基于神经网络的人脸识别技术方法研究
基于深度学习的人脸识别技术
基于深度学习的人脸识别技术一、背景介绍人脸识别技术是一种现代化的信息技术，它在安防、智能家居、金融等方面得到了广泛应用。
人脸识别技术的发展历程可以追溯到上个世纪六十年代。
随着计算机的发展和人工智能技术的进步，人脸识别技术也在不断发展。
而基于深度学习的人脸识别技术是当前最先进的人脸识别技术，具有更高的准确性和鲁棒性。
二、基本原理基于深度学习的人脸识别技术的核心是卷积神经网络（Convolutional Neural Network，CNN）。
在人脸识别中，CNN主要实现了两个步骤：人脸检测和人脸识别。
1、人脸检测人脸检测是指在图像或视频流中，通过计算机算法和技术，自动或半自动地找出图像中包含的人脸并进行定位的过程。
在基于深度学习的人脸检测中，主要使用了区域卷积神经网络（Region-based Convolutional Neural Network，R-CNN）和快速区域卷积神经网络（Fast R-CNN）等方法。
2、人脸识别人脸识别是将图像中的人脸进行比对和匹配，从而确定这张人脸的身份的过程。
在基于深度学习的人脸识别中，主要使用了卷积神经网络和循环神经网络（Recurrent Neural Network，RNN）等方法。
三、应用场景基于深度学习的人脸识别技术已经广泛应用于安防、金融、智能家居等领域。
1、安防领域在安防领域中，基于深度学习的人脸识别技术可以实现人员进出监控、黑名单管理、犯罪现场侦查等功能，具有高效、准确、实时、智能的特点。
2、金融领域在金融领域中，基于深度学习的人脸识别技术可以实现账户认证、开户、支付等功能，具有高安全性、高便捷性的特点。
3、智能家居领域在智能家居领域中，基于深度学习的人脸识别技术可以实现人脸门禁、智能家电控制等功能，具有高度个性化、智能化和便捷性的特点。
四、发展前景基于深度学习的人脸识别技术在未来的发展中具有广阔的前景。
随着大数据和人工智能技术的不断发展，基于深度学习的人脸识别技术可以更好地满足实际场景的需求，并不断提高其准确性和鲁棒性。
基于CNN人脸识别模型的大学生课堂行为分析研究
基于CNN人脸识别模型的大学生课堂行为分析研究近年来，随着人工智能技术的快速发展，各行各业都开始将其应用到实际生产和生活中。
在教育领域，人工智能技术也逐渐得到应用，其中基于卷积神经网络（CNN）的人脸识别模型在大学生课堂行为分析研究中发挥着重要作用。
本文将探讨人脸识别技术在大学生课堂行为分析中的应用，重点研究CNN模型对于大学生课堂行为的识别和分析。
一、引言在传统的教育场景中，教师通常要面对大量学生，很难对每个学生的学习状态进行全面地观察和评估。
学生的课堂行为和学习状态对于教学质量和效果有着重要的影响，因此对学生的课堂行为进行分析研究是一项具有重要意义的工作。
而人脸识别技术结合人工智能技术之后，为实现对大学生课堂行为的全方位监测和分析提供了新的可能性。
二、人脸识别技术在大学生课堂行为分析中的应用1. 人脸识别技术的基本原理和特点人脸识别技术是通过摄像头捕捉到的图像或视频流，对其中的人脸进行检测和识别，从而获取到人脸的相关信息。
而基于卷积神经网络（CNN）的人脸识别模型在此基础上进行了更深入的研究和应用，能够对人脸进行更精准的识别和分析。
CNN模型通过对图像进行多层卷积和池化操作，能够提取出图像中的关键特征，从而实现对人脸的准确识别。
2. 大学生课堂行为分析的应用场景基于CNN的人脸识别模型在大学生课堂行为分析中具有广泛的应用场景。
通过在教室摄像头中获取到学生的图像信息，可以实时监测学生的出勤情况和神态变化。
通过对学生面部表情和动作的识别和分析，可以判断学生的专注度和情绪状态。
结合学生的身份信息和学习行为，可以对学生的学习效果和学习习惯进行评估和分析。
1. 多特征融合识别技术对于大学生课堂行为的分析，往往需要综合考虑学生的面部表情、动作、身份信息等多个特征。
如何将这些多个特征进行有效地融合和识别是实现有效课堂行为分析的关键技术之一。
2. 实时监测和数据处理技术在实际的课堂场景中，摄像头通常会面对多个学生，因此需要实时对图像流进行监测和处理。
智能家居中人脸识别技术研究
智能家居中人脸识别技术研究一、引言随着科技的快速发展，智能家居已成为现代家庭生活中的重要组成部分。
