基于BP神经网络人脸识别方法的研究与改进
基于神经网络的人脸识别算法优化研究
基于神经网络的人脸识别算法优化研究人脸识别技术已经成为当今最热门的科技研究领域之一。
借助深度学习技术和神经网络算法，人脸识别的准确率和速度不断提升。
本文将就基于神经网络的人脸识别算法的优化研究进行讨论，以期对该领域的研究方向提供一些启示和建议。
一、人脸识别算法的发展历程近年来，人脸识别技术在生物识别领域得到越来越广泛应用。
人脸框架检测技术以及人脸特征提取、匹配算法都迎来了飞速发展。
早期的人脸识别算法采用的是基于图像处理的传统算法，通常采用人脸特征点识别和相似性比较等手段进行识别。
随着深度学习技术的发展，人脸识别算法逐渐从传统算法向基于神经网络进行优化改进。
现如今，基于神经网络的人脸识别算法已经成为主流，主要是因为其能够自学习和自适应，并且识别准确率很高。
卷积神经网络(CNN)和循环神经网络(RNN)成为了当前最常用的人脸识别算法。
二、基于神经网络的人脸识别算法的优化研究基于神经网络的人脸识别算法的优化研究主要是针对算法的识别准确率、识别速度和数据量等方面进行的。
1. 提高识别准确率在人脸识别算法中，数据量对识别准确率影响非常大，因此采用更多更全面的数据集来训练神经网络是一种提高准确率的有效方法。
此外，也可以通过特征提取的方式进一步提高准确率。
现有的特征提取方法主要包括局部二值模式(LBP)、主成分分析(PCA)和线性判别分析(LDA)等。
将这些特征提取算法与卷积神经网络或循环神经网络相结合，可以更好地提高人脸识别的准确率。
2. 提高识别速度提高识别速度是人脸识别算法优化的另一个关键点。
针对这一问题，通常采用的方式是对神经网络进行简化或裁剪。
对于卷积神经网络(CNN)来说，可以采用Inception结构或ResNet结构等方法进行优化。
这些优化可以减少计算和参数量，从而使得神经网络的识别速度得到提高。
对于循环神经网络(RNN)来说，可以采用LSTM、GRU等优化策略。
这些策略可以有效减少模型计算量和存储空间，提高人脸识别的速度。
改进BP神经网络在模式识别中的应用及研究
背景知识
BP神经网络是一种反向传播神经网络，它通过不断地调整神经网络的权重和偏 置，最小化输出结果与实际结果之间的误差。在模式识别中，BP神经网络可以 用于对输入数据进行分类和识别，它具有以下优点：
1、自适应能力强：BP神经网络能够自适应地学习输入数据的特征，从而自动 地识别出不同的模式。
2、鲁棒性好：它对输入数据的噪声和干扰具有较强的适应性，能够有效地降 低误识别率。
改进BP神经网络在模式识别 中的应用及研究
01 引言
03 参考内容
目录
02 背景知识
引言
模式识别是指通过计算机算法对输入的数据进行分类和识别，从而自动地识别 出对象或现象的模式。它是领域中的一个重要研究方向，被广泛应用于图像识 别、语音识别、自然语言处理等领域。BP神经网络是模式识别中常用的一种算 法，它具有自学习和自适应的能力，能够通过对输入数据的训练，自动地识别 出不同的模式。BP神经网络也存在一些问题和不足，需要进一步改进和完善。
改进措施
针对BP神经网络在手写数字识别中的不足，本次演示提出以下改进措施：
1、使用动量项：在梯度下降过 程中
其中，v(t)表示时刻 t的速度，g(t)表示时刻 t的梯度，w(t)表示时刻 t的 权重，α是动量项系数。
2、使用自适应学习率：传统BP 神经网络的学习率是固定的
