一种基于人工神经网络的人脸识别方法_沈凌云

P P
２． １ Ｂ Ｐ 神经网络模型 Ｂ Ｐ神经网络 是 基 于 Ｂ Ｐ算法的多层前馈神
５ ６］ － ， 经 网 络［ 一 Ｂ Ｐ网 络 模 型 一 般 由 一 个 输 入 层、
或多个） 隐 含 层 和 一 个 输 出 层 构 成， 如图１ 个（ 所 示 。 1
a1 n1

a2 n2
第２ ６卷 第６期 ２ ０ １ １年１ ２月
液 晶 与 显 示
Ｃ ｈ ｉ ｎ ｅ ｓ ｅ Ｊ ｏ ｕ ｒ ｎ ａ ｌ ｏ ｆ Ｌ ｉ ｕ ｉ ｄ Ｃ ｒ ｓ ｔ ａ ｌ ｓ ａ ｎ ｄ Ｄ ｉ ｓ ｌ ａ ｓ ｑ ｙ ｐ ｙ
Ｖ ｏ ｌ ． ２ ６， Ｎ ｏ ． ６ ， Ｄ ｅ ｃ ． ２ ０ １ １
（ １． Ｓ ｃ ｈ ｏ ｏ ｌ ｏ Ｅ ｌ ｅ ｃ ｔ ｒ ｏ ｎ ｉ ｃ ｓ ａ ｎ ｄ Ｉ ｎ ｏ ｒ ｍ ａ ｔ ｉ ｏ ｎ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ Ｃ ｈ ａ ｎ ｃ ｈ ｕ ｎ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｏ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ ａ ｎ ｄ Ｔ ｅ ｃ ｈ ｎ ｏ ｌ ｏ ｆ ｆ ｇ ｙ， ｇ ｙ ｆ ｇ ｙ，
１ 引 言
人脸识别技术是当前数字图像处理和模式识 别领域的研究热 点 ， 在很多安全部门和商业等系 统中有着重 要 的 应 用
［ １］
２］ 。一般来 脸的方 法 和 基 于 聚 类 学 习 的 方 法 等 ［
快速检测方法 适 用 于 场 景 受 到 较 强 约 束 的 图 讲， 像中人脸检测 ； 而基于模板的方法能够适用于一 般场景图像中的人脸检测 ， 有较强的鲁棒性 ， 具有 很大的发展潜力 。 本文提出一种新的基于模板的 — —基 于 Ｂ 识 别 技 术— Ｐ 神经网络的人脸识别技 术 。 目前人脸识别系统可使用的特征主要集中在 以下 ３ 个方面 ： 面部几何特征点的提取和识别 ； 变
［ ３］
同的神经元之间传递增强或抑制信号 。 增强或抑 ） 制是通过 调 整 相 互 间 联 系 的 权 重 系 数 （ Ｗ ｅ ｉ ｈ ｔ ｇ 实现的 。 神经网络可以实现监督和非监督学习条 这是通过适当的调节权 件下的分类和回 归 工 作 ， 重系数实现的 。 人们通过权重系数调节机制使神 经网络的输出收 敛 于 正 确 的 目 标 值 ， 它拥有的重 得出该输入所属 要功能是对输入 向 量 进 行 分 析 ， 的物体属于哪一类 。 人脸识别的最关键问题包括 对人脸的确认和 辨 认 ， 通过对输入人脸特征向量 的分析 ， 得出一个输出向量 ， 通过与数据库里人脸 图像样本的输出值进行比较 ， 得出最相似的人脸 。 因此神经网络作为人脸识别系统的分类器是非常
