据用户的兴趣程度和实效评估，及时调整相关参数，对于关联规则挖掘在某一领域的应用至关重要。
基于BP神经网络的人脸检测算法
理 ，分 类 器 就 能 对人 睑和 非 人 脸 进 行 正 确
件验证 、入 口控制 、视 频监 视 、人 机交 互 、 图像 检 索 等 。 人脸检测 的研究从 ２ ０世纪 ７ ０ 年 代至 今， 研究者提出了多种检测方法 ， 特 别是那 些利用运动、 肤色和一般信息的方法。 常见 的有 ： 镶 嵌 图方 法 ， 基 于 模板 匹配 方 法 ， 人
多， 则学习的时间会过长 ， 泛化能力降低。
根 据 经 验 公 式 、 ቤተ መጻሕፍቲ ባይዱ＝ ＝ － ｉ ｃ ： 和
的最精 确 检测 。 ２ ． １ Ｂ Ｐ 网络 的 拓 扑结 构
ｎ ， ＝ ｌ ｏ ｇ ， ｎ（ 其 中 ｎ为输入层节点数 ，ｍ 为 输 出节点数 ，仅为 ｌ ～１ ０ 的常数 ） 计算 出隐 层节点数的取值范 围 （ ９ ～２ ９ ） ，然 后根据
层只 有一 层 。
１、引 言
随着社会的发展，各个方面对快速有 效的 自动身份验证的要求 日益迫 切。利用 人睑特征进行身份验证是最 自然直接 的手 段 ，它具 有 直 接 、友 好 、方 便 的 特 点 ， 易于为用户所接受 。随着人睑识别技术的 发 展和 人脸识 别技 术应 用领域 的不 断拓 宽 ，人险识别技术在各个领域的应用前景
已经越 来 越 广 泛 ，主要 用于 刑 侦 破 案 、证
围 内的 隐 层 节 点 数 进 行 独 立 的 训练 ， 比较
网络的收敛速度 、网络输出精度以及网络 分类的正确率。 实 验结 果 表 明 ， 网络 在 隐 层 节 点数为 １ ５ 时 全局收敛性最好 ，网络的输 出精度也最高 。综合考虑 网络 中的各个因 素 ，我 们 选 取 隐 层 节 点 数是 １ ５。 ２ ． ２ 样本收集 在 神 经 网 络 的学 习训 练 过 程 中 ，训 练 集的选取非 常重要。如果样本选的 比较合
件验证 、入 口控制 、视 频监 视 、人 机交 互 、 图像 检 索 等 。 人脸检测 的研究从 ２ ０世纪 ７ ０ 年 代至 今， 研究者提出了多种检测方法 ， 特 别是那 些利用运动、 肤色和一般信息的方法。 常见 的有 ： 镶 嵌 图方 法 ， 基 于 模板 匹配 方 法 ， 人
多， 则学习的时间会过长 ， 泛化能力降低。
根 据 经 验 公 式 、 ቤተ መጻሕፍቲ ባይዱ＝ ＝ － ｉ ｃ ： 和
的最精 确 检测 。 ２ ． １ Ｂ Ｐ 网络 的 拓 扑结 构
ｎ ， ＝ ｌ ｏ ｇ ， ｎ（ 其 中 ｎ为输入层节点数 ，ｍ 为 输 出节点数 ，仅为 ｌ ～１ ０ 的常数 ） 计算 出隐 层节点数的取值范 围 （ ９ ～２ ９ ） ，然 后根据
层只 有一 层 。
１、引 言