lr(t+1) = lr0 * (1 - exp(-β*t)) 其中，lr(t)表示时刻 t的学习率，lr0是初始学习率，β是学习率调整系数。
2、性能更优：通过加入动量项和卷积层，改进后的模型在手写数字识别任务 中具有更好的性能表现。实验结果表明，准确率提高了20%以上。
3、鲁棒性更好：改进后的模型对噪声和干扰的抵抗能力更强，能够更好地适 应实际应用中的复杂环境。
基于BP神经网络的人脸识别实验报告
基于BP神经网络的人脸识别一、实验目的用简单的人工神经网络实现人脸、花朵或者动物的识别。
二、实验原理1.bp神经网络概念：BP神经网络是一种具有三层或者三层以上的多层神经网络，每一层都由若干个神经元组成，它的左右各层之间各个神经元实现全连接，即左层的每一个神经元与右层的每个神经元都有连接，而上下各神经元之间无连接。
BP神经网络按有导师学习的方式进行训练，当一队学习模式提供给神经网络后，其神经元的激活值从输入层经各隐含层向输出层传播，在输出层的各神经元输出对应于输入模式的网络响应。
然后，按减少希望输出与实际输出误差的原则，从输出层经各隐含层，最后回到输入层(从右至左)逐层修正各连接权。
由于这种修正过程是从输出到输入逐层进行的，所以称它为”误差逆传播法”。
随着这种误差逆传播训练的不断修正，网络对输入模式响应的正确率也将不断提高。
2.该网络的主要特点和结构:信号是向前传播的，而误差是反向传播的。
对上图所示的BP神经网络结构，一般最简单的是三层BP神经网络(如下)BP神经网络的主要过程分为两个阶段：第一阶段是信号的向前传播，从输入层经过隐含层，最后到达输出层；第二阶段是误差的反向传播，从输出层到隐含层，最后到输入层，依次调节隐含层到输出层的权重和偏执，输入层到隐含层的权重和偏置。
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。
三、实验环境IDE: eclipse开发语言:JAVA四、实验步骤(BP算法流程图)我们测试的样本中每个人都由11张照片，这些照片的姿势和表情不同，图片格式均为BMP格式图像只需要输入需要匹配的照片，那么该算法会计算出其余10张照片的匹配程度，并输出匹配率最高的图片每个人的前5幅图片作为网络的训练使用，后6副图片作为测试使用五、实验结果样本库如下，我们随机挑选一个假设我们输入的样本为subject02_11这张人脸程序运行结果如下:可以发现，该算法会计算出这个人其余10张人脸和样本的匹配程度从而选取匹配率最高的一张输出这是依照程序的结果输出的匹配率最高的照片实验参数:(1)输入层神经元的个数:2*16*16*2(2)隐含层神经元个数:16*16(3)输出层神经元个数:16六、实验总结通过实验，我们发现BP神经网络存在的许多优点:1.较强的非线性映射能力：BP神经网络实质上实现了一个从输入到输出的映射功能，数学理论证明三层的神经网络就能够以任意精度逼近任何非线性连续函数。
基于BP神经网络的人脸识别系统研究优秀doc资料
基于BP神经网络的人脸识别系统研究优秀doc资料湖南大学硕士学位论文基于BP神经网络的人脸识别系统研究申请学位级别:硕士专业:软件工程指导教师:彭黎;杨志新20201018基于BP神经网络的人脸识别系统研究通过直方图均衡处理,人脸样本图像的灰度分布从原来的集中于某些灰度点调整到较均匀的分布与大部分灰度点,更加有利于在曝光程度不同等外界因素造16成差别的图像之间进行人脸图像的特征的比较。
