基于BP神經(jīng)網(wǎng)絡(luò)的人臉識別方法研究課件

1、 基于BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)的 人臉識別系統(tǒng)研究2022/10/2演示：楊 樂指導教師：谷立臣目錄摘要12RBF神經(jīng)網(wǎng)絡(luò)設(shè)計4MATLAB仿真實驗5人臉識別系統(tǒng)簡述3BP神經(jīng)網(wǎng)絡(luò)設(shè)計6總結(jié)摘要 近年來，人臉檢測和識別受到國內(nèi)外學術(shù)界和企業(yè)界的廣泛關(guān)注，其主要原因是人臉檢測和識別在信息安全、訪問控制、金融支付、公安刑偵等方面有著廣泛應(yīng)用。與其他傳統(tǒng)的身份識別方法相比，用人臉作為生物特征識別對象，具有穩(wěn)定、便捷、不易偽造等優(yōu)點，由于其非接觸性、非侵犯性，人們對這種技術(shù)沒有任何排斥心理，因而它是一種最友好的生物特征識別技術(shù)。 本文將采用 BP 神經(jīng)網(wǎng)絡(luò)進行人臉識別，主要包括特征提取和神經(jīng)網(wǎng)絡(luò)識

2、別兩大部分：從人臉圖像庫中選取一定數(shù)量的訓練圖像，用主成分分析法對其進行一定的預處理，并將得到的相關(guān)參數(shù)輸入到系統(tǒng)中，利用 MATLAB 實現(xiàn)BP神經(jīng)網(wǎng)絡(luò)訓練及仿真。 關(guān)鍵詞：人臉識別；BP神經(jīng)網(wǎng)絡(luò)；圖像檢測；MATLAB仿真 人臉識別系統(tǒng)簡述 人臉識別在基于生物特征識別技術(shù)的身份認證中是最主要的方法之一?；谌四樧R別的自動身份認證具有重要的理論意義和應(yīng)用價值，早在六七十年代就引起了研究者的強烈興趣，對人臉自動識別方法的研究已成為當前模式識別和人工智能領(lǐng)域的一個研究熱點。 雖然人類能夠很容易地識別人臉及其表情，但人臉的自動機器識別卻是一個極其復雜的課題。它的研究涉及到計算機圖形學、數(shù)字圖像處理

3、學、計算機視覺、模式識別、機器學習、感知科學、人工智能、計算智能等技術(shù)，人臉識別技術(shù)在近年來獲得大量的研究成果，并且正在逐步成熟。與指紋、掌紋、眼虹膜、聲音、簽名筆跡及DNA 等其它人體生物特征識別系統(tǒng)相比，人臉識別系統(tǒng)具有直接、友好、方便的特點，易于為使用者所接受。1.人臉識別系統(tǒng)架構(gòu)各個模塊的具體功能如下示： 、圖像采集模塊 通過接口程序從攝像頭獲得視頻流信息，并在系統(tǒng)里進行動態(tài)顯示。再把從攝像頭獲得的同臺視頻流信息按幀的方式存儲為靜止的圖片，同時將其轉(zhuǎn)換成可讀的圖片信息進行保存，并且盡可能的過濾掉無用的信息，并將該位置信息進行反饋。、人臉檢測和分割模塊 將從圖像采集模塊得到的靜止圖像數(shù)據(jù)

4、作為原始圖像數(shù)據(jù)，利用器官分布規(guī)則、人臉輪廓規(guī)則、人臉對稱性和邊緣檢測方法對該圖像數(shù)據(jù)進行掃描，獲得具體的人臉圖像的位置；用直方圖均衡、中值濾波、幾何歸一化和灰度歸一化等方法處理上一步獲得的人臉圖像，處理后得到易于特征提取的標準人臉圖像； 將獲得的人臉圖像的灰度值信息傳送給特征提取模塊。 2. 輸入/輸出層的設(shè)計 本文選用典型的三層BP神經(jīng)網(wǎng)絡(luò)，輸入層神經(jīng)元個數(shù)由前端輸入的類特征數(shù)決定。特征的選取應(yīng)保證最具有代表性、信息量大、冗余量小，并且要求在一定的干擾下，也能保持一定的不變性和適應(yīng)性?；谶@種要求，定位了13個特征點。對這組訓練樣本采用混合積分投影和邊緣檢測等技術(shù)定位眼睛、鼻子、嘴巴、眉毛