随着社会的发展，各个方面对快速有 效的 自动身份验证的要求 日益迫 切。利用 人睑特征进行身份验证是最 自然直接 的手 段 ，它具 有 直 接 、友 好 、方 便 的 特 点 ， 易于为用户所接受 。随着人睑识别技术的 发 展和 人脸识 别技 术应 用领域 的不 断拓 宽 ，人险识别技术在各个领域的应用前景
已经越 来 越 广 泛 ，主要 用于 刑 侦 破 案 、证
围 内的 隐 层 节 点 数 进 行 独 立 的 训练 ， 比较
网络的收敛速度 、网络输出精度以及网络 分类的正确率。 实 验结 果 表 明 ， 网络 在 隐 层 节 点数为 １ ５ 时 全局收敛性最好 ，网络的输 出精度也最高 。综合考虑 网络 中的各个因 素 ，我 们 选 取 隐 层 节 点 数是 １ ５。 ２ ． ２ 样本收集 在 神 经 网 络 的学 习训 练 过 程 中 ，训 练 集的选取非 常重要。如果样本选的 比较合
一种基于改进BP神经网络的PCA人脸识别算法
ＰＣＡ ＦＡＣＥ ＲＥＣｏＧＮＩ ＴＩ ｏＮ ＡＬＧＯＲＩ ＴＨＭ ＢＡＳ ＥＤ ｏＮ Ｉ Ｍ ＰＲｏＶＥＤ ＢＰ ＮＥＵＲＡＬ ＮＥＴＷ ｏ ＲＫ
Ｌ ｉ Ｋａ ｎｇ ｓ ｈ ｕ ｎ ，
Ｌｉ Ｋａ ｉ
Ｚｈ ａ ｎｇ Ｗｅ ｎｓ ｈ ｅ ｎ ｇ
（ Ｓ ｃ ｈ ｏ ｏ ｌ ｏ ｆＳ ｃ ｉ ｅ ｎ ｃ ｅ ， Ｊ ｉ ａ ｎ ｇ ｘ ｉ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ｏ ｆ￣ｉ ｅ ｃｅ＆ Ｔ ｎ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ ，Ｇ ａ ｎ ｚ ｈ ｏ ｕ ３ ４ １ ０ ０ ０， Ｊ ｉ ａ ｎ ｇ ｘ ｉ ，Ｃ ｈ ｉ ｎ ａ ） 。 （ Ｓ ｃ ｈ ｏ ｏ ｌ ｆ ｏ Ｉ ｎ ｆ ｏ ｒ ｍ ａ ｔ ｉ ｏ ｎ ， Ｓ ｏ ｕ ｔ ｈ Ｃ ｈ ｉ ｎ ａ Ａ ｇ ｒ ｉ ｃ ｕ ｌ ｔ ｕ ｒ ａ ｌ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ，Ｇ ｕ ａ ｎ ｇ ｚ ｈ ｏ ｕ ５ １ ０ ６ ４ ２， Ｇ ｕ ａ ｎ ｇ ｄ ｏ ｎ ｇ， Ｃ ｈ ｉ ｎ ａ ） ’ （ Ｉ ｎ ｓ ｔ ｉ ｔ ｕ ｔ ｅ ｆ ｏ Ａ ｕ ｔ ｏ ｍ ａ ｔ ｉ ｏ ｎ ，Ｃ ｈ ｉ ｎ ｅ ｓ ｅ Ａ ｃ ａ ｄ ｅ ｍ ｙ ｆ ｏ Ｓ ｃ ｉ ｅ ｃｅ ｎ ｓ ， Ｂ ｅ ｉ ｊ ｉ ｎ ｇ １ ０ ０ １ ９ ０ ，Ｃ ｈ ｉ ｎ ａ ）
ａ ｌ ｇ ｏ ｉ ｒ ｔ ｈ ｍ ｈ ａ ｓ ａ ｓ ｔ ｒ ｏ ｎ ｇ ａ ｂ ｉ ｌ ｉ ｔ ｙ ｉ ｎ ｓ ｅ ｌ ｆ － ｌ ｅ ａ ｒ ｎ ｉ ｎ ｇ ，ｓ ｅ ｌ ｆ － ａ ｄ ａ ｐ ｔ ｉ ｖ ｉ ｔ ｙ ａ ｎ ｄ ｎ ｏ ｎ ｌ ｉ ｎ ｅ ａ ｒ ｍａ ｐ ｐ ｉ ｎ ｇ ．Ｍｏ ｒ ｅ ｏ ｖ ｅ ｒ ，ｉ ｔ ｈ ａ ｓ ａ ｓ ｉ ｇ ｎ ｉ ｉ ｆ ｃ ａ ｎ ｔ ｐ ｒ ｅ ｄ ｏ ｍｉ ｎ ａ ｎ ｃ ｅ ｉ ｎ ｈ ｕ ｍａ ｎ