(2中值滤波f28】无论是直接获取的灰度图像,还是由彩色图像转换得到的灰度图像,里面都有噪声的存在,噪声的存在对边缘提取有很大的影响。
进行中值滤波不仅可以去除孤点噪声,而且可以保持图像的边缘特征,不会使图像产生显著的模糊,比较适合于实验中的人脸图像。
中值滤波是一种非线性的信号处理方法,因此中值滤波器也就是一种非线性的滤波器。
中值滤波器在最先是被用于一维信号处理中的,后来被人们引用N--维图像信号处理中来。
中值滤波在一定条件下可以克服线性滤波器带来的图像细节模糊,而且它对滤除脉冲干扰及图像扫描噪声非常有效。
中值滤波一般采用一个含有若干个点的滑动窗口,将窗口中各点灰度值的中值来代替指定点(一般是窗口的中心点的灰度值,如果窗口中有奇数个元素,中值取元素按灰度值大小排序后的中间元素灰度值;如果窗口中有偶数个元素,中值取元素按灰度值排序后中间两个元素灰度值的平均值。
因为图像为二维信号,中值滤波的窗口形状和尺寸对滤波器效果影像很大,不同图像内容和不同应用要求往往选用不同的窗口形状和尺寸,但从实际应用中来说,其窗口尺寸不宜过大。
中值滤波特别适合于人脸图像的去噪处理,有它的原理得知,它在有效保护人脸重要边缘特征的同时容易去除孤立点。
图3.4将显示经过中值滤波处理前后的图像对比。
人脸样本图像实验采用3x3模板来完成中值滤波,计算时用到所有9个象素点。
(3归一化人脸图像的归一化,目的是使不同成像条件(光照强度,方向,距离,姿势工程硕士学位论文首先从人脸区域获得候选特征:假设人脸的姿态比较正,那么人脸上的特征是水平边缘集中的区域,我们可以在低分辨率下提取水平边缘,然后找到人脸区域内包含这些边缘的连通区,作为人脸特征的候选区域。
基于BP神经网络的人脸识别技术研究
基于BP神经网络的人脸识别技术研究人脸识别作为一项重要的生物特征识别技术，已经被广泛应用于安全监控、人员考勤、金融交易等场景中。
而神经网络作为人工智能领域的重要分支，也被越来越多的人应用到人脸识别技术中。
其中，基于反向传播（BP）神经网络的人脸识别技术因其准确率高、鲁棒性强等特点备受研究者的关注。
一、BP神经网络概述BP神经网络是一种多层前馈神经网络，其结构包括输入层、隐层和输出层。
其中，输入层接收待处理的数据，中间的隐层进行特征提取和分类，最后输出层将处理结果输出。
BP神经网络的学习过程采用误差反向传播算法，即将网络输出与期望输出之间的误差反向传播到隐层和输入层，通过调整权值和阈值来优化网络模型。
二、BP神经网络在人脸识别中的应用1. 数据预处理BP神经网络在人脸识别中的应用首先需要进行数据预处理。
常用的数据预处理方法包括灰度化、裁剪、大小统一等操作，以便网络能够对原始图像进行更有效的学习和识别。
2. 特征提取人脸识别中的特征提取对于神经网络的学习和识别非常重要。
BP神经网络常用的特征提取方法主要包括主成分分析（PCA）和线性判别分析（LDA）。
其中，PCA通过保留原始数据中的主要信息来减少特征数量，而LDA则是通过线性变换将不同类别的样本分割开，增强网络的区分能力。
3. 模型训练模型训练是神经网络中最为重要的一步。
在BP神经网络中，通过误差反向传播算法对网络进行训练，以不断调整权值和阈值，提高网络的识别准确率。
同时，针对网络训练过程中容易出现的过拟合问题，可以采用各种正则化方法，例如权值衰减、Dropout等来缓解过拟合现象。
4. 识别性能评估BP神经网络在人脸识别中的应用需要对网络的识别性能进行评估。