5、等部位，然后利用這些信息進行特征提取。 輸出層神經(jīng)元數(shù)目即目標類別數(shù)，由人臉庫中的類別數(shù)目確定，若人臉數(shù)據(jù)庫的類別為M 個，則輸出層節(jié)點就取M。本文選用的ORL人臉數(shù)據(jù)庫中10個對象即10類模式，所以網(wǎng)絡(luò)輸出層神經(jīng)元個數(shù)為10，也即最終能識別出10個目標人臉。 下圖3-2中所示的人臉的特征矢量，表 3.1 所示為實驗樣本特征數(shù)據(jù) ，特征矢量數(shù)據(jù)的單位為象素。將表3.1 實驗樣本特征數(shù)據(jù)歸一化。因為圖像本身是 6464 象素，故在歸一化過程中直接將各特征向量除以 64，即得到落在(0,1)區(qū)間的值。 表3.1實驗樣本特征數(shù)據(jù)圖3-2 實驗樣本人臉的特征矢量3. 隱含層節(jié)點數(shù)及激活函數(shù)的選擇 增加

6、隱含層數(shù)目可以進一步降低誤差，提高識別準確度，但也會增大網(wǎng)絡(luò)復雜度和訓練時間，而誤差精度的提高也可通過增加隱含層節(jié)點數(shù)來實現(xiàn)，訓練效果比增加層數(shù)更容易觀測和調(diào)控。隱含層節(jié)點數(shù)的選擇沒有明確的限制，太少則易陷入局部最小，太多則會增大網(wǎng)絡(luò)冗余性。本文選取隱含層神經(jīng)元個數(shù)為10。 本文的BP 神經(jīng)網(wǎng)絡(luò)隱含層、輸出層激活函數(shù)都選用 tansig 函數(shù)，輸入到輸出的傳輸函數(shù)選擇常用的純線性傳遞函數(shù)purelin。此外，在本文的設(shè)計中，神經(jīng)網(wǎng)絡(luò)學習速率、最大訓練次數(shù)以及目標誤差分別設(shè)置為0.05、10000 和 0.0001。 Matlab工具箱中提供的RBF網(wǎng)絡(luò)構(gòu)造函數(shù)為newrbe(P，T，sprea

7、d)。其中 P、T 分別為訓練集的輸入、輸出向量；spread 為徑向基函數(shù)的寬度，此實驗取值1.0。RBF網(wǎng)絡(luò)的核心是隱含層設(shè)計，中心選取得是否恰當從根本上決定了RBF網(wǎng)絡(luò)的最終性能。newrbe()是一種非常優(yōu)秀的RBF 神經(jīng)網(wǎng)絡(luò)的構(gòu)造和訓練算法，可以靜態(tài)地離線訓練，也可以動態(tài)地在線訓練。在網(wǎng)絡(luò)訓練階段，它可以同時進行參數(shù)和結(jié)構(gòu)兩個過程的自適應(yīng)調(diào)整，可自適應(yīng)地增加RBF網(wǎng)絡(luò)隱含層單元數(shù)以達到目標誤差的要求，這比BP 網(wǎng)絡(luò)要有效得多。 MATLAB仿真實驗BP神經(jīng)網(wǎng)絡(luò)MATLAB編程clear all;clc;x1= 0.5000 0.3594 0.7813 0.2031 0.4688 0.

8、8125 0.8438 0.1094 0.2813 0.4063 0.6563 0.8125 0.0938;x2= 0.4688 0.3125 0.7500 0.1875 0.2656 0.6563 0.6719 0.1406 0.3125 0.5938 0.5938 0.7656 0.0625;x3= 0.4219 0.2813 0.7188 0.2031 0.4375 0.7500 0.7813 0.1250 0.2500 0.3594 0.5938 0.6875 0.1250;x4= 0.5313 0.3594 0.7500 0.1719 0.3906 0.8281 0.8438 0.1

9、250 0.4063 0.5313 0.7813 0.8125 0.0625;x5= 0.4531 0.2500 0.8125 0.1719 0.3594 0.7969 0.8125 0.1719 0.3125 0.4688 0.7188 0.8281 0.0938;x6= 0.5938 0.2656 0.8281 0.1406 0.3438 0.8125 0.8125 0.1250 0.2344 0.3594 0.6250 0.9063 0.1250;x7= 0.4063 0.2813 0.8438 0.2188 0.3906 0.7656 0.7969 0.1094 0.2031 0.32

10、81 0.5000 0.8750 0.0625;x8= 0.5000 0.3125 0.7500 0.2031 0.4375 0.7500 0.8125 0.1094 0.2031 0.3125 0.5156 0.9063 0.0781;x9= 0.4688 0.3125 0.7656 0.1563 0.3750 0.6875 0.7500 0.1563 0.2188 0.3906 0.4688 0.7188 0.0938;x10=0.4688 0.2500 0.7813 0.1563 0.4063 0.7500 0.7813 0.1250 0.3906 0.5313 0.7031 0.750

