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
。
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
・
人脸识别算法
⼈脸识别算法基于⼈⼯神经⽹络的⼈脸识别系统童志军090739第⼀部分：引⾔在计算机控制上可靠的个⼈⾝份识别的需求引发了⽤⽣物特征替代密码和⾝份证进⾏识别的趋势。
由于密码会被泄露给不合法的⽤户并且⾝份证会被骗⼦盗取所以密码和⾝份证会被轻易的破坏，⽣物特征识别的出现能够很好的解决传统分类⽅法的问题。
⽣物特征包括⼈的虹膜、视⽹膜、⾯部轮廓、指纹、签名⼒度变化和语⾳等特征，这些特征可以⽤于⼈物识别。
由于⽣物特征不能被轻易的盗取和分享，所以⽣物特征识别相⽐于传统安全措施有很⼤的优势，⼈脸识别系统积极稳固的特点使它在⼈物识别中脱颖⽽出。
⼈脸识别系统包括⼈脸核实和⼈脸识别两个阶段。
在核实阶段，系统根据⼈物特征的先验知识进⾏核实，这就是说，系统要判断当前待识别⼈物是否为骗⼦。
在⼈脸识别阶段，先验特征并不知道，系统只能根据最⼤似然准则进⾏识别。
这篇⽂章的最初⽬的是对使⽤⼈⼯神经⽹络来⼈脸检测和识别的性能进⾏评价，⽂章的剩余部分就是这样组织的：第⼆部分描述了系统的过程图和⼈脸识别系统的各个模块；第三部分详尽说明了预处理、特征提取和⽬标系统的分类的⽅法；第四部分展⽰了和讨论了实验结果，第五部分得出结论。
第⼆部分：系统综述正如图1所⽰，推荐的⼈脸识别算法包含⼊学和识别/分类两个阶段，它包含图像获取，⼈脸检测、学习、识别和核实。
图1 ⼈脸识别系统结构图A ⼊学阶段使⽤⽹络照相机获得图⽚并储存在数据库中，然后对图⽚进⾏检测和训练。
训练时，使⽤⼏何学和光学标准化⽅法对脸部图⽚进⾏预处理，采⽤⼏种特征提取的⽅法提取脸部图⽚特征，然后把这些特征数据存在数据库中作为⽤户标识。
B 识别/实验证明阶段再次获得⽤户脸部⽣理数据，此系统使⽤数据辨别⽤户或者分类⽤户标识。
虽然⾝份鉴定需要把获得的⽣物特征信息与数据库中所有⽤户的数据进⾏模板匹配，⾝份核实仅需要把⽣物特征信息与主要特性进⾏模板匹配，所以⾝份识别与实验证明在内在复杂性上截然不同。
基于BP神经网络的图像识别方法
１ 引言
人 工神 经 网络 （ Ａｒ ｔ ｉ ｉ ｆ ｃ ｉ ａ ｌ Ｎｅ ｕ ｒ ａ ｌ Ｎｅ ｔ ｗ ｏ ｒ ｋ ｓ ） （ 简 称Ａ Ｎ Ｎ）系 统 诞 生于２ Ｏ 世 纪４ ０ 年 代末 ，已有 半个 多世 纪 的发 展 ，从一 开始 的简 单 逻 辑运 算 、推 理 ，到现 阶段 发展 成 具有 复杂 模式 和记 忆 、联 想 、推 理 、 的功能 ，己成 为解 决某 些传 统 方法 所无 法解 决 的 问题 的 有力 工 具 。神 经 网络 所表 现 出的这 些特 点 使它 日益 受到 学者 的 重视 ， １ ９ ８ ６ 年 ，Ｒ ｏ ｍｅ ｌ ｈ ａ ｒ ｔ 和 Ｍｃ ｃ ｌ ｅ ｌ ｌ ａ ｎ ｄ 在 传统 神经 网络 的基础 上 ，提 出了误 差 反 向传 播算 法（ Ｅ ｒ ｒ ｏ ｒ Ｂ ａ ｃ ｋ Ｐ ｒ ｏ ｐ ａ ｇ ａ ｔ ｉ ｏ ｎ Ａｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ） ，简称 Ｂ Ｐ 算 法 ，与 神 经 网 络结 合 ，发展 成 为 机 器 学 习 的热 门 方 向 。