常用的评估指标包括准确率、召回率、精确率等。
更为完备的评估方法是采用ROC曲线和AUC指标，能够直观地反映网络分类器的性能和鲁棒性。
三、BP神经网络在人脸识别中的优势1. 准确率高BP神经网络的多层结构和误差反向传播算法能够有效地提高网络的识别准确率。
基于神经网络的人脸比对技术研究及应用
基于神经网络的人脸比对技术研究及应用随着科技的不断进步和人工智能的发展，人脸识别技术逐渐成熟并得到广泛应用。
其中，人脸比对技术在安全领域和社交网络应用等方面有着重要作用。
本文将从传统的人脸比对方法和基于神经网络的人脸比对技术入手，探讨其研究现状与应用前景。
一、传统的人脸比对方法人脸比对领域最早的研究方法是基于传统的数字图像处理技术，比如特征点匹配算法和判别分析法等。
这些方法以图像中的人脸特征为基础，通过对比两张图像中的特征点或特征向量之间的距离，得出两张图像之间的相似度或距离。
虽然这些方法在人脸比对方面取得了一定的成效，但是由于其对图像质量和环境条件的要求较为严格，因此在实际应用中存在一定的局限性。
二、基于神经网络的人脸比对技术与传统的人脸比对方法不同，基于深度学习的人脸比对技术是一种新兴的人脸图像处理方法。
其中，基于神经网络的人脸比对技术是最具代表性的一种。
神经网络技术在解决人脸比对问题方面具有优势，尤其是在大量数据下进行训练后可以较好地处理图像噪声和变形。
常见的基于神经网络的人脸比对技术包括卷积神经网络（Convolutional Neural Network，CNN）和循环神经网络（Recurrent Neural Network，RNN）等。
1. CNNCNN 是一种广泛应用于图像、视频等领域的深度学习方法。
在人脸比对中，CNN 的主要应用是识别人脸中的特征。
CNN 可以通过对数据的学习识别出具有较高区分度的人脸特征，建立一个高精度的人脸比对模型。
2. RNN与 CNN 不同，RNN 更适合处理序列数据。
在人脸比对中，RNN 可以将一个人脸序列映射到一个较低维度的向量空间中，从而实现人脸之间的比对。
RNN 在处理人脸图像变形的情况下效果更好。
三、基于神经网络的人脸比对技术在安防和社交网络应用中的应用基于神经网络的人脸比对技术在安防领域有着广泛的应用。
例如，在机场、车站等对人员进行识别和安检时，可以使用基于神经网络的人脸比对技术进行高效、准确的人脸识别，实现人员实时监控。
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。
基于BP神经网络人脸识别方法的研究与改进
基于BP神经网络人脸识别方法的研究与改进作者：方旭来源：《电脑知识与技术》2011年第04期摘要：人脸识别技术是计算机模式识别研究领域的重要课题，有着非常广泛的应用价值。
而人脸识别的关键就是人脸的检测与人脸特征的提取。
该文利用BP神经网络进行特征的提取和识别，提出了隐层神经元个数的选取原理，讨论了网络初始权值的设置原则等。
并对BP算法进行了改进，提高了识别的正确率，减少了训练时间和计算量。