11、0 0.0938;p=x1;x2;x3;x4;x5;x6;x7;x8;x9;x10;p=p;T=1 0 0 0 0 0 0 0 0 0 ;0 1 0 0 0 0 0 0 0 0;0 0 1 0 0 0 0 0 0 0;0 0 0 1 0 0 0 0 0 0;0 0 0 0 1 0 0 0 0 0; 0 0 0 0 0 1 0 0 0 0 ; 0 0 0 0 0 0 1 0 0 0 ; 0 0 0 0 0 0 0 1 0 0 ; 0 0 0 0 0 0 0 0 1 0 ;0 0 0 0 0 0 0 0 0 1;T=T;net=newff(minmax(p),10 10, tansig,purel

12、in,trainlm);%隱含層神經(jīng)元個數(shù)10，輸出層個數(shù)10（表示可以識別出10個人）net.trainparam.goal=0.0001;%誤差0.0001net.trainparam.epochs=10000;%學習次數(shù)10000net.trainparam.show=20;LP.lr=0.05;%學習率0.05net=train(net,p,T);a1=0.4688 0.2500 0.7813 0.1563 0.4063 0.7500 0.7813 0.1250 0.3906 0.5313 0.7031 0.7500 0.0938;y=sim(net,a1)RBF神經(jīng)網(wǎng)絡(luò)MATLAB編

13、程clear all;clc;x1= 0.5000 0.3594 0.7813 0.2031 0.4688 0.8125 0.8438 0.1094 0.2813 0.4063 0.6563 0.8125 0.0938;x2= 0.4688 0.3125 0.7500 0.1875 0.2656 0.6563 0.6719 0.1406 0.3125 0.5938 0.5938 0.7656 0.0625;x3= 0.4219 0.2813 0.7188 0.2031 0.4375 0.7500 0.7813 0.1250 0.2500 0.3594 0.5938 0.6875 0.1250;

14、x4= 0.5313 0.3594 0.7500 0.1719 0.3906 0.8281 0.8438 0.1250 0.4063 0.5313 0.7813 0.8125 0.0625;x5= 0.4531 0.2500 0.8125 0.1719 0.3594 0.7969 0.8125 0.1719 0.3125 0.4688 0.7188 0.8281 0.0938;x6= 0.5938 0.2656 0.8281 0.1406 0.3438 0.8125 0.8125 0.1250 0.2344 0.3594 0.6250 0.9063 0.1250;x7= 0.4063 0.28

15、13 0.8438 0.2188 0.3906 0.7656 0.7969 0.1094 0.2031 0.3281 0.5000 0.8750 0.0625;x8= 0.5000 0.3125 0.7500 0.2031 0.4375 0.7500 0.8125 0.1094 0.2031 0.3125 0.5156 0.9063 0.0781;x9= 0.4688 0.3125 0.7656 0.1563 0.3750 0.6875 0.7500 0.1563 0.2188 0.3906 0.4688 0.7188 0.0938;x10=0.4688 0.2500 0.7813 0.156

16、3 0.4063 0.7500 0.7813 0.1250 0.3906 0.5313 0.7031 0.7500 0.0938;p=x1;x2;x3;x4;x5;x6;x7;x8;x9;x10;p=p;T=1 0 0 0 0 0 0 0 0 0 ;0 1 0 0 0 0 0 0 0 0;0 0 1 0 0 0 0 0 0 0;0 0 0 1 0 0 0 0 0 0;0 0 0 0 1 0 0 0 0 0; 0 0 0 0 0 1 0 0 0 0 ; 0 0 0 0 0 0 1 0 0 0 ; 0 0 0 0 0 0 0 1 0 0 ; 0 0 0 0 0 0 0 0 1 0 ;0 0 0 0

17、 0 0 0 0 0 1;T=T;spread=1.0; %徑向基函數(shù)的寬度,取值1.0net=newrbe(p,T,spread);a1=0.4677 0.2500 0.7823 0.1553 0.4100 0.7499 0.7813 0.1249 0.3899 0.5300 0.7029 0.7499 0.0940;y=sim(net,a1) 由仿真實驗結(jié)果可看出，spread取值越小，仿真結(jié)果越接近目標輸出，但是若spread取值過小，網(wǎng)絡(luò)在接近平滑函數(shù)時將導致神經(jīng)元過多。spread越大，網(wǎng)絡(luò)逼近的函數(shù)越平滑，但spread過大將導致在逼近變化比較劇烈的函數(shù)時神經(jīng)元過多?？偨Y(jié) 由實驗結(jié)果可以看出，RBF