（ ） 文章编号 ： １ ０ ０ ７ ２ ７ ８ ０ ２ ０ １ １ ０ ６ ０ ８ ３ ６－ ０ ５ － －
一种基于人工神经网络的人脸识别方法
２， ３ ， 沈凌云１， 郎百和１， 朱 明２ （ ： 长春理工大学 电子信息工程学院 ， 吉林 长春 １ １． ３ ０ ０ ２ ２， Ｅ－ｍ ａ ｉ ｌ Ｓ ｈ ｅ ｎ ｓ ｈ ｌ ｍ ａ ｉ ｌ ． ｃ ｏ ｍ； ＠ｇ ｙ ） 吉林 长春 １ 北京 １ ２．中国科学院 长春光学精密机械与物理研究所 ， ３ ０ ０ ３ ３； ０ ０ ０ ３ ９ ３．中国科学院 研究生院 ，
。 目 前， 已有的人脸检测
方法主要有两类 ： 快速检测算法和基于模板的方 基于马 法 。 前者的主要 算 法 有 基 于 肤 色 的 方 法 、 赛克规则的方法 等 ； 后者的主要算法有基于特征
；修订日期 ： ２ ０ １ １ ０ ６ ２ ３ ２ ０ １ １ ０ ８ ２ ７ 收稿日期 ： － － － － ） Ｎ ｏ ． ６ ０ ７ ７ ２ １ ５ ３ 基金项目 ：国家自然科学基金资助项目 （
摘 要 ：提出了一种基于 Ｂ Ｐ 人工神经网络的人脸识别新算法 。 采用积分投影与几何特征提取相结合的方法 进行人脸图像特征提取 ， 构建特征向量 ， 利用 Ｂ 该算法应用于 Ｏ Ｐ 神 经 网 络 分 类 识 别。仿 真 结 果 表 明， Ｒ Ｌ人 仅用 １ 识别能力显著增强 ， 同时有效地降低了所需特征 脸库的分类识别 ， ３ 个特征即可达到平均识别率 ９ ９％ ， 维数和计算复杂度 。 关 键 词 ：人脸识别 ； 图像特征向量 Ｂ Ｐ 神经网络 ； ： ／ 中图分类号 ： Ｔ Ｐ ３ ９ １ 文献标识码 ：Ａ Ｄ Ｏ Ｉ １ ０． ３ ７ ８ ８ Ｙ Ｊ Ｙ Ｘ Ｓ ２ ０ １ １ ２ ６ ０ ６． ０ ８ ３ ６
Ｆ ａ ｃ ｅ Ｒ ｅ ｃ ｏ ｎ ｉ ｔ ｉ ｏ ｎ Ｍ ｅ ｔ ｈ ｏ ｄ Ｂ ａ ｓ ｅ ｄ ｏ ｎ Ａ ｒ ｔ ｉ ｆ ｉ ｃ ｉ ａ ｌ Ｎ ｅ ｕ ｒ ａ ｌ Ｎ ｅ ｔ ｗ ｏ ｒ ｋ ｇ
１ ２ ３ １ ２ ， ， Ｓ ＨＥ Ｎ Ｌ ｉ ｎ Ｌ ＡＮＧ Ｂ ａ ｉ ｈ ｅ Ｚ ＨＵ Ｍ ｉ ｎ ｕ ｎ － － ｇ ｇ ｙ ， ，
， 作者简介 ：沈凌云 （ 女， 湖北钟祥人 ， 博士研究生 ， 讲师 ， 主要从事图像处理与模式识别方面的研究 。 １ ９ ７ ９－ ）
第６期
沈凌云 ， 等： 一种基于人工神经网络的人脸识别方法
８ ３ ７
换域中面部特征 的 提 取 及 识 别 ； 面部特征连续形 状的提取及识别 。 一般可以从两个角度研究器官 的特征提取 ： 一个 是 通 过 面 部 拓 扑 结 构 几 何 关 系 利用基于结构的方法 ， 在知识的层次 的先验知识 ， 上提取人脸面部 主 要 器 官 特 征 ， 可以用一个包括 器官的人脸模板来对它们进行提取 。 另一个是在 信号的层次上将面部器官特征提取视为一个高维 图像空间中的信号检测问题 。 利用主元分析形成 特征脸作为匹配特征 ，在人脸图像尺度 、 姿势 ， 光 照变化不大的情况下可以有效地提取人脸面部特 征