基于DCT和BP神经网络集成的人脸识别
Ａ ｂｓｒ ｃ ｔ ａ ｔ：Ｈｕ ａ ａ ｅ ｒ ｃ ｇ ｉｉｎ ｉ ｏ ｓａ ｏ ｕｓｉ ａ ｔｒ ｅ ｏ ｎｔｏ ｎｄ ｉ ａ ｅｐｒｃ ｓ ｉ ｒａ ｎｕ ｒ ｕ ｐｐ ｏ — ｍ ｎ ｆｃ ｅ ｏ ｎ ｔ ｓａ ｆｃｕ ｎｄ ｎ ｄ ｎ ｐ ｔｅ ｎ ｒ ｃ ｇ ｉｉｎ ａ ｍ ｇ ｏ ｅ ｓｎｇ ａｅ ｓ， ｍｅ ｏ ｓ ａ ｒ ａ ｏ
高效 的人 脸 识 别 方 法 ．
关键词 ：人脸识别 ； Ｃ ；Ｐ Ａ；Ｂ ＤＴ Ｃ Ｐ神经 网络 ；神经网络 集成 中图分类号 ： Ｐ ９ ． １ Ｔ １３ Ｔ ３ １４ ； Ｐ ８ 文献标识码 ：Ａ
Ｆａ ｅ ｒ ｃ ｇ ｉｉ ｎ ｂａ ｅ ｎ ＤＣＴ ｎｄ ｉ ｔ ｇ ａ ｅ ｃ ｅ ｏ ｎ ｔｏ ｓ ｄ ｏ ａ ｎ ｅ ｒ ｔｄ ＢＰ ｕ ａ ｅ ｗｏ ｋ ｎｅ ｒ ｌｎ ｔ ｒ
基 于 ＤＣ Ｔ和 Ｂ Ｐ神 经 网 络 集 成 的 人 脸 识 别
马怡然 ，张凤玲
（． １ 天津城 市建设学 院 基础部 ， 天津 ３０ ８ ； ． ０ ３４ ２ 天津大学 理学院 ， 天津 ３０ ７ ） ００ ２
摘 要 ： 脸 识 别 是 模 式 识 别 和 图像 处 理 领 域 的研 究热 点 和 难 点 ， 管 已提 出 了许 多方 法 ， 而 如 何 在 变化 的 环 境 人 尽 然
ｃ ｃ ｍ ｔ ｃ ｓ ａ ｅ ｎｂ ｔ ｒ ａａｃ ｍ ｒｓｉ ｅｆ ａ ｃ ｎ ｅｆ ｔ ｏ ｐ ｔ ｉ ｂｌｙｏ Ｃ （ ｉ ｒ ｅｃ ｓ ｅｔ ｎ ・ ｉ ｕ ｓ ｅ ．Ｂ ｓｄ ｏ ｅ ｅ ｔ ｏ ｐ ｅｓ ｎ ｐ ｒ ｒ ｎ ｅａ ｄｔ ｓ ｃ ｍ ｕａ ｏ ａ ｉｔ ｆ Ｔ ｄｓ ｅ ｏｉ ａ ｓ ｒ ｎ ａ ｔ ｄ ｏ ｏ ｍ ｈ ａ ｔｎ ｉ Ｄ ｃｔ ｎ ｒ
高效 的人 脸 识 别 方 法 ．
关键词 ：人脸识别 ； Ｃ ；Ｐ Ａ；Ｂ ＤＴ Ｃ Ｐ神经 网络 ；神经网络 集成 中图分类号 ： Ｐ ９ ． １ Ｔ １３ Ｔ ３ １４ ； Ｐ ８ 文献标识码 ：Ａ
Ｆａ ｅ ｒ ｃ ｇ ｉｉ ｎ ｂａ ｅ ｎ ＤＣＴ ｎｄ ｉ ｔ ｇ ａ ｅ ｃ ｅ ｏ ｎ ｔｏ ｓ ｄ ｏ ａ ｎ ｅ ｒ ｔｄ ＢＰ ｕ ａ ｅ ｗｏ ｋ ｎｅ ｒ ｌｎ ｔ ｒ
基 于 ＤＣ Ｔ和 Ｂ Ｐ神 经 网 络 集 成 的 人 脸 识 别
马怡然 ，张凤玲
（． １ 天津城 市建设学 院 基础部 ， 天津 ３０ ８ ； ． ０ ３４ ２ 天津大学 理学院 ， 天津 ３０ ７ ） ００ ２