而人脸识别技术作为智能家居的重要组成部分之一，其在智能家居中的应用也日益广泛。
本文旨在探讨智能家居中人脸识别技术的研究现状及发展趋势。
二、智能家居中人脸识别技术的基本原理人脸识别技术是指通过对人脸图像进行分析、提取人脸特征并进行比对，从而实现对人脸进行自动识别的技术。
在智能家居中，人脸识别技术主要应用于以下几个方面：（一）门禁系统：通过人脸识别技术，可以实现智能门禁系统的自动开关门，从而提高家居安全性。
（二）智能家居控制：通过人脸识别技术，可以实现智能家居控制的自动化，如自动开启空调、电视等设备。
（三）智能安防监控：通过人脸识别技术，可以实现智能安防监控，如发现陌生人员进入家庭，及时发送警报信息给家庭成员。
三、智能家居中人脸识别技术的研究现状目前，智能家居中的人脸识别技术已经得到了广泛的应用，研究人员也在不断的探索和改进该技术。
以下是智能家居中人脸识别技术的研究现状：（一）基于深度学习的人脸识别技术深度学习是一种基于神经网络的机器学习方法，已经被广泛应用于人脸识别技术中。
深度学习的模型可以通过对大量的人脸图像进行训练，从而得到更加准确的人脸识别结果。
（二）基于三维建模的人脸识别技术三维建模技术可以将人脸从二维图像转换为三维模型，并提取更多的人脸特征，从而提高人脸识别的准确度。
（三）基于多模态信息融合的人脸识别技术多模态信息融合指的是将不同的人脸特征信息进行融合，从而提高人脸识别的准确度。
比如将人脸图像信息和声音信息进行融合，可以更加准确地进行人脸识别。
四、智能家居中人脸识别技术的发展趋势随着人工智能技术的快速发展，智能家居中的人脸识别技术也将呈现出以下几个发展趋势：（一）更加准确的人脸识别技术未来的人脸识别技术将会更加准确，能够更好地识别不同角度、不同表情、不同年龄段的人脸。
（二）更加智能化的家居控制未来的智能家居将会更加智能化，能够根据不同的人脸识别结果自动调整家居控制模式，提供更加个性化的智能家居服务。
基于Kinect的3D人脸识别（1）
基于kinect的3D人脸识别技术摘要在2D人脸识别技术不断发展的今天，深度学习的出现让2D人脸识别技术的准确率已经达到了97.54%，2D技术的发展空间越来越小。
而随着3D技术也越来越成熟，将3D技术融合到人脸识别技术中是一种新的发展方向。
而现阶段，kinect这种体积轻巧，价格便宜，捕获3D数据效率高而且分辨率不低的设备成了许多研究人员的研究对象。
在本文中我们也利用了kinect设备完成了一个基于kinect的3D人脸识别研究的过程。
首先通过kinect设备采集了一批数据，接着实现了一种基于熵图和显著性图，利用HOG特征算子，和随机森林分类器和SVM分类器进行识别的算法系统。
通过我们的实验，利用随机森林分类器实现的分类器准确率只有73%，而利用SVM分类器达到的准确率有83.19%。
但是因为采集数据的范围小，以及算法的不完善性，我们的系统还有很大的提升空间。
关键词：kinect，RGB-D，显著性，熵图，随机森林，SVM，人脸识别AbstractWith the fast development of the face recognition based 2D data, the deep learning technology makes the accuracy of the face recognition based 2D data have reached in 97.54% and the development of the 2D technology in face recognition has reached the bottleneck. However, with the 3D technology becoming more and more mature, it is a new development direction to fuse the 3D technology into face recognitiontechnology. In the meanwhile, the Kinect which is portable, inexpensive and has high capturing rate and