基于GA-BP神经网络人脸检测算法.docxVIP

基于GA-BP神经网络的人脸检测算法1.被控对象的特性人脸是一个极为普通、重要而又十分复杂的模式，其中蕴含的信息量非常丰富，本来在复杂的背景图像中区别人脸和其它物体就是一个比较困难的同题。并且由于以下原因使得人脸检测的困难加大。(1)姿势；(2)脸部的相关结构化的部件；(3)脸部表情；(4)图像的定位；(5)图像的自身条件。因此，如能够找到解决以上问题的方法，成功地构造出人脸检测系统，将为解决其它类似的复杂模式检测问题提供重要的启示。因而人脸检测技术的研究具有重要的学术价值。2.控制目标人脸检测的确切定义为：任意给出一幅图像，系统能够准确分析图像中的信息，判断出图像中是否存在人脸；如果存在，则返回人脸在图像中的确切位置和范围。所以它研究的主要问题是判断静态图像或动态影像中是否存在人脸，如果存在则对人脸进行定位。而我们控制的目标就是更加准确地判断图像中人脸的存在性和定位人脸，这个过程中又涉及到一些系统控制指标，如精度、自适应性、容错性、分类能力和检测时间等。我们设计的控制系统应该尽量的提高系统控制指标。3.控制方案的选定卷积神经网络擅于提取具有类别分辨能力的隐式特征，在人脸检测等领域获得巨大成功。然而典型的卷积神经网络的固定结构又使得网络规模初始设定只能是经验性的，难以实现后继的再学习。BP神经网络是一种多层前向网络，由输入层、输出层、隐含层(可以是一层或多层)构成，是一种典型的三层BP神经网络模型。BP神经网络具有较强的容错性和自适应学习能力，但同时传统的BP如学习算法的收敛速度慢、局部极小问题和网络的初始的权值、阈值以及隐层的单元数根据经验选取等,这些都大大地影响其工作性能。GA-BP神经网络是将遗传学习算法和误差反向传播算法相结合的混合算法来训练前馈人工神经网络,使网络收敛速度加快和避免局部极小，该网络不仅收敛速度快,而且易达到最优解，后继的再学习能力强，可以较好地解决人脸检测中往往存在的噪声、残缺和戴眼睛的人脸图像等。此外，GA-BP网络的应用于人脸检测具有检测速度快、检测精度高等特点。所以在该文中我选用GA-BP神经网络用于人脸检测。4.详细的方案设计4.1BP神经网络的基本原理BP(Back Propagation ,反向传播) 网络是神经网络的一个分支,又称误差信号反馈网络。误差反向传播的BP算法简称BP算法,其基本思想是有导师学习,可按梯度下降法实现快速收敛。典型的BP 网络是3 层前馈阶层网络(如图1 所示) ,即输入层、隐含层(中间层) 和输入层。一个3 层的BP 网络可以完成任意的n 维到m 维的非线性映射。图1 BP网络结构BP 算法的学习过程由正向传播和方向传播组成。在正向传播过程中,输入信息从输入层经隐含层逐层处理,并传向输出层,每层神经元(节点) 的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出,则转至方向传播,将误差信号(理想与实际输出之差) 按连接通路反向计算,由梯度下降法调整各神经元的权值,使误差信号减小。神经网络理论已经证明BP 网络具有强大的非线性映射的能力,连续函数或映射均可采用3 层网络加以实现。假设训练集包含M 个样本,中间层的单元数是L ，对第P个训练样本( p = 1 ,2 , ?, M) ,单元j 的实际输出为它的第i个输入为，则。其中为神经元i与神经元j之间的连接权值。隐层神经元的输出采用S 函数激发：;误差性能指标函数为:其中表示对P个训样本, 单元j的期望输出。训练网络的目的是找到一组权重，使误差函数极小化。根据梯度下降法，输出层及隐含层连接权值学习算法为:若权值的变化量记为，取正比于，即，其中η为学习因子(可调整权值)，令，则用和分别表示输出单元和隐含层的阈值，其阈值变化分别记为和，则阈值为：4.2　GA-BP 网络遗传算法GA ( Genetic Algorithm) 是基于生物进化原理的一种具有鲁棒性的自适应优化方法。遗传算法遵循通过基于问题样本适应度函数对初始群体选择、交叉和变异操作,来指导学习和确定搜索的方向。由于采用种群的方式组织搜索,所以它可以在全局解空间内的多个区域内寻求最优解,而且特别适合大规模并行处理。对于BP 网络来说,也存在着不足,BP 算法从本质上讲属于梯度下降算法,因而不可避免的具有一些缺陷,如:易陷入局部极小点、训练速度慢等。还有初始随机加权的大小,会对局部最小部分产生很大的影响。在优化问题中,如果目标函数是多峰的,或者搜索空间不规则,就要求所使用的算法必须具有高度的鲁棒性,以避免在局部最优解附近徘徊。所以遗传算法和BP 网络的结合正好优劣互补。遗传算法和神经网络的结合对于寻求全局最优解其效果要优于单个的使用遗传算法或神经网络,为充分结合遗传算法和BP神经网络的长处提出了GA 对BP 的优化,从而获得网络的最优设计的新方法。由