第25篇 基于BP的人脸方向预测.pptVIP

第二十五章 MATLAB优化算法案例分析与应用 第25章 基于BP的人脸方向预测 第二十五章 MATLAB优化算法案例分析与应用 25.1 BP神经网络基本原理 BP神经网络利用输出后的误差来估计输出层的直接前导层的误差，再用这个误差估计更前一层的误差，如此一层一层的反传下去，就获得了所有其他各层的误差估计。 BP算法采用的是多层感知器的误差反向传播算法，其基本思想是，学习过程由信号的正向传播与误差的反向传播两个过程组成。 正向传播时，输入样本从输入层传入，经各隐层逐层处理后，传向输出层。若输出层的实际输出与期望的输出不符，则转入误差的反向传输阶段。 误差反传是将输出误差以某种形式通过隐层向输入曾逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，该误差信号即作为修正各单元权值的依据。 第二十五章 MATLAB优化算法案例分析与应用 25.1 BP神经网络基本原理 信号正向传播与误差反向传播的各层权值的调整是反复进行的，直至网络输出的误差减少到可接受的程度，或是进行到预先设定的学习次数，结构图如图25-1所示。 图25-1 BP神经网络结构图 输入变量向量组 隐层输出变量（m为隐变量个数）向量组 输出层输出向量组（所预测时间范围内的功率） 第二十五章 MATLAB优化算法案例分析与应用 25.1 BP神经网络基本原理 信号正向传播与误差反向传播的各层权值的调整是反复进行的，直至网络输出的误差减少到可接受的程度，或是进行到预先设定的学习次数，结构图如图25-1所示。 图25-1 BP神经网络结构图 期望输出向量组（为常向量组） 输入层到隐层之间的权值矩阵 隐层到输出层之间的权值矩阵 比例常数，表示学习速率 第二十五章 MATLAB优化算法案例分析与应用 25.2 BP神经网络的分析流程 对于输出层，有： 对于隐层，有： 其中， 第二十五章 MATLAB优化算法案例分析与应用 25.2 BP神经网络的分析流程 绘制流程图大致如图25-3所示。 第二十五章 MATLAB优化算法案例分析与应用 25.3 人脸方向预测 神经网络以一种学习规则进行学习，然后做出相应的判断。神经网络可以用作分类、聚类、预测等。神经网络需要有一定量的历史数据，通过历史数据的训练，网络可以学习到数据中隐含的知识。神经网络黑匣子视图如图25-4所示。 图25-4 BP神经网络黑匣子 BP神经网络利用输出后的误差来估计输出层的直接前导层的误差，再用这个误差估计更前一层的误差，如此一层一层的反传下去，就获得了所有其他各层的误差估计。其网络结构图如图25-5所示。 第二十五章 MATLAB优化算法案例分析与应用 25.3 人脸方向预测 图25-5 BP神经网络结构图 第二十五章 MATLAB优化算法案例分析与应用 25.3 人脸方向预测 对于如图25-6所示的人脸数据库图像，利用BP神经网络进行人脸方向预测，合理的定位人脸方向。 图25-6 人脸数据图 第二十五章 MATLAB优化算法案例分析与应用 25.3 人脸方向预测 （1）首先提取特征数据； （2）BP神经网络进行数据训练、预测、检验； for j=1:N_train for i=1:M_train %读取图像，连接字符串形成图像的文件名。 str=strcat(Images\,num2str(i),_,num2str(j),.bmp); img= imread(str); [rows cols]= size(img); %获得图像的行和列值 img_edge=edge(img,Sobel); ? %由于在分割图片中，人脸的眼睛部分位置变化比较大，边缘检测效果好 sub_rows=floor(rows/6); %最接近的最小整数,分成6行 sub_cols=floor(cols/8); %最接近的最小整数，分成8列 sample_num=M_train*N_train; %前5个是第一幅人脸的5个角度? 第二十五章 MATLAB优化算法案例分析与应用 25.3 人脸方向预测 （1）首先提取特征数据； （2）BP神经网络进行数据训练、预测、检验； sample_number=sample_number+1; for subblock_i=1:8 %因为这还在i，j的循环中，所以不可以用