基于BP神经网络的人脸识别方法
利用神经网络进行人脸识别技术研究
利用神经网络进行人脸识别技术研究一、背景介绍近年来，随着信息技术的迅速发展，人工智能开始崭露头角，人脸识别技术应运而生。
人脸识别技术是一种以数字图像的处理和模式识别为基础的高科技技术，其应用领域非常广泛，例如安防监控、门禁管理、身份认证等。
其中，利用神经网络进行的人脸识别技术更是成为当前领域的研究热点。
二、神经网络及其应用神经网络是一种模拟人类神经系统的计算模型，其拥有自我训练的能力，能够从大量的数据中学习并进行预测。
近年来，神经网络的应用得到了广泛关注，已经成为了许多领域中不可或缺的工具。
在人脸识别技术中，神经网络常被用来构建特征提取模型和分类模型。
特征提取模型的目的是提取人脸图像中的关键特征，例如面部特征、眼睛、嘴巴等。
分类模型的目的是将提取的特征归类为某个人，从而实现人脸识别的功能。
三、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已经得到了广泛的研究和应用。
这里我们将介绍其中几种重要的技术。
1、卷积神经网络卷积神经网络是一种特殊的神经网络，其能够有效地提取图像特征。
在人脸识别中，卷积神经网络可以用于对人脸图像进行特征提取，从而得到更好的分类结果。
2、深度学习深度学习是对神经网络模型的高度抽象和优化，通过构建深层次的网络结构进行特征提取。
在人脸识别中，深度学习能够更加准确地提取人脸图像中的特征，从而得到更好的分类结果。
3、多模态融合多模态融合是指利用多种不同类型的信息进行分类。
在人脸识别中，可以利用图像、音频和视频等多种不同类型的信息进行分类，从而提高人脸识别的准确度和稳定性。
四、研究进展及应用前景基于神经网络的人脸识别技术在近年来有了很大的进展，其研究已经深入到特征提取、分类模型和多模态融合等不同方面。
随着技术的不断发展，其应用前景也将逐渐扩展到更多的领域，例如智能家居、自动售货机、自助服务等。
总的来说，基于神经网络的人脸识别技术极大地提高了人们对安全性和隐私的保护。
我们可以期待这项技术在未来的应用中发挥更多的作用。
基于BP神经网络的人脸检测算法
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
【毕业论文】基于人工神经网络的人脸识别方法研究
2.1 生物识别技术 .................................................................................................... 7
2.1.1 生物识别的定义 .....................................................................................................7 2.1.2 生物识别技术 ........................................................................................................7
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BP神经网络的人脸识别系统研究
基于BP神经网络的人脸识别系统研究
陈翔;白创;黄跃俊
【期刊名称】《智能计算机与应用》
【年(卷),期】2018(008)003
【摘要】本文设计了一种基于BP神经网络的人脸识别系统,并对其进行了性能分析.该系统首先利用离散小波变换获取包含人脸图像大部分原始信息的低频分量,对图像数据进行降维;再由PCA算法对人脸图像进行主成分特征提取,进一步降低图像数据的处理量;最后使用经过训练后的BP神经网络对待测人脸进行分类识别.详细介绍了离散小波变换、PCA特征提取以及BP神经网络分类设计.通过系统仿真实验与分析发现:人脸特征的提取是该系统的关键;同时,由于人脸灰度信息的统计特征与有监督训练BP神经网络分类器,使该系统只在固定类别,并且光照均匀的人脸识别应用场景中具有较高的识别准确率.因此,很难在复杂环境中应用.
【总页数】4页(P57-60)
【作者】陈翔;白创;黄跃俊
【作者单位】长沙理工大学物理与电子科学学院,长沙410114;长沙理工大学物理与电子科学学院,长沙410114;长沙理工大学物理与电子科学学院,长沙410114【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于BP神经网络的人脸识别系统 [J], 安大海;蒋砚军
2.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
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神经网络人脸识别系统的研究与设计 [J], 张玉萍
5.基于BP神经网络的人脸识别系统研究 [J], 陈翔;白创;黄跃俊;
因版权原因，仅展示原文概要，查看原文内容请购买。
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
。
- 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)。
关键词 神经网络，特征压缩，模式识别，人脸识别
中图法分类号 TP18； TP391
A FACE RECOGNITION METHOD BASED ON THE BP NEURAL NETWORK
JIN Zhong, HU Zhong-Shan, and YANG Jing-Yu
(Department of Computer Science,Nanjing University of Science and Technology,Nanjing 210014)
Key words neural network, feature compression, pattern recognition, face recognition
file:///E|/qk/jsjyjyfz/jsjy99/jsjy9903/990304.htm（第 1／5 页）2010-3-23 1:14:37
(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
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.
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.
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：
(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)
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：
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1 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
file:///E|/qk/jsjyjyfz/jsjy99/jsjy9903/990304.htm（第 4／5 页）2010-3-23 1:14:37
计算机研究与发展990304
(5)
式中的近似等式可由统计知识得到.
由于当自变量s在区间［－5，5］上变化时，Sigmoid激励函数F(s)才起作用，因此
根据正态分布的3σ规则，连接权值的初值选取宜满足如下要求：
(6)
3 实验结果及其分析
用HengZi图像处理系统采集的人脸图像数据库由18人，每人12幅128×128图像所 组成，人脸的位置与姿态都有一些变化.通过预处理，可获得对人脸的姿态变化、尺度 变化与位置变化不敏感的脸部校准图像，其大小为N=32×32. 对人脸校准图像用类间相关矩阵作为KL变换的产生矩阵，可抽取出p=18维的识别 特征，将这18维的识别特征矢量作为网络的输入矢量，取网络的输出维数也是18，训 练样本的期望输出矢量只有一个分量取值0.9，其它的分量都取值0.1.采用标准BP算 法，即每训练一个样本，修正一次连接权值，学习率取为0.7，误差门限取为0.05.将每 人12幅图像分成3组，可用其中任意一组图像训练，训练样本数为K=72，用剩余的另两 组图像测试，测试样本数为144.网络隐含层的神经元数取为H=36，连接权值的初值可 在区间［-θ,θ］内随机选取，这里θ可取0.05,0.1,0.3,0.5,0.68与1.BP神经网络分类器网 络收敛时的识别错误率及其训练次数的实验结果见表1，表1的最后一行为常用的最近 邻分类器识别错误率的实验结果.
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
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
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.