a a3 3 n3

W1 1 R? R ×1 × R R s1 ? b1
×1 s1 ? 1
×1 s1 ? 1 1 1 R R
f1
W2 ×1 s1 ? 1 × s1 s2 ? b2 s2 ? ×1 1
1
×1 s2 ? 1 1 1
f2
W3 × ×1 s2 ? 1 s3 ? × s2 b3
×1 sபைடு நூலகம் ? 1
２． ２ Ｂ Ｐ 神经网络算法 Ｂ Ｐ 神经网络是一种有监督的网络学习方法 ， 其输入为类似如下的样本集合 ： （ ， （ ， …， （ ｔ ｔ ｔ ｐ ｐ ｐ １， １） ２， ２） ｑ， ｑ） 应的目标输出 p ,t 。 ,
×1 s3 ? 1
×1 s3 ? 1
f3
1
s1
s2
BP
s3
图 １ 改进的 Ｂ Ｐ 网络模型
Ｆ ｉ ． １ Ｉ ｍ ｒ ｏ ｖ ｅ ｄ Ｂ Ｐ ｎ ｅ ｕ ｒ ａ ｌ ｎ ｅ ｔ ｗ ｏ ｒ ｋ ｍ ｏ ｄ ｅ ｌ ｇ ｐ
Fig.1 Improved BP Neural Network model
３］ 。 目前 ， 在人工神经网络的实际应用中 ， 适合的 ［
。 本文采用了第一种基于知识层次上的人脸
特征提取方法 ， 采用积分投影与几何特征提取结 可以快速 、 有效 合的方法进行人脸图像特征提取 ， 地确 定 人 脸 的 主 要 器 官 ， 如 眼 睛、 鼻子和嘴巴的 位置 。
绝大部分的神经网络模 型 是 采 用 Ｂ Ｐ网络和它的 变化形式 ， 它也是前向网络的核心部分 ， 体现了人
ｍ ａ ｉ ｌ． Ｃ ｈ ａ ｎ ｃ ｈ ｕ ｎ １ ３ ０ ０ ２ ２， Ｃ ｈ ｉ ｎ ａ， Ｅ－ ｍ ａ ｉ ｌ： Ｓ ｈ ｅ ｎ ｓ ｈ ｌ ｃ ｏ ｍ； ｇ ｙ＠ｇ
２． Ｃ ｈ ａ ｎ ｃ ｈ ｕ ｎ Ｉ ｎ ｓ ｔ ｉ ｔ ｕ ｔ ｅ ｏ Ｏ ｔ ｉ ｃ ｓ， Ｆ ｉ ｎ ｅ Ｍ ｅ ｃ ｈ ａ ｎ ｉ ｃ ｓ ａ ｎ ｄ Ｐ ｈ ｓ ｉ ｃ ｓ， Ｃ ｈ ｉ ｎ ｅ ｓ ｅ Ａ ｃ ａ ｄ ｅ ｍ ｏ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ ｓ， Ｃ ｈ ａ ｎ ｃ ｈ ｕ ｎ １ ３ ０ ０ ３ ３， Ｃ ｈ ｉ ｎ ａ； ｇ ｆ ｐ ｙ ｙ ｆ ｇ ３． Ｇ ｒ ａ ｄ ｕ ａ ｔ ｅ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｏ Ｃ ｈ ｉ ｎ ｅ ｓ ｅ Ａ ｃ ａ ｄ ｅ ｍ ｏ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ ｓ， Ｂ ｅ ｉ ｉ ｎ ０ ０ ０ ３ ９， Ｃ ｈ ｉ ｎ ａ） ｙ ｆ ｙ ｆ ｊ ｇ １
