一种基于神经网络和贝叶斯决策人脸检测方法.docVIP

一种基于神经网络和贝叶斯决策的人脸检测方法 　　摘要：提出了一种利用BP神经网络仿真、利用贝叶斯决策修正仿真结果的人脸检测方法。讨论了单纯使用BP神经网络作人脸的检测判定的不足，并在此基础上提出利用贝叶斯决策对神经网络的仿真结果进行第二次判定的方法。共使用MITEx人脸库的4 000个人脸与非人脸图像进行实验分析，正确率平均提升了3.63%，表明了神经网络的良好判定性能和使用贝叶斯决策进行修正的有效性和必要性。?? 　　关键词：人脸检测； 反向传播神经网络； 仿真； 贝叶斯决策 　　中图分类号：TP183；TP391.41文献标志码：A 　　文章编号：1001－3695(2007)08－0198－03 　　 　　人脸识别是指基于已知的人脸样本库，利用图像处理和模式识别技术从静态或动态场景中，识别或验证一个或多个人脸。人脸识别技术在国家重要机关及社会安防领域具有广泛而特殊的用途。人脸识别技术还可应用于多媒体数据库的视频检索以及多媒体制作方面。近几年，基于人脸识别技术的表情信息提取也成为可能，它可用于改进人机交互方式，从而产生更加人性化、智能化的计算机系统。?? 　　一个自动的人脸识别系统的工作可以划分为六个部分，即人脸检测与分割、人脸的规范化、人脸表征、人脸识别、主体类型、表情／姿态分析。这六个部分并不是完全孤立的，而是紧密相关的。人脸检测是自动人脸识别技术的基础，影响着后续人脸识别的精度和速度，是人脸识别技术实用化所必须解决的一个重要课题，只有快速有效地检测出人脸，才能保证识别的即时性与准确性。?? 　　现有人脸检测算法可分为基于肤色特征的方法、基于灰度和纹理的方法、基于主成分分析的方法、基于支持向量机的方法、基于模板匹配的方法、基于人工神经网络的方法。人脸检测算法的界限也并不是绝对的，结合几种思想于一体的检测方法也普遍存在。一般先用一种检测方法（如基于差影法的粗分割或基于彩色图像的粗分割）提取出疑似人脸所在的区域，然后再用另一种检测方法（如用模板匹配或神经网络）对这部分进行再验证，而且这些技术均取得了良好的检测效果。所以本文假定已经有一种算法提取了疑似人脸，现通过建立BP神经网络模型，对疑似人脸进行仿真输出，并用贝叶斯决策对输出进行人脸与非人脸的判别修正。通过实验分析表明使用神经网络进行仿真的判别是快速有效的，使用贝叶斯决策进行全局的分析统筹也达到了进一步提高判别率的目标，表明了使用贝叶斯决策理论的必要性。?? 　　 　　1用BP神经网络仿真疑似人脸?? 　　 　　1．1网络模型?? 　　本算法将人脸区域看做一类模式，这里的人脸区域指上至额头下至下颌的正方形区域，使用大量的人脸与非人脸样本训练构造分类器，通过判别图像中所有可能区域属于哪类模式的方法实现人脸的检测。构造精确的分类器是实现人脸检测的关键，在疑似人脸的定位方面已经有了大量的算法设计，因此本文具体介绍了利用神经网络进行判别分类的有关内容，而对疑似人脸定位部分的内容不作介绍。?? 　　1．2BP网络结构的设计?? 　　误差反向传播算法(error back propagation)，简称BP算法。采用BP算法的多层神经网络模型一般称为BP网络。它是目前人工神经网络中研究最深入、应用最广泛的一类网络。BP网络由输入层、隐藏层和输出层组成。隐藏层可以是一层或多层。本文采用的是两层BP网络，即隐藏层只有一层。?? 　　1)输入、输出层的设计?? 　　大多数基于神经网络的方法使用的输入窗口的大小都是20×20像素。这个窗口包含了人脸非常关键的部分，它可以保留人脸的主要信息、忽略次要信息。笔者同样采用的是??20×20像素大小的窗口，因此，将输入层节点数设置为 400，对应于20×20像素图像窗口中按行展开的各个像素。考虑到本文使用的BP网络是做作分类器，其类别数为2(即人脸和非人脸)，所以输出层的节点数为1，即输出向量是一维的；当训练的样本为人脸时，输出向量的值为1，当训练的样本为非人脸时，输出向量的值为0。?? 　　2)隐藏层节点数的选择?? 　　隐藏层节点数的选择是一个比较复杂的问题。如果数目过少，网络将不能建立复杂的判断依据，无法训练成功或网络不“强壮”，不能识别以前没有见过的样本，容错性差；但如果数目过多，就会使学习时间过长，网络的泛化能力降低，而且误差也不一定最佳，因此存在一个最佳的隐藏层节点数。这里的解决办法是先根据经验公式： 　　 　　计算出隐藏层节点数的初始取值，然后进行网络训练，计算网络收敛时间后再给??n??加1，重新开始训练，记录收敛时间，通常是随着??n的增加，网络的收敛速度会加快。当网络收敛速度保持基本恒定时，这个n??值就是最适当的隐藏层节点数目。通过多次试验，均衡网络的收敛速度和识别率，将隐藏层的节点数