Ｂ Ｐ 神 经 网络 包 含 了前 向和反 向两个 过程 ，线 性变 换 和非 线性 激活 函 数两 个运 算 ，运 用 激活 函数 的 连续 、可 导特 性 ， 以逐 次 逼近 的方 式 ，迭代 寻 找最 优 解 ，并 确定 线 性参 数 的范 围 ，最后达 到 识别 、分 类 的功 能 。而 图像 的 识别 正是 分 辨 图像边 缘 ，通 常 以梯 度 方 向作为 逼近 方 向 ，不 断调 整 速 率 ，达 到 分 类 目的 ，因 此Ｂ Ｐ 神 经 网 络在 图像 分 类 ，模 式 识 别 方 面有 极大 的应 用价 值 。
ｎ ｅ ｔ ． ｐ ｅ ｒ ｆ ０ ｒ ｍＦ ｃ ｎ ＝ ＞ ｓ ｓ ｅ ） ； ％平 方 和 误 差 性 能 函 数 ｎ ｅ ｔ ． ｔ ｒ ａ ｉ ｎ Ｐ ａ ｒ ａ ｍ． ｇ ｏ ａ ｌ ＝ Ｏ ． １ ： ％平 方 和 误 差 目标 ｎ ｅ ｔ ． ｔ ｒ ａ ｉ ｎ Ｐ ａ ｒ ａ ｍ． ｓ ｈ ｏ ｗ＝ ２ ０ ； ％进 程 显 示 频 率 ｎ ｅ ｔ ． ｔ ｒ ａ ｉ ｎ Ｐａ ｒ ａ ｍ． ｅ ｐ ｏ ｃ ｈ ｓ ＝ ５ ０ ０ ０ ； ％最 大 训 练 步 数 ｎ ｅ ｔ ． ｔ ｒ ａ ｉ ｎ Ｐ ａ ｒ ａ ｍ． ｍｅ ＝ Ｏ ． ９ ５ ： ％动 量 常 数 网 络 训 练 ｎ ｅ ｔ － ＝ ｉ ｎ ｉ ｔ （ ｎ ｅ ｔ ） ； ％初 始 化 网 络
基于BP网络的人脸朝向识别模型
Ｂ 算 法采 取梯度 下 降法调 整权值 Ｐ
（ ＋ ） （） ｒ ｊ， 刀 １＝ ” ＋ｌ ｘ’ Ｓ
式 中 ， 本节 点 的序 号 ， 隐含 层 或输 入 层 节 ｉ 为 ｉ 是
点 的序号 。 ｉ 节点ｉ ｘ是 的输 出或者是 外部 输入 ； 为学 １ １
０ ６０ ； ６ ０ ４
摘要 ： 本文基于Ｂ 神经网络建立数学模型解决人脸朝向识别这一重要问题。通过对图片压缩、 Ｐ 标准化处理等
步 骤 ， 立 了 一个 全 新 的Ｂ 神 经 网络 。并 用 ＭＡ Ｌ Ｂ ５ 张 图片 进 行 了实 验 ， 验 结 果 表 明 ， 建 Ｐ ＴＡ 对 ０ 实 该方 法识 别 准 确率 高 、 识别 过程 速 度 快 。 最后 ， 们 就 训 练样 本 数 目的确 定 与 更 有 效识 别方 法 的探 索 两 个 方 面 对 模 型 提 出 了改 进 。 我
关 键 词 ：Ｐ Ｂ 神经 网络 ； 人脸朝 向识别 ； 主成分分析
中 图法 分 类 号 ：Ｐ ９ ．１ Ｔ ３１ ４ 文 献 标 识 码 ： Ａ Ｄ Ｉ １． ６／ｉ ｎ１ ０ — ２ ０ ０ ２０ ． Ｏ ：０３ ９ｊｓ ． １０ ７ ． １ ．１ ５ ９ ．ｓ ０ ２ ０
Ｆａ ｅ Ｏｒｅ ａｔｏ Ｒｅ ｏ ｉｉ ｎ Ｂａ ｅ ｎ ｃ ｉｎｔ ｉ ｎ ｃ ｇｎ ｔｏ ｓ ｄ ｏ ＢＰ ｕｒ ｌＮｅ ｗｏ ｋ Ｎｅ ａ ｔ ｒ Ｗ Ｕ －ｗｅ Ｙｕ ｎ ，ＣＨＥＮ ｅ Ｃｈ ｎ ，ＫＡＮＧ ｅ ｈａ Ｗ ｎ－ ｏ
的信 息 。 进一 步处理 后 ， 成一 次学 习 的正 向传 播 经 完
处理 过程 ， 由输 出层 向外界输 出信 息处 理结果 。 当实 际输 出与期 望输 出不 符 时 ，进入 误差 的反 向传播 阶 段 。 差通 过输 出层 ， 误 按误差 梯度 下降 的方式 修正 各
