基于BP网络的人脸朝向识别模型-影像技术.docVIP

基于BP网络的人脸朝向识别模型 摘 要:本文基于BP 神经网络建立数学模型解决人脸朝向识别这一重要问题。通过对图片压缩、标准化处理等步骤，建立了一个全新的BP神经网络。并用MATLAB对50张图片进行了实验，实验结果表明，该方法识别准确率高、识别过程速度快。最后，我们就训练样本数目的确定与更有效识别方法的探索两个方面对模型提出了改进。 关键词: BP神经网络; 人脸朝向识别；主成分分析 中图法分类号: TP 391. 41 文献标识码: A Face orientation recognition based on BP neural network Abstract: We build a Mathematical model to solve the important problem of face orientation recognition based on BP neural network.By compression and standardization of images, a new Bp neural network is established..The recognition using Matlab software and 50 pieces of picture is simulated，The experiments show that this system has a high rate of accuracy, quick speed of recogn ition. At last,We have made improvements of the model in terms of certainty of the amount of training samples and exploring better identification method. Key words: BP neural netw orks;faces orientation recognition;principal component analysis 0 引言 近几年，人脸识别作为计算机安全技术在全球范围内迅速发展起来。人脸识别主要指通过分析比较人脸特征信息进行身份鉴别的计算机技术。广义的人脸识别包括构建人脸识别系统的一系列相关技术；而狭义的人脸识别特指通过人脸进行身份确认或者身份查找的技术或系统。人脸识别可以广泛地应用于公共场合的身份认证、数字监控等领域。因此具有十分重要的理论和应用价值，同时人脸识别也是当前模式识别、图像处理等学科的一大研究热点。 人工神经网络是对人脸识别的一种重要研究手段，而采用BP算法的多层前馈网络具有很强的非线性逼近能力以及自适应、自学习能力。本课题采用BP 神经网络算法，以Matlab作为语言工具构建了人脸朝向识别模型，并根据实际对模型作出了一定改进。 人脸图像预处理 文章使用matlab软件对图像做处理，得到关于其像素的矩阵（420*420），为了减少BP网络的训练时间，同时不使图片失真，我们将420*420的矩阵压缩至16*16的矩阵。为了提高计算效率，我们在将列矢量输入神经网络之前对输入向量进行标准化处理。接着将压缩及标准化处理后的图片像素矩阵转化为256*1的列向量，将该列向量可以作为BP神经网络的输入层。 BP神经网络 BP网络 BP网络是一种前向网络，是一种误差反向传播的学习过程。前向网络分为输入层、隐含层（隐层可以有1或多层）和输出层。输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是负责信息处理，并将信息继续向下传递；若为多个隐层，则最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不符时，进入误差的反向传播阶段。误差通过输出层，按误差梯度下降的方式修正各层权值，向隐层、输入层逐层反向传播。周而复始的信息正向传播和误差反向传播过程，是各层权值不断调整的过程，也是神经网络学习训练的过程，此过程一直进行到网络输出的误差减少到可以接受的程度，或者预先设定的学习次数为止。 BP网络结构图如图1（T为期望输出值，Y为网络输出值）。 图1 BP网络结构图 BP算法在误差减小的的方向上向目标值靠近，对于输入层和隐含层的传递函数，如今一般采取S型函数，即 误差函数为 中间层（H）和输出层(Y)的输出值为 BP算法采取梯度下降法调整权值 式中，j为本节点的序号，i是隐含层或输入层节点的序号。xi是节点i的输出或者是外部输入; η为学习效率, δj为误差项。 BP网络建立步骤 (1)