资源描述：
《bp神经网络在人脸识别中应用探究》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。
1、BP神经网络在人脸识别中应用探究摘要：本文介绍了一种BP神经网络的人脸识别系统的设计方法。该设计利用前向多层神经网络的反向传播算法，即BP算法，采用MATLAB软件建立了用于人脸识别的BP神经网络，并利用大量的人脸特征数据训练神经网络，使神经网络能分辨出不同的人脸特征。实验结果表明，用这种方法进行人脸识别有较好的效果。关键词：BP神经网络；人脸识别；MATLAB中图分类号：TP391随着科技的发展，对人脸识别技术的发展要求越来越迫切，如(1)在企业、住宅安全和管理方面，要求实现人脸识别门禁考勤系统，人脸识别防盗门等。(2)在公安、司法和刑侦方面，利用人脸识
2、别，在全国范围内搜捕逃犯。(3)在银行的自动提款机中，如果应用人脸识别就会避免由于用户卡片和密码被盗。(4)在电子商务交易过程中，如果使用人脸识别实现当事人在网上的数字身份和真实身份统一，便增加了电子商务的可靠性。而人脸识别的软件系统开发，是联系理论和实践的最重要的环节，因此实现人脸识别系统的开发应用越来越重要。1BP网络的概述1.1BP神经网络的定义。前馈多层神经网络广泛的应用于模式识别与分类、控制、预测、图像处理等问题，是当今社会应用最广、发展最快的人工神经网络之一。由于此神经网络的网络权值阈值的确定常采用误差反向传播算法(BackPropagatio
3、n,简称作BP算法)，所以通常称这种前馈网络为BP网络。典型的BP网络是三层网络，包括输入层、隐含层和输出层。各层之间实行全连接，而其中隐含层可以是一层，也可以是多层(如图1)。图1单隐含层的BP网络结构BP网络的学习由四个过程组成，即：(1)输入模式：输入层经隐含层向输出层的“模式顺传播”过程；(2)网络的理论输出与网络实际输出之差的误差信号：由输出层经隐含层向输入层逐层修正连接权的“误差逆传播”过程；(3)由"模式顺传播”与"误差逆传播”的反复交替进行的网络“记忆训练"过程；(4)网络趋向收敛即网络的全局误差趋向极小值的“学习收敛”过程。简言之，就是由
4、“模式顺传播”一“误差逆传播”一“记忆训练”一“学习收敛”的过程。传递函数一般为(0,1)S型函数。BP网络隐层中的神经元均采用S型交换函数，输出层则采用纯线性变换函数。1.2BP网络的算法。BP算法可描述为大致五步：(1)初始化各权值为较小的随机值；(2)选取训练集；(3)根据输入计算理论输出；(4)调节输出层和隐含层的连接权值;(5)返回第二步反复训练网络直至误差理想为止。其流程图如图2：图2神经网络算法流程图2BP神经网络实现人脸识别2.1设计思路。本设计采用50幅图像(10个人每人5幅)作为训练图像，应用主成分分析对训练图像进行二阶相关和降维，提取
5、训练图像的独立基成分构造人脸子空间，并将训练集中的人脸图像向独立基上投影得到的系数输入改进的BP神经网络进行训练。然后将待识别的人脸图像向独立基上投影得到投影系数，再将其输入已训练过的BP神经网络进行识别。设计结构如图3。图3人脸识别系统结构2.2BP网络的创建和初始化。因网络的输入矢量与输出矢量相差较大，为了减少网络的训练误差，在建立网络之前要对输入矢量进行归一化。这里我们利用premnmx函数把输入初始化在[-1,1]之间。程序代码如下：p=premnmx(p")，；t=[1000；1000；1000；1000；1000；0100；0100；0100；
6、0100；0100；0010；0010；0010；0010；0010；0001；0001；0001；0001；0001]'2.3训练神经网络。本设计的方法如下：%设计神经网路[prowpcol]二size(p)；num=prow*pcol；%提取p中元素个数作为神经网络的输入层神经元个数net=newff(minmax(p),[num,10,4],{"tansig，,tansig",'purelin，},traingda")；%隐层神经元个数为10,输出层神经元个数为4,4表示识别出人net.trainParam.show二200；%显示速率为200net
7、.trainParam.lr=0.01；%学习率为0.01net.trainParam.epochs=5000；%迭代次数不超5000net.trainParam.goal二0.001；%训练误差为0.001[net,tr]=train(net,p,t)；网络的训练函数有很多种，如trainlm,其中traingd学习算法是一般的剃度下降法；traingdx学习算法是剃度下降动量法，学习速率是自适应的。Trainlm的学习算法为Levenberg-Marquadt反传算法，该训练函数的优点在于收敛速度很快。本设计选用的训练函数为traingdx,在网络达到
8、起训练误差要求时会自动停止，节省训练时间。训练过程中为了得到较小的