关键词：人脸识别；人脸检测；神经网络中图分类号：TP18文献标识码：A 文章编号：1009-3044(2011)04-0862-02The Research and Improvement of the Face Recognition Method Based on the BP Neural NetworkFANG Xu(PLA Chongqing Communication College, Chongqing 400035, China)Abstract: The recognition of human faces is an important subject in the area of the computer pattern recognition, which has a wide range of applications. And the key is face detection and feature extraction. In this paper, we use BP neural network for the feature extraction and recognition, the choosing principle of the number of hiding layer cells are proposed, the initial values setting principle are also discussed. And the BP algorithm is improved. It improves the precision, reduces the training time and the calculation.Key words: face recognition; face detection; neural networks近年来，在计算机视觉和模式识别领域中，对人脸识别系统的研究变得非常活跃。
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
基于神经网络的人脸识别技术研究
基于神经网络的人脸识别技术研究人脸识别技术作为一种生物特征识别技术，在现代社会中得到了广泛的应用。
随着科技的不断发展，神经网络被引入到人脸识别技术中，为其提供了优秀的性能。
本文将对基于神经网络的人脸识别技术进行研究和探讨。
一、人脸识别技术的概述人脸识别技术是通过计算机对人脸图像进行分析和处理，从而实现人脸图像的自动识别和验证。
它广泛应用于安全监控、身份识别、人脸支付等领域。
基于神经网络的人脸识别技术通过模拟人脑的运行方式来提取和学习人脸特征，具有更高的准确率和更低的误识率。
二、神经网络在人脸识别中的应用神经网络作为一种模拟人脑的计算模型，可以有效地进行人脸图像的特征提取和分类。
常用的神经网络模型包括卷积神经网络（CNN）和深度神经网络（DNN）。
卷积神经网络通过多层卷积和池化操作，实现对人脸图像的特征提取。
深度神经网络则可以通过多层网络结构对图像进行更加深入的学习和分析。
三、神经网络在人脸特征提取中的优势相比于传统的人脸识别方法，基于神经网络的人脸识别技术具有以下优势：1. 自动学习能力：神经网络可以通过大量的训练样本自动学习和提取人脸特征，不需要人工设计特征。
2. 鲁棒性：神经网络可以对人脸图像中的光照、姿态等变化进行自适应，提高了人脸识别的鲁棒性。
3. 高准确率：神经网络通过多层网络结构实现了对人脸图像的高层次抽象和建模，从而提高了人脸识别的准确率。
四、基于神经网络的人脸识别技术的挑战尽管基于神经网络的人脸识别技术具有较高的准确率，但仍然面临一些挑战：1. 样本不平衡问题：由于不同身份的人脸数据分布不均匀，模型的训练可能出现样本不平衡问题，导致识别效果不理想。
