数学基于RBF神经网络的人脸识别研究.pptVIP

* * 可以看出，如果在PCA方法中提取过多的特征，会导致分类器性能的急剧下降。PCA子空间维数为50～90时，有较好的分类性能． * * FLD子空间维数对识别率的影响 固定PCA子空间的维数为70，调整FLD子空间的维数，并分别进行2次仿真实验，结果如表2所示． * * 从结果看出，FLD中子空间的维数在25和30时，平均错误率低至5%左右，而维数过高或过低，都会不同程度地影响RBF的分类性能． RBF分类器分类性能分析 设置不同的参数进行性能分析。 * * 对不同的置信度β和不同的FLD子空间维数进行多组实验，统计错误识别数及网络训练完成的截止误差。结果如表3所示。发现在置信度为0.6～0.7时，RBF分类器具有较好的识别效果． 置信度β的选取 * * 学习速率η的选取 * * * * 可以看出，学习速率为0.12时，在训练开始阶段误差保持下降趋势，到最后发生了误差反弹，学习速度为0.10和0.08时，都没有发生反弹。因此，在本文方法中，学习速率控制在0.10左右最合适。 * * 学习次数Epochs的选取 可以看出，学习次数为200以上，虽然误差有所下降，但错误分类数没有减少。事实上，过高的训练次数会降低分类器的泛化性能,从而导致分类器性能的下降。 * * 分类器的抗噪性能分析 给测试集的人脸加上随机噪声进行测试： * * 结果表明: 分类器有良好的抗噪性能，在高强度的噪声下，也能保持较高的识别率。 * * 五 结论与展望 经过实验，本文的方法在PCA子空间维数70、FLD子空间维数25、学习次数200、学习速率0.1、置信度0.6的情况下，取得了 95.5%的识别率。 由下图8可以看出，在具有较大的角度变化、附属物( 如眼镜) 等情况下，分类器均能正确识别，具有较好的鲁棒性。 * * * * 下一步将要进行的工作是: 1) 考虑将特征提取的线性鉴别分析改进成为加权的核Fisher鉴别分析，使样本向中心靠拢以避免类与类之间重叠，从而提高识别率。 2) 选取一个好的方法来动态计算习速率和判定学习终止条件。 * * * * 基于RBF神经网络的人脸识别研究 秦自杰* * 主要内容 一 概述 二 人脸特征提取 三 人脸图像识别 四 实验分析 五 结论与展望 * * 一 概述 概念：人脸识别是利用分析比较人脸视觉特征信息进行身份鉴别的计算机技术。 目的：是使计算机具有人类一样对人进行识别的能力。 涉及学科： 图像处理 机器视觉 模式识别 神经网络 应用领域： 人机交互 身份鉴别 安全监控 视频处理 * * 影响因素： 光照变化、表情、发型、脸部佩戴物等； 还涉及人脸检测和跟踪、实时检测 等一系列相关技术问题。 主要研究内容： 人脸检测、人脸图像规范化、人脸特征提取、人脸分类识别等。 本文将针对人脸特征提取和分类识别2个方面进行研究。针对人脸识别技术中存在的高维问题、小样本问题和非线性问题展开研究。 * * 围绕人脸特征提取，采用主成分分析和Fisher线性鉴别克服小样本问题，同时将人脸图像从高维空间映射到低维空间，解决高维问题。 在分类识别方面，采用具有很强的非线性映射功能的RBF神经网络进行模式分类，解决人脸识别中的非线性问题。 最后在ORL人脸数据库上进行的仿真实验，得出结论。 * * 二 人脸特征提取 本文采用主成分分析和Fisher线性鉴别进行特征提取。 主成分分析法（Principal Component Analysis） PCA的基础是K-L变换，这是以一种常用的正交变换，是最小均方误差下的最优维数据压缩技术，可以将高维度的人脸图像资料压缩。由于正交，因此提取的特征之间互不相关。 * * 设人脸图像样本的总数为N，每个人脸图 图像样本的大小为 ，所有样本可以用 一个 的矩阵来表示： 其中，每个列向量代表一个人脸样本。 PCA的算法步骤如下： ⑴ 构造所有训练样本的协方差矩阵 其中， 为平均人脸，即所有训练样本的均值 * * ⑵ 计算矩阵 的特征值 和特征向量 ，则矩阵C的特征向量为 ，特征值仍为 。 ⑶ 计算得到的C的所有特征向量 是按特征值 从大到小排列的正规化特征向量。若要求PCA变换后的数据降为k维，则选取特征值最大的k个特征向量构造特征空间