摘 要 ： 脸 识 别 是 模 式 识 别 和 图像 处 理 领 域 的研 究热 点 和 难 点 ， 管 已提 出 了许 多方 法 ， 而 如 何 在 变化 的 环 境 人 尽 然
ｃ ｃ ｍ ｔ ｃ ｓ ａ ｅ ｎｂ ｔ ｒ ａａｃ ｍ ｒｓｉ ｅｆ ａ ｃ ｎ ｅｆ ｔ ｏ ｐ ｔ ｉ ｂｌｙｏ Ｃ （ ｉ ｒ ｅｃ ｓ ｅｔ ｎ ・ ｉ ｕ ｓ ｅ ．Ｂ ｓｄ ｏ ｅ ｅ ｔ ｏ ｐ ｅｓ ｎ ｐ ｒ ｒ ｎ ｅａ ｄｔ ｓ ｃ ｍ ｕａ ｏ ａ ｉｔ ｆ Ｔ ｄｓ ｅ ｏｉ ａ ｓ ｒ ｎ ａ ｔ ｄ ｏ ｏ ｍ ｈ ａ ｔｎ ｉ Ｄ ｃｔ ｎ ｒ
基于BP神经网络的人脸识别系统的研究与实现
运 行 程 序 时 ， 要 输 入 想 要 将 每个 人 的 多少 张 图 片 划 需 分为训练集 ， 运行 该 程序 后 ， 以 在 Ｍａｌｂ的 变 量 空 间 中 可 ｔａ 看到一个名为 ｐ ｎ的变 量 名 ， 图 ３所 示 。该 变 量 是 经 过 如 归 一 化 处 理 后 的 训 练 集 ， ｎ ｗｎ是 归 一 化 后 的 测 试 集 ， ｐｅ
院 助教 ， 究方 向为 数 字 图像 与 动 画 。 研
第 ５期
黄丽韶 ， 喜基 ： 于 Ｂ 朱 基 Ｐ神 经 网 络 的 人脸 识 别 系 统 的研 究 与 实 现
回车 。
・７ ・ ９
节 （ 眼 镜 ／ 戴 眼 镜 ） 拍 摄 的 。所 有 的 图像 为 实 验 者 的 戴 不 下 正 脸 ， 有 一 定 程 度 的 朝 上 下 左 右 的 偏 转 或 倾 斜 ， 相 似 带 有 的黑 暗 同 质 背 景 。每 幅 图 像 为 １ ９ １２ ２像 素 、 ｂｔ的 灰 度 ８ｉ 图 。为 了 进 行 比较 ， 们 被 分 成 没 有 重 叠 的 、 同 大 小 的 它 相 训 练 集 和 测 试 集 。每 个 类 别 随 机 选 取 ５幅 图 像 作 为 训 练
摘 要 ： 实现 了一 种 基 于 Ｂ Ｐ神 经 网络 的 自动人 脸 识 别模 型 的人 脸 图 片识 别 算 法 ， 述 了该 算 法 的 基 本 原 理 、 型 以 阐 模
及 实 现过 程 ， 通 过 实验 获 得 了较 好 的 识 别 精 确 度 。 并
关 键 词 ： Ｐ神 经 网络 ； 式 识 别 ； 脸 识 别 Ｂ 模 人
中图分类号 ： ３７４ ＴＰ １ ．
文献标识码 ： Ａ
文 章 编 号 ： ６ ２ ７ ０ （ ０ ２ ０ ５０ ７ — ３ １ ７ — ８ ０ ２ １ ） ０ — ０ ８０ 求 得
基于GA-BP神经网络的人脸检测算法
基于GA-BP神经网络的人脸检测算法1.被控对象的特性人脸是一个极为普通、重要而又十分复杂的模式，其中蕴含的信息量非常丰富，本来在复杂的背景图像中区别人脸和其它物体就是一个比较困难的同题。
并且由于以下原因使得人脸检测的困难加大。