：Ｎ ， Ａ ｂ ｓ ｔ ｒ ａ ｃ ｔ ｅ ｗ ｍ ｅ ｔ ｈ ｏ ｄ ｂ ａ ｃ ｋ ｎ ｅ ｕ ｒ ａ ｌ ｎ ｅ ｔ ｗ ｏ ｒ ｋ ｂ ａ ｓ ｅ ｄ ｆ ａ ｃ ｅ ｒ ｅ ｃ ｏ ｎ ｉ ｔ ｉ ｏ ｎ ｗ ａ ｓ ｒ ｏ ａ ａ ｔ ｉ ｏ ｎ ｒ ｅ ｓ ｅ ｎ － ｇ ｐ ｐ ｇ ｐ ｔ ｅ ｄ ｉ ｎ ｔ ｈ ｉ ｓ ａ ｅ ｒ ．Ｔ ｈ ｅ ｒ ｏ ｏ ｓ ｅ ｄ ｍ ｅ ｔ ｈ ｏ ｄ ｅ ｘ ｔ ｒ ａ ｃ ｔ ｓ ｆ ｅ ａ ｔ ｕ ｒ ｅ ｆ ｒ ｏ ｍ ｆ ａ ｃ ｅ ｉ ｍ ａ ｅ ｗ ｉ ｔ ｈ ｄ ｉ ｆ ｆ ｅ ｒ ｅ ｎ ｔ ｉ ａ ｌ ｐ ｐ ｐ ｐ ｇ ｒ ｏ ｅ ｃ ｔ ｉ ｏ ｎ ａ ｎ ｄ ｅ ｏ ｍ ｅ ｔ ｒ ｉ ｃ ａ ｌ ｆ ｅ ａ ｔ ｕ ｒ ｅ ｓ ｉ ｎ ｔ ｏ ｅ ｉ ｅ ｎ ｖ ｅ ｃ ｔ ｏ ｒ ｗ ｈ ｉ ｃ ｈ ｗ ａ ｓ ｃ ｌ ａ ｓ ｓ ｉ ｆ ｉ ｅ ｄ ｂ ｂ ａ ｃ ｋ ｒ ｏ ａ ａ ｔ ｉ ｏ ｎ ｐ ｊ ｇ ｇ ｙ ｐ ｐ ｇ ｎ ｅ ｕ ｒ ａ ｌ ｎ ｅ ｔ ｗ ｏ ｒ ｋ．Ｔ ｈ ｅ ｅ ｘ ｅ ｒ ｉ ｍ ｅ ｎ ｔ ａ ｌ ｒ ｅ ｓ ｕ ｌ ｔ ｓ ｏ ｎ Ｏ Ｒ Ｌ ｆ ａ ｃ ｅ ｄ ａ ｔ ａ ｂ ａ ｓ ｅ ｓ ｈ ｏ ｗ ｔ ｈ ａ ｔ ｔ ｈ ｅ ｒ ｏ ｏ ｓ ｅ ｄ ｐ ｐ ｐ ｍ ｅ ｔ ｈ ｏ ｄ ｃ ａ ｎ ａ ｃ ｈ ｉ ｅ ｖ ｅ ａ ｎ ａ ｖ ｅ ｒ ａ ｅ ｒ ｅ ｃ ｏ ｎ ｉ ｔ ｉ ｏ ｎ ａ ｃ ｃ ｕ ｒ ａ ｃ ｏ ｆ ９ ９％ ｂ ｕ ｓ ｉ ｎ ｏ ｎ ｌ １ ３ｆ ｅ ａ ｔ ｕ ｒ ｅ ｓ ．Ｍ ｏ ｒ ｅ － ｇ ｇ ｙ ｙ ｇ ｙ ， ， ｏ ｖ ｅ ｒ ｔ ｈ ｅ ｉ ｄ ｅ ｎ ｔ ｉ ｆ ｉ ｅ ｄ ｏ ｗ ｅ ｒ ｗ ａ ｓ ｅ ｎ ｈ ａ ｎ ｃ ｅ ｄ ｅ ｆ ｆ ｅ ｃ ｔ ｉ ｖ ｅ ｌ ａ ｎ ｄ ｔ ｈ ｅ ｃ ｏ ｍ ｕ ｔ ｉ ｎ ｃ ｏ ｍ ｌ ｅ ｘ ｉ ｔ ａ ｎ ｄ ｆ ｅ ａ － ｙ ｐ ｇ ｐ ｙ ｐ ｒ ｅ ａ ｔ ｌ ． ｔ ｕ ｒ ｅ ｄ ｉ ｍ ｅ ｎ ｓ ｉ ｏ ｎ ｓ ｗ ｅ ｒ ｅ ｒ ｅ ｄ ｕ ｃ ｅ ｄ ｇ ｙ ： ； Ｋ ｅ ｗ ｏ ｒ ｄ ｓ ｆ ａ ｃ ｅ ｒ ｅ ｃ ｏ ｎ ｉ ｔ ｉ ｏ ｎ ｂ ａ ｃ ｋ ｒ ｏ ａ ａ ｔ ｉ ｏ ｎ ｎ ｅ ｕ ｒ ａ ｌ ｎ ｅ ｔ ｗ ｏ ｒ ｋ； ｉ ｍ ａ ｅ ｅ ｉ ｅ ｎ ｖ ｅ ｃ ｔ ｏ ｒ ｇ ｐ ｐ ｇ ｇ ｇ ｙ
４］ 。 工神经网络最精华的部分 ［
２ Ｂ Ｐ 神经网络算法及改进
， 人工神 经 网 络 （ Ａ ｒ ｔ ｉ ｆ ｉ ｃ ｉ ａ ｌ Ｎ ｅ ｕ ｒ ａ ｌ Ｎ ｅ ｔ ｗ ｏ ｒ ｋ ｓ ， 简称 ＡＮＮ） 简称 神 经 网 络 。 它 是 一 种 基 于 距 离 由一系列相互联系的 、 相同 度量的数据分类方法 ， 神经元 ） 组成的 。 相互间的联系可以在不 的单元 （