BP神经网络人脸检测研究
一
种的方法实现人脸 的检测． 分类器分别采用了有 ２层隐节点的反 向传播人工神经网络和使用径 向机函
数（Ｂ ） Ｒ Ｆ 的支撑向量机． 整个实验分为两大部分构成 ： 网络训练和人脸定位．
２ ０图片中的每一个像素点 ， 在将 图片送人神经 网络的
时候 ， 图片像素点的灰度值除以 ２５ 使输人数据归 将 ５，
一
到（ ， ） ０ １ 之间． 第二层 和第三层是隐层 ， 别有 ２ 分 ９
个结点和 ９ 个结 点．隐层结点数 的选择是一个非常复
杂的问题 ， 如果数 目过少 ， 网络将不 能建 立复杂 的判 断界， 网络不能训练出来或 网络不 “ 壮” 不能识 使 强 ， 别训练样本 以外的样本 ， 容错性差 ； 但如 果数 目过多 ， 就会使学习时间过长 ，网络的泛 化能力 降低 ， 而且误
函数作为激励函数 ， 函数表达式为 ： ）＝ 该 ． 在处理输出数据的时候采用 （ ． ，． ） （ ． ，． ０９ ０ １ ， ０ １０
差异较大．样本的特征空间应该能够覆盖整个特征空间．本文实验中定位 的识别人脸范围为亚裔血统黄 皮肤年轻女性 。 选取了网络上下载 的年轻女性脸部 图片 ２ Ｏ张以及不用背景 的非人脸 图片 ２ Ｏ张作为训练
样本．图片大小均为 ２ ２ ， ０木 ０ 这是通常认为能够包含人脸特征并能准确地检验 出人脸 的最小 窗 １． ： 所有 ３ 图片在选取的过程中均做 了灰度化处理．这样做的原 因是 出于删除图像 中多余信息的考虑．图片灰度化
差也不～定最佳．当前没有成熟 的理论知道隐含层结 点数 目的选择 ， 通常的方 法是先使用 的经验公式 ｒ ＝ ／ ，
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 。
模式识别-人脸识别
基于BP神经网络和k-近邻综合决策法的人脸识别matlab实现高海南31100380111 人脸识别原理人脸识别是目前模式识别领域中被广泛研究的热门课题，它在安全领域以及经济领域都有极其广泛的应用前景。
人脸识别就是采集人脸图像进行分析和处理, 从人脸图像中获取有效的识别信息, 用来进行人脸及身份鉴别的一门技术。
本文在MATLAB环境下，取ORL人脸数据库的部分人脸样本集，基于PCA方法提取人脸特征，形成特征脸空间，然后将每个人脸样本投影到该空间得到一投影系数向量，该投影系数向量在一个低维空间表述了一个人脸样本，这样就得到了训练样本集。
同时将另一部分ORL人脸数据库的人脸作同样处理得到测试样本集。
然后基于BP 神经网络算法和k-近邻算法进行综合决策对待识别的人脸进行分类。
该方法的识别率比单独的BP神经网络算法和k-近邻法有一定的提高。
1.1 ORL人脸数据库简介实验时人脸图像取自英国剑桥大学的ORL人脸数据库，ORL数据库由40个人组成，每个人有10幅不同的图像，每幅图像是一个92×112像素、256级的灰度图，他们是在不同时间、光照略有变化、不同表情以及不同脸部细节下获取的。
如图1所示。
图1 ORL人脸数据库1.2 基于PCA 的人脸图像的特征提取PCA 法是模式识别中的一种行之有效的特征提取方法。
在人脸识别研究中, 可以将该方法用于人脸图像的特征提取。