(1)姿势；(2)脸部的相关结构化的部件；(3)脸部表情；(4)图像的定位；(5)图像的自身条件。
因此，如能够找到解决以上问题的方法，成功地构造出人脸检测系统，将为解决其它类似的复杂模式检测问题提供重要的启示。
因而人脸检测技术的研究具有重要的学术价值。
2.控制目标人脸检测的确切定义为：任意给出一幅图像，系统能够准确分析图像中的信息，判断出图像中是否存在人脸；如果存在，则返回人脸在图像中的确切位置和范围。
所以它研究的主要问题是判断静态图像或动态影像中是否存在人脸，如果存在则对人脸进行定位。
而我们控制的目标就是更加准确地判断图像中人脸的存在性和定位人脸，这个过程中又涉及到一些系统控制指标，如精度、自适应性、容错性、分类能力和检测时间等。
我们设计的控制系统应该尽量的提高系统控制指标。
3.控制方案的选定卷积神经网络擅于提取具有类别分辨能力的隐式特征，在人脸检测等领域获得巨大成功。
然而典型的卷积神经网络的固定结构又使得网络规模初始设定只能是经验性的，难以实现后继的再学习。
BP神经网络是一种多层前向网络，由输入层、输出层、隐含层(可以是一层或多层)构成，是一种典型的三层BP神经网络模型。
BP神经网络具有较强的容错性和自适应学习能力，但同时传统的BP如学习算法的收敛速度慢、局部极小问题和网络的初始的权值、阈值以及隐层的单元数根据经验选取等,这些都大大地影响其工作性能。
GA-BP神经网络是将遗传学习算法和误差反向传播算法相结合的混合算法来训练前馈人工神经网络,使网络收敛速度加快和避免局部极小，该网络不仅收敛速度快,而且易达到最优解，后继的再学习能力强，可以较好地解决人脸检测中往往存在的噪声、残缺和戴眼睛的人脸图像等。
Stein损失下BP神经网络分类方法在人脸识别中的应用
１ Ｓ ｅｎ损 失 下 Ｂ ｔｉ Ｐ神 经 网络 的收 敛 性
Ｂ Ｐ神 经 网络算法使 用梯度 下 降法 ． 于普通 的梯度下 降法 ， 了保 证算法 收敛 到某个 极值 点 ， 对 为 对学 习率 和 目标 函数 的要求 比较高或 者很 多现实 问题不 易达到 ． 比如 ， 在确定 每一 步学习率 前都 必须 进行 精 确 的一维搜 索或 者要求 目标 函数 正定 等． 文献 ［ ｏ１ ］证 明了不需要 精确 的一维 搜索 或者要求 目标 函数 ａ一１ 正定 的条件 下 ， Ｐ神 经 网络的收 敛性． 文则证 明 Ｓｅｎ 失下 Ｂ Ｂ 本 ｔｉ 损 Ｐ神经 网络 的收敛性 ．
犯 追逃等 一类特 定 目标 人脸 识别 问题就 属于 Ⅱ类分 类 问题 ．
设 用 ｄ估计 Ｙ时所 引起 的损 失为
Ｌ 一ｄ ・（ ， （ 一 一ｏ ） ） ｇ
㈩
该损 失 函数 叫做 Ｓ ｅ ｔｉ ｎ损失 ， １ Ｓｅｎ 失 函数与平 方损 失 函数． ｔｉ 图 是 ｔｉ 损 Ｓｅ ｎ损失 函数 是非对 称 的 ， 常用于
第４ ２卷 第 １ 期
２１ ０ ０年 ３ 月