2. 多角度人脸识别：在实际应用中，人脸图像可能存在多种角度的变化，而神经网络对于大角度的人脸图像可能存在识别困难。
3. 鲁棒性问题：神经网络对于光照和背景等环境因素的变化较为敏感，需要进一步提高鲁棒性。
五、基于神经网络的人脸识别技术的发展趋势随着神经网络模型的不断发展和改进，基于神经网络的人脸识别技术将有更广阔的应用前景：1. 结合多模态信息：将人脸图像与声音、姿态等多模态信息相结合，可以提高人脸识别的准确率和鲁棒性。
- 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)。
２Ｂ ）Ｐ算 法 可 以使 权 值 收 敛 到 某 个 值 ， 能 保 证 收 敛 到全 局最 小 值 ， 易 陷 入局 部 极 小 值 。 不 容
反 向 传播 神 经 网 络 。
识 别过 程 就 是 根 据特 征 向量进 行 分 类 的 过 程 ， 别 器 实 际 上 就是 分 类 器 。 针对 人 脸 图像 识 别 问题 ， 用 Ｂ 识 选 Ｐ网络 模 型 来 设 计 分 类 器 。 由如 下 ： 一 ， 脸模 式输 人 向量 的 维数 经 过 特 征提 取 之 后 已经 不 是 很 高 。 理 第 人 第二 ， Ｐ算 法 成熟 简 单 ， 选 择 的余 地 比较 大 。 Ｂ 可 最
ＴｈｅＲ ｅ ｅ ｒ ｈ ｎｄ Ｉ ｐｒ ｖｅ ｅ ｈｅ Ｆａｃ ｃ ｇｎ ｔｏ Ｍ ｅ ｈｏｄ Ｂａ ｅ ｈｅ ＢＰ ｕｒ ｌＮｅ ｗｏｒ ｓ ａ ｃ ａ ｍ ｏ ｍ ｎｔｏｆｔ ｅ Ｒｅ ｏ ｉｉｎ ｔ ｓ ｄ ｏｎ ｔ Ｎｅ ａ ｔ ｋ
ＦＡＮ Ｇ Ｘｕ
特征 的提 取 。 该文 利 用 ＢＰ神经 网络进 行特 征 的 提取 和识 别 ， 出 了隐层 神 经 元 个数 的选 取 原 理 ． 提 讨论 了 网络 初 始 权 值 的 设置 原 则 等 并对 ＢＰ算 法进 行 了改进 ， 高 了识 别 的 正确 率 ， 少 了训 练 时 间和 计 算 量 。 提 减 关键 词 ： 脸 识 别 ； 脸检 测 ； 经 网络 人 人 神 中 图分 类 号 ： ＴＰ１ ８ 文献 标 识 码 ： Ａ 文章 编 号 ：０ ９ ３ ４ （０ １０ — ８ ２ ０ １ ０ — ０ ４ ２ １ ）４ ０ ６ — ２
ｒｃ ｎｔ ｅ ｏｇ ｉｉ ｏｎ，ｔ ｈｏ ｉ ｉｎｃｐｌ ｏ ｈｅ ｎｕ ｂｅ ｆｈｉｉ ｇ ｌｙｅ ｅ ｓ ａｅ ｐｒ ｐｏ ｅ ，ｔ ｎｔａ ａｕｅ ｅｔｎｇ ｐｒｎｃｐｌ ｒ ｌ ｓｕｓｅ ． ｈｅ ｃ ｏｓ ｎｇ ｐｒ ｉ ｅ ｆｔ ｍ ｒ ｏ ｄ ｎ ａ ｒ ｃ Ｈ ｒ ｏ ｓ ｄ ｈｅ ｉ ｉｉｌｖ ｌ ｓｓ ｔｉ ｉ ｉ ｅ ａ ｅ ａｓ ｄｉｃ ｓ ｄ ｏ
Ａｎ ｅＢＰ ａ ｏ ｔ ｍ ｍｐ ｏ ｅ ． ｔｉ ｒ ｖ ｓ ｈ ｒｃｓ ｎ ｒ ｄ ｃ ｓｔ ｅｔａ ｉｇ ｔ ｎ ｈ ａｃ ｌｔ ｎ ｄ ｔ ｌ ｒ ｈ ｉ ｉ ｒ ｖ ｄ Ｉ ｍｐ ｏ ｅ ｅｐ ｅ ｉ ｏ ， ｅ ｕ ｅ ｈ ｒｉ ｎ ｉ ａ ｄ ｔ ｅ ｃ ｌｕａｉ ． ｈ ｇｉ ｓ ｔ ｉ ｎ ｍｅ ｏ
Ｎｅｊ Ｙｗ ｊ ｔ＝ ， Ｏ
Ｏ ＝ｆ ｅ） ｊ （ ｔ Ｎｊ 其 中 ， 表 示前 一 层 的神 经 元 ｉ 本 层 的神 经 元 Ｊ ｗ 到 的连 接 权 值 ， ． ０ 为神 经 元 ｊ 的输 出 ， ｅ 表示 神 经 元 ｊ 收 到 的总 输 入 ，在 函 Ｎｔ ｊ 接 数 ｆ 作用 下 产 生 输 出 ０ ，常取 ｓ ｍ ｉ 的 ． ｆ ｉ ｏ ｇ ｄ函数 ：ｘ ｌ １ｅ） ｉ＝ （ ￣ ｆ） ／ ＋－