一个m ×n 的二维脸部图片将其按列首位相连，可以看成是m ×n 的一个一维向量。
ORL 人脸数据库中每张人脸图片大小是92×112，它可以看成是一个10304维的向量，也可以看成是一个10304维空间中一点。
图片映射到这个巨大的空间后，由于人脸的构造相对来说比较接近，因此可以用一个相应的低维子空间来表示。
我们把这个子空间叫做“脸空间”。
PCA 的主要思想就是找到能够最好地说明图片在图片空间中的分布情况的那些向量，这些向量能够定义“脸空间”。
基于Gabor变换和BP神经网络的人脸检测算法的Matlab实现
ｆ ｍ ｅ ＯＲ ｃ ａａ ａ ｅ ａ ｄ ｆ ａｌ ｏ ｔｅ ｆ ｃ ｅｅ ｔ ｎ ｆｒｔ ｅ ｔ ｓ ｓ ｍｐ ｅ ｕ ｉ ｇｔ ｍｐ ａｅ ｍａｃ ｉ ｇ ｒ ｔ Ｌ ｆ ｅ ｄ ｔｂ ｓ ｎ ｎ ｌ ｄ ｅ ｄ ｔ ｃｉ ｏ ｅ ｔ ａ ｌ ｓｎ ｏ ｈ ａ ｉ ｙ ｈ ａ ｏ ｈ ｅ ｌ ｔ ｔ ｈ ｎ ａ ｄ ｍｏ ｐ ｏｏ ｉａ ｒ ｓ ｎ ａ ｄ ｄ ｌｔ ｎ ｐ ｏ ｅ ｓｎ ． ｈ ｅ ｕ ｔ ｈ ｗ ｔ ａ ， ｅ ａｇ ｒ ｈ ｈ ｓｌｗ ｏ ｌｘ — ｎ ｒ ｈ ｌｇ ｃ ｅ ｏ ｉ ｎ ｉ ｉ ｒ ｃ ｓ ｉ ｇ Ｔ ｅ ｒ ｓ ｌ ｓ ｏ ｈ ｔ ｔ ｏｉ ｍ ａ ｏ ｃ ｍｐ ｅ ｉ ｌ ｏ ａｏ ｓ ｈ ｌ ｔ ｔ ｑ ｉｋ ｏ ｅ ａ ｉｎ ａ ｄ ｈ ｇ ｅ ａ ｉ ｎ ｄ ｔｃｉ ｇ ａ ｄ ｌｃ ｔ ｇ ｔ ｅ ｒ ｈ ｏ ｔ ｌ ａ ｅ ｙ， ｕｃ ｐ ｒ ｔ ｎ ｉ ｈ ｖ ｒ ｃ ｔ ｉ ｅ ｅ ｔ ｎ ｏ ａｉ ｈ ｇ ｔｆ ｎ ａ ｃ ． ｏ ｙ ｎ ｎ ｉ ｒ ｆ
Ｋｅ ｒ ｓ：ａ ｅ ｄ ｔ ｃｉｎ； ｂ ｒｗａ ｅｅ ； ｙ ｗｏ ｄ ｆｃ ｅｅ ｔｏ Ｇａ ｏ ｖ ｌ ｔ ＢＰ ｅ ｒ ｌｎ ｔ ｒ ｎ ｕ ａ ｅｗｏ ｋ
０ 引 言
近年来 ， 着 计 算 机 技 术 的迅 速 发 展 ， 脸 识 随 人 别技术 得到广 泛研 究 与 开发 ， 为 模 式识 别 和 图像 成
Ｆａ ｅ ｄ ｔ ｃｉ ｎ ｒ ａｉａ ｉｎ ｂｙ Ｍ ａ ｌ ｂ ｕ ｉ ｇ Ｇａ ｒ ｗａ ｅｅ ｎ ｃ ｅ ｅ ｔｏ ｅ ｌ ｔｏ ｚ ｔａ ｓｎ ｂｏ ｖ ｌｔａ ｄ ＢＰ
ＷＡ Ｇ Ｌ － ａ Ｎ ｉｕ ｎ ｊ
（ ｏｅｅｏ ｎｏ． ｎ ｏ Ｅ ｇ ， ｏ ｈ Ｃ ｌｇ ｆｒａｄ Ｃｍ． ｎ． Ｎ ａ ｌ ｆＩ ． Ｃ ｉ Ｔ ｉ ａ ３ ０ １ Ｃ ｉａ ｆ ｏ ｈｎ ａｙ ｎ００ ５ ， ｎ ） ａ， ｕ ｈ
基于局部特征Gabor小波的BP神经网络的人脸识别
基于局部特征Gabor小波的BP神经网络的人脸识别摘要人脸识别是自动识别领域的一个研究重点。
本文提出了基于gabor小波局部特征的bp神经网络的人脸识别算法。
该方法在保留了gabor小波符合人眼的生物特征性的基础上，融合了神经网络的强大学习能力。
该方法采用局部gabor小波特征作为神经网络输入，最后采用改进的bp神经网络对样本分类，用orl标准人脸库进行实验，结果数据表明，该算法在提高准确率和减少计算时间方面具有实用价值。
关键词人脸识别；gabor小波；小波网络；神经网络；特征抽取中图分类号tp39 文献标识码a 文章编号 1674-6708（2012）58-0183-020 引言随着信息技术的发展，人脸识别因在公安、身份验证、安全验证系统、医学、考勤系统等各方面的巨大应用前景而成为当前人工智能和模式识别领域的研究热点。