东 北 师 大 学 报 （自 然 科 学 版 ）
Ｊ ｕ ｎ ｌｏ ｒｈ ａ ｔＮｏｍａ ｉｅ ｓｔ （ ｔ ｒｌＳ ｉｎ ｅＥｄｔｏ ） ｏ ｒ ａ ｆＮｏ ｔｅ ｓ ｒ ｌＵｎｖ ｒ ｉ Ｎａｕ ａ ｃｅ ｃ ｉｉｎ ｙ
Ｖｏ１４２ Ｎ ｏ ． ．１ Ｍ ａ ｃ ０１ ｒ ｈ２ ０
［ 文章 编 号 ］ ０ ０１ ３ （００ ０ —０ ７０ １０ —８ ２ ２ １ ）１０ ２—５
Ｓｅｎ损 失 下 Ｂ ｔｉ Ｐ神 经 网络 分类 方法 在人 脸 识别 中 的应 用
。
基于BP神经网络的人脸识别系统
对一 的识别 。
蔷
归 一 诞化； ； —
‘ ‘ 。 一 。
。
ｉ
；一 一 化； 磋 归
；
两釜 ’
＾翻 天 骱 舀
；幅 ～ 。
１原型 系统 的功 能分析 与设计
笔者 设计 了一 种 具体 的人 脸 识 别 系 统 进 行 人 脸 的一 对 一 匹 配 。利 用 摄 像 头 对 图像 进 行 提 取 。
＿ ＋
个方面 ： 一个是分辨 “ 是不是谁” ，即对当前图像 中的人脸进行识别查看其是不是所指定 的人 ，也 就是通常所 说的身份验证 ，是一对一的识别 的两 类分类 问题 。另一 个是 分辨 “ 是哪一 个 ” ，即对 当 前图像 中的人脸进行识别查看其是数据库 中的哪
一
特征提取这 四步。而在人脸 图像 的获取 上，可
得到区域 Ｂ ，也 利用水平和垂直直方 图得 到区域
的 四个 坐标 。然后 分 别 比较 四个 坐 标 ，得 出较 小 的 区域 作 为 最 终 的人 脸 区域 。最 终 分 割得 到 的 人 脸 图像 效 果如 图 ４所示 。
— —
图 ２ 灰度化过程
恫
３ １２对灰度图进行 中值过滤 中值滤波 （ ｅｉ ．． Ｍ ｄ — ａ ｌｒ ｌｆｔ ）也是属于图像平滑 的一类方法 ，它是 一 ｌｉ ｅ 种在空域上 的非线性信号处理方法 ，对应 的中值 滤波器也是一种非线性滤波器。是从 一位信 号中 的滤波 技术 发 展 而来 的 ，在 一 定 条 件 下 ，中值 滤
通讯 作者 ：邓长寿 （９２一 ，男 ， １７ ） 教授 ，博士 ，研 究方 向为智能计算 ，ｃ ｅｇ ｊ ｅｕｃ。 ｓ ｎ＠ｊ ．ｄ．ａ ｄ ｕ
・
- 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)。
10.6%
从表1可以看到，本文所设计的用于人脸识别的BP网络收敛所需的训练次数较少， 对满足(6）式的较大的θ=0.5，网络训练更容易收敛，平均识别错误率较低，而且与最 近邻分类器相比，识别错误率有明显降低.
4 结束语
人脸图像的自动识别是一个既有意义又很困难的问题，到目前为止还处在探索阶 段.本文提出的基于BP神经网络的人脸识别方法是利用BP神经网络理论解决模式输入矢 量维数较高而训练样本数较小的模式识别问题的一个成功尝试.