２ 隐含 层神 经 元 数 的选 择 ． ２ 通 过 输 入层 与 隐含 层 之 间 的 连 接权 值 的 “ 自组 织 化 ” 隐含 层 起 到 对 输 入 模 式 进 行 特 征 提 取 的作 用 ， 后 将 提 取 的 特 征 传 给 输 ， 然 出层 。隐 含层 神 经 元 数 目过 少 不 能使 得 网络 建 立复 杂 的判 断界 ， 多则 使 得 学 习时 间 过 长 ， 响 效率 ， 以采 用 如 公式 （ ） 出隐 含 过 影 所 １求 层 神 经 元数 ：
ＢＰ网 络 的 学 习算 法 为 ：
１初 始 化 权 值 ， 个 权 值 的 初 始 化 值设 置 为 为（， 之 间 的随 机 数 。 ） 每 ０１ ）
２ 输 人 训 练 样 本 及期 望输 出值 。 ） ３ 逐 层 计 算 各 层 的输 出 。 ）
４ 从 输 出层 开始 ， 整 权 值 ， 反 向 传 播 误 差 值 。 ） 调 并
后 输 入 样本 空 间 经 过特 征 提 取 后其 聚类 性 能 已 经有 所 改 善 ， Ｂ 对 Ｐ算 法 进行 适 当改 进 ， 会使 得 训 练 时 间不 长 。 则
２Ｂ Ｐ算法
２１Ｂ 网络 的 输 入 与输 出 ． Ｐ
Ｂ Ｐ网 络 由输 入 层 ， 含 层 和输 出层 构 成 ， 邻层 之 间 用 神 经元 权 互 联 ， 隐 相 同一层 内 的神 经 元无 连 接 。 对 于输 入 层 来说 ， 出 与输 入 相 同 ， ０＝Ｘ 。 隐含 层 和输 入 层 的输 入输 出关 系 特征 为 ： 输 即 ｊ
Ｖｏ ． ， ． Ｆ ｂ ｕ ｒ ０１ ， Ｐ ８ ２ ６ １７ Ｎｏ４， ｅ ｒ ａ ｙ ２ Ｐ ． ６ ～８ ３ １
基于 Ｂ Ｐ神 经 网络 人脸 识别 方法 的研 究与 改进
方Байду номын сангаас
（ 国人 民 解放 军 重庆 通 信 学 院 ， 庆 ４ ０ ３ ） 中 重 ０ ０ ５
摘要 ： 脸 识 别技 术是 计 算 机 模 式识 别 研 究 领域 的重 要课 题 ， 着 非常 广 泛 的应 用价 值 。而人 脸 识 别 的 关键 就 是 人脸 的检 测 与人 脸 人 有
ｏ ｐ ｉａｉ ｓ ｆａ ｐｌ ｔｏｎ ．Ａｎ ｈｅ ｋ ｙ ｓｆｃ ｔ ｃｉ ｎ ｅ ｔ ｒ ｘｒ ｃｉ ｎ．Ｉ ｈｉ ｐ ｐ ｒ ｃ ｄ ｔ ｅ ｉ ａ ｅ ｄｅｅ ｔｏｎ ａ ｄ ｆａｕ ｅ ｅ ｔａ ｔｏ ｎ ｔ ｓ ａ ｅ ，ｗ ｅ ｕ ｅＢＰ ｎｅ ａ ｔ ｒ ｏ ｈ ｅ ｔ ｅ ｅ ｒｃ ｉｎ ｎｄ ｓ ｕｒｌｎｅ ｗｏ ｋ ｆｒｔ ｅ ｆａｕｒ ｘｔａ ｔｏ ａ
致 较 长 的训 练 时 间 ， 可能 收敛 很 慢 ， 过这 样 能 保 证 网络 的误 差 值 不跳 出误 差 表 面 低 谷 而 趋 于 误 差 最小 值 。所 以一 般 情 况 下倾 向 于 不 选 择 较 小 的学 习速 率 以保 证 系 统 的 稳 定性 。学 习速 率 的范 围 是 ０ １ Ｏ８ ． 一． ０
ＩＳ １０ － ０ ４ Ｓ Ｎ ０ ９ ３ ４
Ｅ ｍａｌ ｅ ｕ ｃ ｃ ．ｅ ．Ｂ — ｉ ｄ ｅ ｃｎ ｔ ： Ｃ ｈ ｔ ：ｗｗ ｄ ｚ ．ｅ ．ｎ ｔ ／ ｗ． ｎ ｓｎ ｔ ｐ／ ｅ
