基于NMF与BP神经网络的人脸识别方法研究

《基于NMF与BP神经网络的人脸识别方法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、武汉理工大学硕士学位论文基于NMF与BP神经网络的人脸识别方法研究姓名：熊培申请学位级别：硕士专业：电力电子与电力传动指导教师：张素文20100501武汉理工大学硕士学位论文摘要人脸识别技术是基于人的脸部特征信息进行身份识别的一种生物识别技术，由于人脸识别自身的复杂性并在图像处理、模式识别、生理学、心理学、计算机视觉等领域都有广泛的应用，使其具有极其强大的科学研究挑战性。一直是国际上研究者研究的热点。人脸识别研究的关键步骤包括特征提取和分类识别。本文重点研究了特征提取和分类识别部分。论文首先分析了人脸识别的研究背景和发展现状，概述了人脸识别的步骤，归纳了人脸识别性能

2、评价标准，研究了人脸识别的几种常用方法，并分析了这些方法的主要优缺点，得出将多种方法相结合起来，有利于识别率的提高的结论。其次，研究了小波变换的理论以及在人脸识别中的应用，基于主成分分析(PCAj的特征提取的方法和基于非负矩阵分解(NMF)的特征提取的的方法，弗将后两种方法进行比较。综合考虑NMF算法在特征提取方面的优越表现，本文采用基于小波和NMF算法作为特征提取的算法。然后，研究了BP神经网络的结构，学习方法，标准的BP算法，BP网络的训练步骤。该网络很容易构造，又对输入的数据没有特殊的要求，理论研究已非常成熟，且广泛应用于实践，所以本文采用BP神经网络作为分类

3、器进行识别。在此基础上，提出了一种基于NMF特征提取和BP神经网络的人脸识别方法，并根据该方法，设计出实验流程。通过对人脸数据库的选择确定训练样本和测试样本个数，采用db2的小波基和NMF分解，完成了图像的特征提取，采用训练函数为traingdm的BP网络进行训练，完成了训练样本的训练和测试样本的识别。之后，验证了本文所提出的算法的有效性，本文实验是在ORL人脸数据库上完成的，分别通过在不同维数下，不同隐含层数目下，不同学习率下以及不同稀疏度下对测试样本的识别率进行比较，然后选择识别率最高的维数下的方法与其他方法相比较。实验证明本文所提出的方法在识别率和稳定性方面均

4、有一定的提高。最后，对所做工作进行了回顾和总结，并对未来的工作提出了一定的展望。关键词：人脸识别，主成分分析，非负矩阵分解，BP神经网络ABSTRACTFacerecognitiontechnologyisbasedoninformationofpeople’Sfacialfeaturesofabiometricidentificationtechnology,asth9ircomplexityandfacerecognition111imageprocessing．patternrecognition，physiology,psychology,computerV

5、lslonaIldotllerfieldshaveextensiveapplications，ithasaverystrongscientificchallenge·IIltenlationalresearchershasbeentheresearchfocus．Recognitionofthekeysteps，includingfeatureextractionandclassification．Thispaperfocusesonthefeatureextractionandclassificationpart．Paperfirstanalyzesthedeve

6、lopmentoffacerecognitionresearchbackgroundandcullrentsituation，outlinesthestepstofacerecognition,facerecognitionperf．o珊a11ceevaluationcriteriaaresummarizedtostudytherecognitionofseveralcommonmethods，andanalysisofthemainadvantagesofthesemethodsshortcomings．Cometogethertocombineanumberof

7、ways，helptomcreaserecognitionrate．Secondly，thestudybasedonprincipalcomponentanalysis(PCA)featureextractionme恤odbasedonnon．negativematrixfactorization(NMF)ofthefeatureextractionmethod，andcomparethetwomethods．ConsideringNMFfeatureextractionalgorithminthesuperiorperformanceofthisalgorit