基于BP神经网络人脸识别系统.docVIP

基于BP神经网络人脸识别系统 　　摘要：随着移动设备的发展，人脸识别技术在移动端得到极为广泛的应用。移动设备采集的图像其背景和光照条件等特征更容易发生变化，进而影响人脸识别的准确率。本文提出了一种基于BP神经网络的人脸识别系统，并通过对人脸图像的预处理来消除背景及光照条件等特征对人脸识别准确率的影响，系统对人脸图像进行直方图平衡，滤波，椭圆遮罩等方式进行处理，提高了人脸识别的准确率。本文搭建了真实的人脸识别系统，并对图像预处理工作能提高人脸识别准确率的有效性进行了验证。 　　关键词：人工智能；人脸识别；图像预处理；BP神经网络 　　中图分类号：TP391.41 　　文献标识码：A 　　DOI：10.3969/j.issn.1003-6970.2015.12.018 　　本文著录格式：安大海，蒋砚军.基于BP神经网络的人脸识别系统[J]软件，2015，36（12）：76-79 　　0 引言 　　随着现代计算机技术的发展，人脸识别技术在安全验证、人机交流、公安系统等方面得到了』‘泛的使用，并且在视频会议、档案管理、医学医疗等方面也发挥着很大的作用。所以，人脸识别技术已经逐渐成为人们在人工智能领域所研究的重点课题。人脸识别主要是分为两个方面：一是人脸检测，指的是在图像中检测是否存在人脸，如果存在人脸，定位出人脸的位置；二是人脸识别，指的是从数据库中已经存在的人脸样本中确定出当前人脸图像的身份。 　　人脸识别系统的原理是首先在捕捉到的图像中进行人脸识别，之后将该图像进行人脸的具体身份匹配，通过BP神经网络建模，完成人脸识别。当前移动设备越来越多，移动互联网时代下的人脸识别技术场景也越来越多。在移动设备上捕获的人脸图像会出现背景的变换以及光照的变化。背景及光照的变化会影响人脸识别的准确率。 　　针对上述问题，本文提出了一种人脸图像预处理的方法，用来解决背景及光照对于人脸识别准确率的影响。同时基于BP神经网络实现了人脸识别系统，验证了方法的有效性。 　　1 人脸图像的预处理 　　1.1 人脸及人眼检测 　　人脸检测能在一幅图像中定位到一个至多个的人脸区域，主要运用的算法是viola-jones人脸检测算法。viola-jones人脸检测算法主要有三个要点：Haar-like特征，AdaBoost算法和Cascade结构。Haar-like特征利用积分图像快速的计算矩形区域的差分信号；AdaBoost算法选择区分能力强的特征结合Stump函数做弱分类器，然后把若干这些弱分类器线性组合在一起增强分类性能；Cascade结构做早期决策，来快速抛弃明显不是人脸的扫描窗口。 　　通过viola-jones人脸检测算法快速定位图像中的人脸图像，同时基于人眼做兴趣区域处理，排除掉背景对于人脸识别过程中的处理.具体处理流程如下：首先在图片中定位人脸，如图1所示，然后基于人眼的识别，截取人脸面部特征图像，如图2所示。 　　1.2 人脸及人眼检测 　　人脸图像经过基于人眼识别的兴趣区域处理之后，可以获得人眼部分的人脸特征截图，对于这些特征图像进行预处理，可以减少光照和背景对于人脸识别准确率的影响。 　　首先对图像进行直方图平衡化处理（HistogramEqualization），处理后的图像有更高的对比度，扩展了图像灰度值的动态范围，使得图像更加清晰，如图3所示；然后对图像进行滤波（smoothing）处理，减少图像的噪点，如图4所示；最后对图像做椭圆遮罩（elliptical mask）处理，在原有图像中屏蔽掉背景，如图5所示。 　　2 BP神经网络 　　2.1 BP神经网络的构建 　　BP神经网络是一种按误差逆传播算法训练的多层前馈网络，可以分为三层，分别为输入层、隐藏层、输出层。层与层之间采用全连接映射，同层之间的神经单元之间没有连接，这样经过层层处理，可以实现将输入的向量X=（xl，x2...xn）非线性映射到向量Y=（yl，y2...yn）。将BP神经网络用语人脸识别时，通常采用三层的神经网络结构，即一层输入层，一层隐藏层和一层输入层。如下图6所示： 　　神经网络中的每个神经单元是一个单独的感知器，感知器可以将一个实数值向量作为输入，计算这些输入的线性组合，然后如果结果大于某个阀值，就输出1，否则输出-1。本论文中的感知器采用sigmoid压缩函数，输入向量经过sigmoid函数计算之后进行输出，可以压缩输出值，使得整个神经网络可以较快的进行收敛。Sigmoid函数计算公式如下： 　　2.2 冲量项的引入 　　BP神经网络在采用反向传播算法进行收敛训练时，因为采用的梯度下降算法，可能出现收敛较缓慢或者落入局部最优解的情况。将梯度下降算法理解为球沿误差曲面滚下，那么增加的冲量项的作用，就是使得这个小球从