Ｔｅ ：８ ｌ＋ ６—５ —５ ９０ ３ ５６ ０９ ４ ５１ ６ ９６ ９ ６
Ｃ ｍ ｕ ｎ ｗｅ ｇ ｎ ｅ ｈ ｏ ｇ ｏ ｐ ￣ｒ ｏ ｌ ｅ ｄ Ｔ ｃ ｎ ｌ ｙ电脑 知 识 与技术 Ｋ ｄ ａ ｏ
／
Ｃｍ ｕ ｒ ｎｗｅｇ ｄ ｅｈｏｇ ｏ ｐ ｔ ｏ ｌ ｅ ｎ ｃｎｌ ｙ电脑知识与 ｅＫ ｄ ａ Ｔ ｏ 技术
Ｊ！ ： Ｉ
√” 十 ， １ ｌ
其 中 ｍ 为 输 出 神 经 元 数 ， 输 入 神经 元 数 ， ｎ为 ａ为 １ ｌ ～ ０之 间 的 常数 。 ２３Ｂ 网络 的 学 习算 法 ． Ｐ
３Ｂ Ｐ算法 的改进
虽然 Ｂ Ｐ网 络 得 到 了 广泛 的应 用 ， 是 它并 不 是 十分 完 美 的 网 络 ， 要 包 含 以 下 一 些缺 陷 ： 但 主
１ 由于 学 习 速 率 是 固 定 的 ， 此 网 络 的 收敛 速 度 慢 ， 要 较 长 的训 练 时 间 。 而这 种 长 时 间 和 不 确 定 的 训 练 过 程 ． 于一 个 比较 ） 因 需 对
（Ｌ Ｃｈ ｎ ｑｎ ｍｍｕ ｉａｉｎ Ｃｏｌｇ ， ｏ ｇ ｉｇ４ ０ ３ ， ｉａ Ｐ Ａ ｏ ｇ ｉｇＣｏ ｎｃｔ ｌ ｅ Ｃｈ ｎ ｑｎ ０ ０ ５ Ｃｈｎ ） ｏ ｅ
Ａ ｓ ａ ｔ Ｔ ｅｒｃ ｇ ｉｏ ｆ ｕ ｎ ｆ ｅ ｉ ａ ｏ ｔ ｔ ｕｊｃ ｉ ｔ ｅ ｒ ｆ ｈ ｏ ｐ ｔ ａ ｅ ｃ ｇ ｉｏ ， ｈｃ ａ ａ ｄ ａ ｇ ｂ ｔ ｃ： ｈ ｅｏ ｎ ｉｎｏ ｍａ ｃｓ ｓ ｎ ｉ ｒ ｎ ｂｅｔ ｎ ｈ ｅ ｏ ｅｃ ｍ ｕｅ ｐ ｔ ｒ ｒ ｏ ｎｔ ｎ ｗ ｉ ｈ ｓ ｅｒ ｅ ｒ ｔ ｈ ａ ｍｐ ａ ｓ ａａ ｔ ｒ ｔｎ ｅ ｉ ｈ ｗｉ ｎ
１Ｂ Ｐ神经 网络
Ｂ Ｐ神 经 网 络是 一 种 按 反 向传 输 算 法 （ ａ ｋＰ ｏ ａ ａ ｏ ） ｌ 的多 层 前馈 网络 ， 目前 应用 最 广 泛 的 神经 网络 模 型 之一 。它 是 一 Ｂ ｃ ｒ ｇｔｎ ｉ 练 ｐ ｉ Ｊ ［ 是
种 能 向着满 足 给 定 的输 入 输 出 关 系方 向进 行 自组织 的神 经 网络 。 当 输 出层 上 的实 际 输 出 与 给 定 的输 入 不 一 致 时 ， 最 速 下 降 法 修 用 正 各 层 之 间 旧的 结合 强 度 ， 到 最 终 满 足给 定 的 输 出 输入 关 系 为止 。 由于 误 差 传播 的方 向与 信 号 传 播 的方 向正 好 相 反 而 称 为 误差 直
收 稿 日期 ：０ １ １ ５ ２ １ 一Ｏ ～１
作者 简介 ： 旭 （ ９ ５ ， ， 教 ， 士 ， 要 研 究 方 向为 计 算机 软 件 。 方 １ ８ 一） 男 助 硕 主
８ ２ ６ 人 工 智 能 及识 别 技 术 本栏目责任编辑 ： 唐一东
第 ７卷 第 ４期
（０ １年 ２月） ２１
５ 如 果 误 差 小 于设 定 的值 ， ） 则算 法 结 束 。如 果 大 于 所 设 定 的 值 ， 转 向 ３ 继 续 学 习 。 网 络 训 练结 束 达 到稳 定 状 态 后 ， 存 网 络 则 ， 保
的连 接 权 值 ． 以用 于 后 面 的 识 别 。
其 中 ， 习 速 率 决 定 每一 次循 环 训 练 中所 产 生 的 权 值 变化 量 。大 的学 习速 率 有 可 能 会 导 致 系统 的不 稳 定 ． 是 小 的学 习 速 率 导 学 但