moderate definition becomes the research object of many researchers.In our paper, we used the Kinect equipment to finish a project which is about face recognition based 3D data. First of all, we collected enough RGB-D data using Kinect. Then we implemented the algorithm system which is based the entropy map and the visual saliency map, gets the feature vector using the HOG descriptor and using random decision forest and support vector machine to classify the data.The result of our experiment is not very well. The accuracy of the recognition with random decision forest classifier reaches only 73%. However, the accuracy of the recognition with support vector machine reaches 83.19%. Because of the small scale in the database and the imperfect algorithm, our system can still make great progress.Key words:Kinect, RGB-D, salience, entropy, RDF, SVM, face recognition1，绪论1.1研究背景随着人们对人工智能，机器学习算法的研究的不断深入，其分支领域中的计算机视觉中的人脸识别技术也得到了充分的发展和巨大的进步。
基于深度学习的图像识别技术研究与应用
基于深度学习的图像识别技术研究与应用深度学习是一种人工智能领域的技术，它模拟了人脑神经网络的结构和功能。
基于深度学习的图像识别技术已经在多个领域取得了巨大的成功，包括人脸识别、自然语言处理、无人驾驶等。
本文将针对基于深度学习的图像识别技术进行研究并探讨其在实际应用中的潜力。
首先，深度学习的基本原理是通过多层神经网络模型实现对复杂模式和特征的自动学习。
传统的图像识别技术通常需要手动提取特征，而基于深度学习的方法可以通过自动学习来获取更加丰富和高效的特征表示。
这使得图像识别技术在准确性和鲁棒性方面取得了重大突破。
其次，深度学习的核心算法之一是卷积神经网络（Convolutional Neural Network，CNN）。
CNN在图像识别任务中表现出色，其通过多个卷积层和池化层来提取图像的高层次特征。
卷积层能够捕捉图像中的局部模式，而池化层则能够减小特征的尺寸并保留关键信息。
通过多个卷积层和池化层的组合，CNN能够学习到更加抽象和复杂的特征。
另外，为了解决深度学习中的梯度消失和过拟合等问题，一些深度学习模型在CNN的基础上进行了改进。
例如，残差网络（Residual Network，ResNet）通过引入跳跃连接来简化网络的学习过程，有效地改善了梯度消失问题。
此外，引入批量归一化（Batch Normalization）技术可以加快网络的收敛速度，提高模型的泛化能力。
在实际应用中，基于深度学习的图像识别技术已经有了广泛的应用。
其中，最为突出的一个应用是人脸识别。
通过深度学习模型的训练，可以实现对人脸的精准识别。
这在安全领域、社交媒体等方面具有重要的应用价值。
此外，基于深度学习的图像识别技术还可以用于物体检测与识别、医学图像分析、无人驾驶等领域。
它们为社会的发展和进步提供了巨大的推动力。
然而，基于深度学习的图像识别技术也面临一些挑战。
首先，深度学习模型需要大量的标记数据用于训练，而获取大规模的标记数据是非常困难的。
基于人脸识别技术的研究