计算机研究与发展990304
计算机研究与发展
JOURNAL OF COMPUTER RESEARCH
AND DEVELOPMENT 1999年 第3期 No.3 1999
基于BP神经网络的人脸识别方法
金 忠 胡钟山 杨静宇
摘 要 人脸自动识别是计算机模式识别领域的一个活跃课题，有着十分广泛的应用 前景.文中提出了基于BP神经网络的人脸识别方法，讨论了人脸图像矢量的特征压缩问 题、网络隐含层神经元数选取问题、网络输入矢量的标准化处理问题以及网络连接权 值的初值选取问题.对由18人、每人12幅图像组成的人脸图像数据库做识别实验，实验 结果表明文中所设计的神经网络分类器比常用的最近邻分类器有效地降低了识别错误 率.
接权值初值可在区间[-0.5,0.5]内随机选取，文献［4］认为连接权值初值宜在区间［5,5］内随机选取. 假设网络连接权值初值在区间［-θ,θ］内随机选取，网络输入矢量x的分量xi相
互独立，其均值为0，方差为1，并取神经元阈值初值为0，则在网络隐含层每个神经元
上的输入为 wihxi，由中心极限定理可认为它近似服从正态分布，其均值与方差为：
(4)
这里 与σ(xi)分别为所有训练样本矢量的第i个分量xi的均值与均方差.
2.4 连接权值初值选取 将网络输入、隐含两层神经元连接权值与隐含、输出层两层神经元连接权值分别 记为wih与whj（i=0,…,I；h=0,…,H；j=1,…,J），这里woh与woj为神经元阈值.一般认为连
作者单位:南京理工大学计算机科学系 南京 210014
参考文献
[1] Chellappa R,Wilson C L et al.Human and machine recognition of faces:A survey. Proceedings of the IEEE,1995,83(5):705～740 [2] 彭辉，张长水，荣钢等.基于K-L变换的人脸自动识别方法，清华大学学报（自 然科学版）,1997,37(3):67～70 (Peng Hui,Zhang Changshui,Rong Gang et al.Research of automated face recognition based on K-L transform. Journal of Tsinghua University (Sci & Tech)(in Chinese),1997,37(3):67
计算机研究与发展990304
1 引 言
人脸识别是模式识别领域的一个前沿课题，有着十分广泛的应用前景［1］，例如 身份证识别，信用卡识别，驾驶证识别以及犯罪嫌疑犯的识别等.因为人脸非常相似， 抽取人脸图像的识别特征与设计一个好的分类器是解决人脸识别问题的两个关键，常 用的人脸识别分类器是最近邻分类器、最小距离分类器与人工神经网络分类器.BP神经 网络是应用最广泛的一种人工神经网络，在各门学科领域中都具有很重要的实用意 义，其学习能力和容错能力对不确定性模式识别具有独到之处.本文探讨了用于人脸识 别的BP神经网络分类器的设计问题.
原稿收到日期：1998-06-11；修改稿收到日期：1998-10-26.本课题得到国家自然科 学基金资助(项目编号 69672013).金忠，男，1961年12月生，在职博士研究生，副教 授，主要研究方向为模式识别、人脸识别.胡钟山，男，1973年2月生，博士研究生，主 要研究方向为模式识别、手写体数字识别.杨静宇，男，1941年12月生，教授，博士生 导师，主要研究领域为计算机视觉、信息融合、模式识别、智能机器人.
Abstract The automatic recognition of human faces is an active subject in the area of computer pattern recognition, which has a wide range of potential applications. A face recognition method is put forward based on the BP neural network. Also discussed are the problem of feature compression of a face image vector, the problem of determining the number of hidden layer's neural nodes, the problem of normalization of the input vector, and the problem of initialization of connection weights. Experiments have been conducted for a human face image database of 18 persons with 12 images per person. The recognition results show that compared with the 1-NN classifier, the neural network classifier designed can decrease the error rate efficiently.
