最新基于bp神经网络的人脸识别方法研究-药学医学精品资料.ppt

《最新基于bp神经网络的人脸识别方法研究-药学医学精品资料.ppt》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、最新基于bp神经网络的人脸识别方法研究-药学医学精品资料目录摘要12RBF神经网络设计4MATLAB仿真实验5人脸识别系统简述3BP神经网络设计6总结摘要近年来，人脸检测和识别受到国内外学术界和企业界的广泛关注，其主要原因是人脸检测和识别在信息安全、访问控制、金融支付、公安刑侦等方面有着广泛应用。与其他传统的身份识别方法相比，用人脸作为生物特征识别对象，具有稳定、便捷、不易伪造等优点，由于其非接触性、非侵犯性，人们对这种技术没有任何排斥心理，因而它是一种最友好的生物特征识别技术。本文将采用BP神经网络进行人脸识别，主要包括特征提取和神经网络识别两大部分：从人脸图像库中选取一定数量的训练图像，用

2、主成分分析法对其进行一定的预处理，并将得到的相关参数输入到系统中，利用MATLAB实现BP神经网络训练及仿真。关键词：人脸识别；BP神经网络；图像检测；MATLAB仿真1.人脸识别系统架构各个模块的具体功能如下示：、图像采集模块通过接口程序从摄像头获得视频流信息，并在系统里进行动态显示。再把从摄像头获得的同台视频流信息按帧的方式存储为静止的图片，同时将其转换成可读的图片信息进行保存，并且尽可能的过滤掉无用的信息，并将该位置信息进行反馈。、人脸检测和分割模块将从图像采集模块得到的静止图像数据作为原始图像数据，利用器官分布规则、人脸轮廓规则、人脸对称性和边缘检测方法对该图像数据进行扫描，获得具

3、体的人脸图像的位置；用直方图均衡、中值滤波、几何归一化和灰度归一化等方法处理上一步获得的人脸图像，处理后得到易于特征提取的标准人脸图像；将获得的人脸图像的灰度值信息传送给特征提取模块。各个模块的具体功能如下示：、特征提取与选择模块该模块的数据输入是从人脸检测与分割阶段获得的人脸图像的灰度值信息。特征提取与选择模块将人脸检测与分割阶段获得的人脸图像的灰度值信息转化到特征空间，并有效降低特征空间的维数，并将该数据传送到人脸识别模块，以供该模块进行人脸的识别。④、人脸识别模块人脸识别模块的主要功能是将获得的特征值信息和模板数据库中的特征值信息进行比较，从而找到一个和待识别人脸最相似的人脸信息并输出

4、该图像。本模块采用BP神经网络对人脸样本进行训练，最终对待识别人脸图像提供识别功能。2.输入/输出层的设计本文选用典型的三层BP神经网络，输入层神经元个数由前端输入的类特征数决定。特征的选取应保证最具有代表性、信息量大、冗余量小，并且要求在一定的干扰下，也能保持一定的不变性和适应性。基于这种要求，定位了13个特征点。对这组训练样本采用混合积分投影和边缘检测等技术定位眼睛、鼻子、嘴巴、眉毛等部位，然后利用这些信息进行特征提取。输出层神经元数目即目标类别数，由人脸库中的类别数目确定，若人脸数据库的类别为M个，则输出层节点就取M。本文选用的ORL人脸数据库中10个对象即10类模式，所以网络输出层神经

5、元个数为10，也即最终能识别出10个目标人脸。下图3-2中所示的人脸的特征矢量，表3.1所示为实验样本特征数据，特征矢量数据的单位为象素。将表3.1实验样本特征数据归一化。因为图像本身是64×64象素，故在归一化过程中直接将各特征向量除以64，即得到落在(0,1)区间的值。表3.1实验样本特征数据图3-2实验样本人脸的特征矢量3.隐含层节点数及激活函数的选择增加隐含层数目可以进一步降低误差，提高识别准确度，但也会增大网络复杂度和训练时间，而误差精度的提高也可通过增加隐含层节点数来实现，训练效果比增加层数更容易观测和调控。隐含层节点数的选择没有明确的限制，太少则易陷入局部最小，太多则会增大网络冗

6、余性。本文选取隐含层神经元个数为10。本文的BP神经网络隐含层、输出层激活函数都选用tansig函数，输入到输出的传输函数选择常用的纯线性传递函数purelin。此外，在本文的设计中，神经网络学习速率、最大训练次数以及目标误差分别设置为0.05、10000和0.0001。RBF神经网络设计人脸图像作为一个高度复杂的非线性系统，其蕴含的规律不是一般的算法能够发现的。同时，人脸图像也存在一个动态变化的过程。随着年龄的增大，一个人的面貌可能发生很大的变化。即使是一个人在很短的时间里的两幅图像也可能因为表情的变化、环境的不同、是否戴有遮饰物等等因素导致识别错误。BP神经网络用于人脸识别时虽然也能够完成

7、识别和分类的任务，但是误差比较大。这主要是与BP网和BP算法的自身缺陷有关。RBF神经网络可以根据具体情况改变网络结构和网络参数，具有自学习、自组织、自适应的功能。同时，它学习速度快，不存在局部极小问题。RBF网络对非线性连续函数具有一致逼近性，它可以进行大范围的数据融合，可以并行高速地处理数据。正是由于以上的这些特点，可以采用RBF网络来进行人脸识别，它可以对不同的人脸进行分类、关联、融合、协调