基于人脸识别技术的研究谷冰(沈阳职业技术学院辽宁沈阳110045)露■似器N E YV A LL E工应用科学[摘要]随着计算机技术的迅猛发展，人们期望计算机能具有人的视觉功能，然而除了一蝗专用的视觉系统外，迄今为止，还没有较为成功的通用视觉系统。
人脸识别目前的社会需求巨大，几乎各行各业都迫切需要。
主要针对人脸识别技术进行综述，并展望其未来的发展前景。
[关键词】人脸识别特征识别人工神经网络中图分类号：TP3文献标识码：^文章编号：1671--7597(2008)1120127一01牛物特征识别技术是指人体生物特征识别技术，这是一一种利用人体生物特征来进行身份识别的技术。
人体生物特征包括生理特征和行为特征，生理特征包括D N A、指纹、掌纹、人脸、虹膜等特征，行为特征包括语音、笔迹、步态等特征。
生物特征识别技术为身份识别提供了一个解决方案，同时，生物识别技术也是目前最方便最安全的识别技术。
利用生物特征技术来识别人的身份，i E成为I T行业的一项重要革新。
与其他生物特征识别技术相比，人脸识别具有三个优点：后验识别性能优越：人脸图像的普遍性：非接触式的操作方式。
人脸图像由于年龄、姿态、表情、光照等阏素而具有“一人千面”的特点，因此，人腧识别面临多方面的挑战。
一、人赡识尉的发晨过程早在I：世纪60年代术，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。
虽然我们人类可以毫小困难地通过人脸来辨别一个人，但是利用计算机进行完全自动的人脸识别仍存在许多嗣难．其表现在：人脸是t I i H,J体，存在表情变化：人脸随年龄的增长而有所改变：发型、眼镜对人脸造成遮挡：人脸所成I冬I像受光照、成像角、成像距离等影响。
此外，人脸识别技术研究与相关学科的发展及人脑的认识程度紧密联系。
人脸识别技术的研究现状与发展趋势
人脸识别技术的研究现状与发展趋势概述人脸识别技术是一种通过对人脸图像或视频进行分析和比对，判断出人脸身份的技术。
这项技术在近年来取得了显著的突破，并被广泛应用于安全领域、人机交互、金融支付、社交娱乐等众多领域。
本文将介绍人脸识别技术的研究现状以及其发展趋势。
研究现状人脸识别技术在过去几十年中得到了快速发展，如今已成为计算机视觉领域的热门研究方向。
以下是一些目前人脸识别技术的研究现状：1. 特征提取与匹配算法特征提取与匹配算法是人脸识别技术的核心。
在特征提取方面，研究者广泛应用了图像处理和机器学习等技术，如主成分分析（PCA）、线性判别分析（LDA）、局部二值模式（LBP）等。
这些算法能够有效地提取出人脸的关键特征，为后续的比对工作提供支持。
2. 深度学习在人脸识别中的应用近年来，深度学习技术的快速发展为人脸识别带来了新的突破。
通过深度神经网络的训练，可以自动学习到更具判别性的人脸特征表示，提高了人脸识别的准确度和鲁棒性。
卷积神经网络（CNN）在人脸识别中得到了广泛应用，例如通过使用一系列卷积层、池化层和全连接层，能够直接从原始图像中提取出重要的特征。
3. 三维人脸识别传统的人脸识别技术主要基于二维图像，对于角度、光线和表情的变化比较敏感。
而三维人脸识别技术通过获取人脸的深度信息，能够克服这些限制，提高了识别的准确性和可靠性。
通过利用激光扫描仪或结构光相机等设备，可以获取到更加丰富和准确的人脸几何形状信息。
发展趋势人脸识别技术在未来的发展中有着广阔的应用前景，以下是一些发展趋势：1. 高精度与高速度随着硬件技术的不断进步，人脸识别系统将能够实现更高的识别精度和处理速度。
新的算法和硬件架构的引入将进一步提高人脸识别系统的性能，使其能够在更广泛的领域得到应用。
2. 多模态融合人脸识别技术通常是基于可见光图像进行的，然而可见光图像往往受到环境光线的干扰。
为了提高识别的鲁棒性，未来的发展趋势之一是将多模态信息融合到人脸识别系统中，例如红外图像、热能图像等，以增强识别的准确性和稳定性。
基于深度学习技术的人脸识别算法研究
基于深度学习技术的人脸识别算法研究随着科技的不断进步和人们对便捷生活的需求，人脸识别技术已经被广泛应用于各种领域，例如人脸解锁、人脸支付、人脸考勤等等。
而其中最核心的技术便是人脸识别算法。
目前，基于深度学习技术的人脸识别算法已经成为主流，并且在准确度和稳定性上都有了极大的提升。