人脸识别是指利用摄像头捕捉人的面部图片，利用计算机分析比较人脸的生物特征来进行身份识别。
虽然人类能够轻易识别出人脸和表情，但是人脸机器识别却是一个难度极大的课题[1]。
基于gabor小波弹性图匹配算法作为一种有效的人脸识别方法，虽然方法简单，但是实现复杂、计算量大、耗时多，本文提出了一种改进的基于局部特征gabor小波的bp神经网络方法，此方法避免了弹性如匹配算法的高计算量，神经网络由于学习和记忆能力，提高了算法容错性。
本文采用gabor小波特征空间作为神经网络输入空间，然后使用神经网络作为分类器。
1 基于局部特征的gabor小波1.1 gabor滤波器数组二维图像的离散gabor 变换的定义见文献[4]，对特征点图像模板进行离散gabor 变换的gabor核函数如下：式中参数描述三角函数的波长,参数描述小波的方向性。
依david s. bolme 的取值对人脸图像的处理间隔4 个像素,即分别取{4 , ,8, , 16}；对的取值从0到π的区间分别取{0 ,π/ 8 ,2π/ 8 ,3π/ 8 ,4π/ 8 ,5π/ 8 ,6π/ 8 ,7π/ 8}共8个方向,π到2π区间的方向性由于小波的奇偶对称性而省去。
基于BP神经网络的图像识别算法研究
基于BP神经网络的图像识别算法研究近年来，人工智能技术在各个领域得到了广泛应用。
其中，图像识别技术是人工智能领域的重要应用之一。
在许多实际应用场景中，我们需要对图像进行自动化识别。
传统的图像识别方法往往需要手动提取特征，这个过程需要大量的人力和时间。
而基于BP神经网络的图像识别算法则可以通过学习训练数据来自动提取特征，能够更好地应对现实场景中的变化和噪声。
一、BP神经网络基础BP神经网络是一种常见的前馈神经网络，它通常由输入层、隐藏层和输出层组成。
每个神经元都有多个输入和一个输出。
其中，输入为前一层神经元的输出经过加权之后再加上一个偏置得到的。
每个神经元都有一个激活函数，它可以将输入转换成输出，并经过向后传播算法来进行权值的调整，从而达到对数据的分类和识别的目的。
在BP神经网络的训练中，常用的算法是误差反向传播算法。
该算法的目的是通过不断地调整权值和偏置，使得神经网络的输出尽可能接近真实值。
误差反向传播算法是一个迭代过程，每次迭代都会调整权值和偏置。
其中，每次迭代的误差是神经网络的输出和真实值之间的差距。
通过误差反向传播算法，我们可以得到神经网络中每个节点的权值和偏置，从而使得神经网络的输出在训练数据集上表现更好。
二、基于BP神经网络的图像识别算法基于BP神经网络的图像识别算法最重要的步骤是特征提取。
传统的图像识别算法需要手动提取特征，这个过程比较繁琐，需要人工干预。
而基于BP神经网络的图像识别算法则可以通过学习训练数据来自动提取特征。
在训练过程中，神经网络不断调整权值和偏置，从而使得神经网络的输出能够更好地匹配训练数据。
在测试数据上，我们可以直接使用已经训练好的神经网络进行分类和识别。
在实际应用中，基于BP神经网络的图像识别算法需要解决以下几个问题。
首先，特征提取的效果直接影响算法的性能。
如果特征提取的质量不好，那么算法的准确率也会大大降低。