(1)
这里mi(i=1,…,p)是训练样本集中各类模式样本的均值矢量.
产生矩阵Rb的秩一般为p，由奇异值分解定理，可以得到Rb的p个正交归一特征向
量，对于任意N维的人脸图像矢量，通过向特征向量投影可将人脸图像的特征维数从N 维压缩到p维. 2.2 隐含层神经元数的选取 网络的隐含层可以认为是通过输入层与隐含层之间的连接权值的“自组织化”对 输入模式进行特征抽取，并将抽取出的特征传递给输出层，关于隐含层的神经元数H 的选取尚无理论上的指导.一般地，隐含层的神经元数H大，网络的冗余性大，增加了 网络一次训练的训练时间，尽管使网络收敛的训练次数会减少，但会降低分类器的推 广能力.为了保证分类器的稳定性，显然网络未知的连接权值的个数不宜超过训练样本 值的个数［3］，所以隐含层的神经元数H的选取宜满足如下要求： (I+1)H+(H+1)J≤KI(2) 人脸识别网络输出层的神经元数J取为人脸类别数p，而通过特征压缩，网络输入 层的神经元数I也是取为人脸类别数p，这样可按下式选取隐含层的神经元数H： H≈K/2(3)
θ=0.05
(45)
(38)
(35)
9.7%
神 θ=0.1
(43)
(32)
(31)
8.6%
经
网 θ=0.3
(36)
(29)
(26)
7.9%
络
分 θ=0.5
(30)
(24)
(22)
7.6%
类 器 θ=0.68
(31)
(25)
(22)
9.0%
θ=1
(36)
(25)
(29)
11.8%
最近邻分类器
万方数据 file:///E|/qk/jsjyjyfz/jsjy99/jsjy9903/990304.htm（第 4／5 页）2010-3-23 1:14:37
万方数据 file:///E|/qk/jsjyjyfz/jsjy99/jsjy9903/990304.htm（第 3／5 页）2010-3-23 1:14:37
计算机研究与发展990304表Fra bibliotek 人脸识别实验结果
识别错误率 第1组训练 第2组训练 第3组训练
平均
（训练次数） 第2、3组测试 第1、3组测试 第1、2组测试 识别错误率
万方数据 file:///E|/qk/jsjyjyfz/jsjy99/jsjy9903/990304.htm（第 2／5 页）2010-3-23 1:14:37
计算机研究与发展990304
即网络隐含层的神经元数宜取为训练样本数的一半. 2.3 输入矢量的标准化 由于Sigmoid激励函数F(s)的曲线两端平坦，中间部分变化剧烈，为了提高网络的 收敛速度，对网络输入矢量的每个分量宜作如下形式的标准化处理：
2 分类器设计
标准BP神经网络分3层，即输入层，隐含层和输出层.记输入层神经元数为I，隐含 层神经元数为H，输出层神经元数为J.对于人脸类别数为p的人脸识别问题来说，网络 输出层的神经元数J就取为人脸类别数p，对于任意一个人脸测试图像，可根据网络输 出层输出矢量的最大分量分类.人脸图像矢量的维数N通常比较大，而训练样本数K通 常比较小，所以设计用于人脸识别的BP神经网络分类器比较困难.为了实现具有推广能 力强的BP神经网络分类器，可以从特征压缩着手，压缩输入矢量的维数，并适当地选 择隐含层的神经元数.为了加快网络训练的收敛速度，可对输入矢量作标准化处理，并 给各连接权值适当地赋予初值. 2.1 特征压缩 KL变换是在最小均方误差准则意义下获得数据压缩的最佳变换.KL变换的产生矩阵 常取为训练样本集的总体散布矩阵或类间散布矩阵［2］，本文将类间相关矩阵取作为 KL变换的产生矩阵：
Key words neural network, feature compression, pattern recognition, face recognition
万方数据 file:///E|/qk/jsjyjyfz/jsjy99/jsjy9903/990304.htm（第 1／5 页）2010-3-23 1:14:37