一、人脸识别算法的基本原理人脸识别算法主要包含三个步骤：人脸检测、人脸对齐、人脸识别。
其中，人脸检测指的是在一张图像中检测到可能存在的人脸位置；人脸对齐是将检测到的人脸进行对齐，使得不同姿态、光照下的人脸能够比较精确地在同一平面上；人脸识别则是基于人脸的特征向量进行比对和识别。
其中，深度学习技术在人脸识别中扮演了至关重要的角色。
深度学习是一种基于人工神经网络的机器学习技术，通过对大量数据进行训练，可以让计算机自动学习和提取数据中的特征。
在人脸识别领域，深度学习技术通过构建卷积神经网络（CNN）和循环神经网络（RNN）等模型，不断优化人脸识别算法的准确性和稳定性。
二、基于深度学习的人脸识别算法的优缺点相对于传统的人脸识别算法，基于深度学习技术的人脸识别算法具有以下优点：1. 鲁棒性更强：基于深度学习的算法对光照、姿态、遮挡等因素的鲁棒性更强，同时也不容易受到攻击和欺骗。
2. 准确性更高：由于深度学习算法能够自动提取并学习图像中的特征，因此可以得到更为准确的人脸匹配结果。
3. 处理速度更快：基于深度学习的人脸识别算法可以借助GPU等技术进行加速，处理速度更快。
而基于深度学习的人脸识别算法同样存在一些不足之处，比如：1. 数据要求高：深度学习的训练需要大量的数据，而且数据质量也会影响算法的准确性。
2. 隐私问题：由于人脸识别技术的应用范围很广，大量的人脸数据会涉及到隐私问题，因此需要加强人脸数据的保护。
三、当前主流的深度学习人脸识别算法目前，几款主流的基于深度学习的人脸识别算法包括：1. DeepFace：由Facebook于2014年提出，这个算法采用了神经网络模型和3D面部重建等技术，准确率达到了97.35%。
- 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)。
第3期2019年2月No.3
February，2019
人们在特定时刻的感觉在临床术语中被称为“情绪”。6种基本情绪被认为是快乐、悲伤、愤怒、恐惧、厌恶和惊讶，而其他已知的人类情感往往被视为这6种复杂社交情境的特殊化。研究人员从各种观点研究了情绪在人工智能中的作用：开发与人类更优雅互动的代理人和机器人，开发利用情绪模拟来辅助自己推理的系统，或创建更接近人体情感互动和学习的机器人。皮卡德指出：“智能复杂自适应系统中将会有功能，它们必须响应不可预测的复杂信息，这些信息起着情感在人们身上发挥作用的作用。”因此，对于计算机以实时方式响应复杂的情感信号，他们将需要像我们所拥有的系统，我们称之为情感。人类的情感不仅是一种合乎逻辑的理性成分，它们与行为和感情紧密相连。人类情感系统在生存、社会互动和合作以及学习中起着至关重要的作用。机器需要一种情感—机器运动。因此，我们可以确定智能机器需要情绪，以便在学习复杂任务时以及在对人类的学习和决策制定进行建模时提高其表现。情绪在人类决策过程中发挥着重要作用，因此，当我们试图模拟人类反应时，它们应该嵌入推理过程中。Bates使用Ortony等描述的模型提出了一个可信的代理人。该模型仅描述了基本情绪和先天反应；然而，它为构建计算机情感模拟提供了一个很好的起点。Kort等提出了一个模型，他们的目的是概念化情绪对学习的影响，然后，建立一个工作的基于计算机的模型，将识别学习者的情感状态并对其作出适当的反应，以便学习将以最佳的速度进行。Poel等引入了模拟混合神经网络架构，用于情绪学习。系统从注释数据中学习如何产生情绪状态以及由内部和外部刺激引起的变化。Clocksin探讨了记忆中的问题，并结合可能的人工认知架构进行了研究。这项工作与人工智能研究中考虑记忆和情感的传统方式背道而驰，并且源于社会和发展心理学中出现的两种思想[1]。本文提出了一种基于情绪反向传播学习算法的情绪神经网络。情绪神经网络具有两种模拟情绪，有助于网络学习和分类过程。这两种情绪是焦虑和自信。结合这些情绪参数的基本原理是它们对我们人类认知过程中的学习的影响。在实践中，两个情感参数意味着当情绪神经网络被训练时，一个是使用所有节点作为训练模式样本的输入平均值，另一个是某种程度上的增加惯性项用于在训练时期进展时修改从一种模式到下一种模式的变化水平。从数学的角度来看，当接近成本函数的最小值时，我们不希望被单个模式的误差所左右，其中一些模式可能是异常值。因此，我们关注最近学习步骤积累的“记忆”。本文旨在研究这些额外的情绪参数对情绪神经网络在学习和决策中的表现的影响。我们使用脸部图像数据库，它已经在我们以前的作品中有效地使用。该数据库包括270个不同性别，种族和年龄的30人的图像，具有各种照明条件和对比度。面部图像的多样性旨在研究情绪神经网络的稳健性。1 具有情绪参数的学习算法反向传播学习算法是用于训练分层神经网络的广义delta规则。自前人引入该算法以来，该算法已被广泛使用。在