其次，对于大型数据集来说，神经网络的训练可能需要花费很长时间，因此需要针对具体问题选择合适的神经网络模型和算法。
基于BP神经网络的人脸识别后续分类算法
中图分类号 ： Ｐ ８ Ｔ １１
文献标志码 ： Ａ
Ｆａ ｅ ｒ ｃ ｇ ｔｏ ｅｌ ｗ － ｌ ｓｉ ｃ ｔｏ ｌ ｏ ｉｈｍ ｓ ｄ ｏ ｃ ｅ ｏ ｎｉｉ ｎ ｆ ｌｏ ｕｐ ｃａ ｓｆ ａ ｉｎ ａｇ ｒｔ ｉ ｂａ ｅ ｎ
ＢＰ ｕｒ ｌｎｅ ｗｏ ｋ ｎｅ ａ ｔ ｒ
Ｗ ＥＮ ｏ Ｚｈ ｕ，Ｓ ＨＡＯ ａ — ｉ Ｘｉｏ ｗｅ，ＧＯＮＧ —ｅ Ｄｅ ｒｎ
（ ｃｏｌｆＡ ｒｎ ｕｃ ｎ ｓ ｏａ ｔｓ ｈ ｎ ｈｉ ｉ ｏｇＵ ｉ ；ｔ，Ｓ ａｇ ａ ０ ２０ ｈｎ ） Ｓｈｏ ｏ ｅ ａｔｓａｄＡｔ ｎ ｕｉ，Ｓ ａｇ ａ ａ Ｔｎ ｎｖ ￣ｙ ｈ ｎ ｈｉ ０ ４ ，Ｃ ｉ ｏ ｉ ｒ ｃ Ｊｏ ｅｉ ２ ａ
基于 Ｂ Ｐ神 经 网络 的人 脸 识 别 后 续 分 类 算 法
温 洲， 邵晓巍 ， 龚德仁
（ ｉｔｒ８ １ １３ ｃｍ） ｗ ｎｅ ９ ＠ ６ ．ｏ ７
（ 上海交通大学 航空航天学院 ， 上海 ２０ ４ ） ０２ ０
摘
要： 采用 Ｂ Ｐ神 经网￣ （ Ｐ Ｎ 对人脸识 别进行 分类。为了准确地将 Ｂ ５Ｂ Ｎ ） － Ｐ网络输 出特征量进行特征 归类划 分，
采 用 ３种不 同的后续分类方法将得到的待辨识数据进行特征 归类和人脸 识 别： 第一种 方法是 常用的根据输 出向量的 最 大分量值辨别 法； 第二 种是基 于各分量值 的 门限 阈值 归类 法； 第三种是 基 于 Ｊ ７ ｖ维向量 空间的 中心 区域分 类法。 实 验表 明， 两种方法在全局环境人 脸识别 中可行 且有效 ， 后 并在 Ａ Ｒ人脸库仿真 实验 中， Ｔ 错误辨识 率可低 至２ ２ ， 绝 ．％ 拒
基于BP神经网络的人民币识别方法研究
基于BP神经网络的人民币识别方法研究
近年来，基于机器学习的图像识别技术得到了快速发展，在人民币识别领域中也有重
要的应用。
在此背景下，本文研究了基于BP神经网络的人民币识别方法。
BP神经网络是一种常见的人工神经网络模型，主要用于分类、预测等复杂任务。
在该模型中，输入层接收人民币图像的像素信息，并将其传递到隐藏层。
隐藏层通过激活函数，将信息映射到输出层，输出识别结果。
BP神经网络的优点是具有较强的自适应和学习能力，可以适应各种类型的人民币图像，并进行有效的识别。
本文利用Matlab编程工具，使用BP神经网络实现了人民币的识别。
首先，选取一组
包含不同面额人民币图像的训练集，通过预处理方法将其转换为相同大小的灰度图像。
然后，将图像的像素点作为BP神经网络的输入节点，将人民币的面额作为输出节点，训练
BP神经网络。
训练过程中，利用交叉验证方法对神经网络进行了优化，以提高识别的准确率。
实验结果表明，基于BP神经网络的人民币识别方法具有良好的准确率和稳定性。
在测试集中，识别的准确率可以达到99.5%以上。
该方法适用于各种类型的人民币图像，能够
快速、准确地识别人民币的面额，并具有较强的实用性和可靠性。
- 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)。
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.