本节中，基于情绪反向传播学习算法的情绪神经网络学习算法，根据情绪神经网络内的信息流详细解释，该网络由3层组成：输入层（i）神经元，具有（h）神经元的隐藏层和具有（j）神经元的输出层。1.1 输入层神经元
这些是非处理神经元；每个输入层神经元的输出定义为YIi=Xii其中，XIi和YIi分别是输入和输出输入层中神经元i的值。1.2 隐藏层神经元
这些是处理神经元，因此，S形激活函数用于激活该层中的每个神经元。这里，假设有一个隐藏层。但是相同的过程可以应用于多个隐藏层。其中XHh和YHh分别是隐藏层中神经元h的输入和输出值。使用进入该神经元的所有输入值的总电位计算隐藏层神经元XHh的输入。总电位是输入值的乘法和它们的相关权重的总和。 其中Whi是隐藏神经元h给予输入神经元i的权重，YIi是输入神经元i的输出，r是输入层神经元的最大数量。其中Whb是由隐藏神经元h给予隐藏层偏置神经元b的权重，Xb是偏置神经元的输入值。1.3 输出层神经元
这些也是处理神经元，因此，S形激活函数用于激活该层中的每个神经元。其中XJj和YJj分别是输出层中神经元j的输入和输出值。除了偏置和情绪神经元之外，还使用从先前隐藏层馈送神经元的所有输入值的总电位来计算输出层神经元XJj的输入。
作者简介：吴思楠（1997— ），女，辽宁丹东人，本科生；研究方向：计算机科学与技术。
摘 要：文章研究了情绪神经网络的效率，该网络使用改进的反向传播学习算法。实验结果表明，人工情绪可以成功建模并有效实施，以改善神经网络的学习和普遍性。关键词：神经网络；反向传播算法；人工情感建模；面部识别
基于神经网络的人脸识别技术方法研究吴思楠（辽宁师范大学海华学院，辽宁 沈阳 110167）
无线互联科技Wireless Internet Technology第3期
2019年2月No.3
February，2019
因此，输出层神经元的输入被定义为常规总电位，偏置总电位和情绪总电位之和。其中Wjh是输出神经元j给隐藏神经元h给出的权重，YHh是隐藏神经元h的输出。l是隐藏层神经元的最大数量。其中Wjb是输出神经元j给输出层偏置神经元b给出的权重，Xb是偏置神经元的输入值，它被设置为1（Xb=1）。其中Wjm是输出神经元j给输出层情绪神经元m给出的权重，而Xm是情绪神经元的输入值。2 面部识别实施人脸的复杂性源于随着时间的推移而发生的面部特征的不断变化。尽管有这些变化，我们人类仍然能够识别面孔并识别人物。这种能力并不存在于机器中，因此，需要在我们尝试创建智能自主机器时人为地模拟识别。当前的面部识别方法依赖于检测局部面部特征并将其用于面部识别或全局地分析面部作为整体。局部面部识别系统使用面部内的面部特征；全局人脸识别系统使用整个面部来识别人。在该部分中，情绪神经网络用于在呈现他/她的面部图像识别人时使用了基于反向传播学习算法的传统神经网络以及用于面部识别的全局模式平均。在训练或测试神经网络之前，全局模式平均用于面部图像预处理。情绪和传统神经网络的实施使用270个不同性别，种族和年龄的人的面部和背景图像。每个面具有3个不同的投影，在看向左、直和右时捕获[2]。使用AdobePhotoshop 7.0实现了对比度降低和增加。显示了具有3个对比度级别的面部图像的示例。对比度水平面部方向的变化旨在测试情绪神经网络在正确识别人物中的稳健性。作为这些变化的结果，每个人具有9个面部图像，总共有270个图像。所有原始图像尺寸为512×512像素。将图像缩小为128×128像素的大小，然后提取包含面部及其背景的大小为100×100像素的窗口，其中这个相对较小尺寸的图像中的数据用于训练并最终测试神经元网络。3 神经网络构建情绪神经网络具有3层，包括输入层、隐藏层和输出层。输入层具有100个神经元，每个神经元接收全局面部图像片段的平均值。隐藏层由45个神经元组成，这是在许多实验后确定的，涉及从1到100调整隐藏神经元的数量。输出层根据人数有30个神经元。传统的神经网络也用于比较目的，具有与情绪网络类似的配置，以确保客观的实验结果评估和比较。任何神经网络的实现都包括训练和测试。在这项工作中，共使用了270张脸部图像。为了训练神经网络，使用180个面部图像。这些训练图像是向左看和向右看的30个人，具有3种不同的照明条件（原始对比度，低对比度和高对比度）。30个人看起来笔直的剩余90个面部图像具有3个对比度级别，仅用于测试目的，并且在训练期间没有呈现给神经网络。4 实验结果已经进行的实验旨在测试情绪神经网络的性能并将其性能与传统神经网络进行比较。使用以下系统配置实现了对两个神经网络的训练和测试：使用WindowsXP操作系统的具有512 MBRAM的2.8-GHzPC，C语言源代码和Borland编译器。情绪神经网络在3 795次迭代后并在286 s内学习和收敛，而使用一次正向传递的运行时间为5.229 10-4 s。传统的神经网络在3 184次迭代后并在213 s内学习和收敛，而使用一次正向传递的运行时间为8.789 10-4 s。当用于测试训练的神经网络时，所有180个训练图像被正确识别，因为它们被用作训练图像。对90个测试面部图像的识别表明识别系统的成功，因为这些面部图像之前没有被呈现给神经网络[3]。另外，“直视”脸部图像具有不同的方向和对比度水平，因此，与训练面部图像相比，在相似的坐标处“左看”和“看向右”的像素值不同。结果显示，两个情绪系数的加入显著改善了神经网络的学习和性能。此外，情绪神经网络的识别率高于传统网络。5 结语本文介绍了情绪神经网络学习算法在面部识别问题中的应用，还研究了模拟人工情绪并利用它们来改善神经网络学习的概念。情绪神经网络有两个情绪参数：焦虑和信心，它们影响神经网络的学习和决策过程。情绪神经网络使用情绪反向传播学习算法。本文详细描述了情绪神经网络学习算法。选择面部识别问题来实现情绪神经网络以及传统的神经网络。用于实施的面部图像数据库包括面部图像及其30个不同性别、种族和年龄的人的背景。面部方向和照明条件的多样性提供了270个图像，用于训练和测试情绪和传统神经网络。在两个神经网络之间进行了比较，其中情绪神经网络已经显示出优于传统神经网络，广义神经网络运行时间显著减少，识别率更高。此外，研究工作将继续探索可以有效使用情绪神经网络的不同应用领域。
[参考文献][1]于达岭，黄洪琼.一种基于卷积神经网络的人脸识别方法[J].信息技术与网络安全，2017（14）：49-51.[2]冯建洋，谌海云.基于人工神经网络的人脸识别研究[J].自动化与仪器仪表，2017（5）：24-26.[3]WANG X，PAN H.Multi-view face recognition based on BP neural network and KPCA[J].Advanced Materials Research，2014（9）：1737-1740.
Study on face recognition technology based on neural networkWu Sinan（Liaoning Normal University Haihua College, Shenyang 110167, China）Abstract：This paper studies the efficiency of emotional neural network, which uses an improved back propagation learning algorithm.
The experimental results show that artificial emotion can be successfully modeled and implemented to improve the learning and universality of neural network.Key words：neural network; back propagation algorithm; artificial emotion modeling; face recognition