基于BP神经网络的人脸识别方法研究课件

1、 基于BP神经网络和RBF神经网络的 人脸识别系统研究2022/10/2演示：杨 乐指导教师：谷立臣目录摘要12RBF神经网络设计4MATLAB仿真实验5人脸识别系统简述3BP神经网络设计6总结摘要 近年来，人脸检测和识别受到国内外学术界和企业界的广泛关注，其主要原因是人脸检测和识别在信息安全、访问控制、金融支付、公安刑侦等方面有着广泛应用。与其他传统的身份识别方法相比，用人脸作为生物特征识别对象，具有稳定、便捷、不易伪造等优点，由于其非接触性、非侵犯性，人们对这种技术没有任何排斥心理，因而它是一种最友好的生物特征识别技术。 本文将采用 BP 神经网络进行人脸识别，主要包括特征提取和神经网络识

2、别两大部分：从人脸图像库中选取一定数量的训练图像，用主成分分析法对其进行一定的预处理，并将得到的相关参数输入到系统中，利用 MATLAB 实现BP神经网络训练及仿真。 关键词：人脸识别；BP神经网络；图像检测；MATLAB仿真 人脸识别系统简述 人脸识别在基于生物特征识别技术的身份认证中是最主要的方法之一。基于人脸识别的自动身份认证具有重要的理论意义和应用价值，早在六七十年代就引起了研究者的强烈兴趣，对人脸自动识别方法的研究已成为当前模式识别和人工智能领域的一个研究热点。 虽然人类能够很容易地识别人脸及其表情，但人脸的自动机器识别却是一个极其复杂的课题。它的研究涉及到计算机图形学、数字图像处理

3、学、计算机视觉、模式识别、机器学习、感知科学、人工智能、计算智能等技术，人脸识别技术在近年来获得大量的研究成果，并且正在逐步成熟。与指纹、掌纹、眼虹膜、声音、签名笔迹及DNA 等其它人体生物特征识别系统相比，人脸识别系统具有直接、友好、方便的特点，易于为使用者所接受。1.人脸识别系统架构各个模块的具体功能如下示： 、图像采集模块 通过接口程序从摄像头获得视频流信息，并在系统里进行动态显示。再把从摄像头获得的同台视频流信息按帧的方式存储为静止的图片，同时将其转换成可读的图片信息进行保存，并且尽可能的过滤掉无用的信息，并将该位置信息进行反馈。、人脸检测和分割模块 将从图像采集模块得到的静止图像数据

4、作为原始图像数据，利用器官分布规则、人脸轮廓规则、人脸对称性和边缘检测方法对该图像数据进行扫描，获得具体的人脸图像的位置；用直方图均衡、中值滤波、几何归一化和灰度归一化等方法处理上一步获得的人脸图像，处理后得到易于特征提取的标准人脸图像； 将获得的人脸图像的灰度值信息传送给特征提取模块。 2. 输入/输出层的设计 本文选用典型的三层BP神经网络，输入层神经元个数由前端输入的类特征数决定。特征的选取应保证最具有代表性、信息量大、冗余量小，并且要求在一定的干扰下，也能保持一定的不变性和适应性。基于这种要求，定位了13个特征点。对这组训练样本采用混合积分投影和边缘检测等技术定位眼睛、鼻子、嘴巴、眉毛

5、等部位，然后利用这些信息进行特征提取。 输出层神经元数目即目标类别数，由人脸库中的类别数目确定，若人脸数据库的类别为M 个，则输出层节点就取M。本文选用的ORL人脸数据库中10个对象即10类模式，所以网络输出层神经元个数为10，也即最终能识别出10个目标人脸。 下图3-2中所示的人脸的特征矢量，表 3.1 所示为实验样本特征数据 ，特征矢量数据的单位为象素。将表3.1 实验样本特征数据归一化。因为图像本身是 6464 象素，故在归一化过程中直接将各特征向量除以 64，即得到落在(0,1)区间的值。 表3.1实验样本特征数据图3-2 实验样本人脸的特征矢量3. 隐含层节点数及激活函数的选择 增加

6、隐含层数目可以进一步降低误差，提高识别准确度，但也会增大网络复杂度和训练时间，而误差精度的提高也可通过增加隐含层节点数来实现，训练效果比增加层数更容易观测和调控。隐含层节点数的选择没有明确的限制，太少则易陷入局部最小，太多则会增大网络冗余性。本文选取隐含层神经元个数为10。 本文的BP 神经网络隐含层、输出层激活函数都选用 tansig 函数，输入到输出的传输函数选择常用的纯线性传递函数purelin。此外，在本文的设计中，神经网络学习速率、最大训练次数以及目标误差分别设置为0.05、10000 和 0.0001。 Matlab工具箱中提供的RBF网络构造函数为newrbe(P，T，sprea

7、d)。其中 P、T 分别为训练集的输入、输出向量；spread 为径向基函数的宽度，此实验取值1.0。RBF网络的核心是隐含层设计，中心选取得是否恰当从根本上决定了RBF网络的最终性能。newrbe()是一种非常优秀的RBF 神经网络的构造和训练算法，可以静态地离线训练，也可以动态地在线训练。在网络训练阶段，它可以同时进行参数和结构两个过程的自适应调整，可自适应地增加RBF网络隐含层单元数以达到目标误差的要求，这比BP 网络要有效得多。 MATLAB仿真实验BP神经网络MATLAB编程clear all;clc;x1= 0.5000 0.3594 0.7813 0.2031 0.4688 0.

8、8125 0.8438 0.1094 0.2813 0.4063 0.6563 0.8125 0.0938;x2= 0.4688 0.3125 0.7500 0.1875 0.2656 0.6563 0.6719 0.1406 0.3125 0.5938 0.5938 0.7656 0.0625;x3= 0.4219 0.2813 0.7188 0.2031 0.4375 0.7500 0.7813 0.1250 0.2500 0.3594 0.5938 0.6875 0.1250;x4= 0.5313 0.3594 0.7500 0.1719 0.3906 0.8281 0.8438 0.1

9、250 0.4063 0.5313 0.7813 0.8125 0.0625;x5= 0.4531 0.2500 0.8125 0.1719 0.3594 0.7969 0.8125 0.1719 0.3125 0.4688 0.7188 0.8281 0.0938;x6= 0.5938 0.2656 0.8281 0.1406 0.3438 0.8125 0.8125 0.1250 0.2344 0.3594 0.6250 0.9063 0.1250;x7= 0.4063 0.2813 0.8438 0.2188 0.3906 0.7656 0.7969 0.1094 0.2031 0.32

10、81 0.5000 0.8750 0.0625;x8= 0.5000 0.3125 0.7500 0.2031 0.4375 0.7500 0.8125 0.1094 0.2031 0.3125 0.5156 0.9063 0.0781;x9= 0.4688 0.3125 0.7656 0.1563 0.3750 0.6875 0.7500 0.1563 0.2188 0.3906 0.4688 0.7188 0.0938;x10=0.4688 0.2500 0.7813 0.1563 0.4063 0.7500 0.7813 0.1250 0.3906 0.5313 0.7031 0.750

11、0 0.0938;p=x1;x2;x3;x4;x5;x6;x7;x8;x9;x10;p=p;T=1 0 0 0 0 0 0 0 0 0 ;0 1 0 0 0 0 0 0 0 0;0 0 1 0 0 0 0 0 0 0;0 0 0 1 0 0 0 0 0 0;0 0 0 0 1 0 0 0 0 0; 0 0 0 0 0 1 0 0 0 0 ; 0 0 0 0 0 0 1 0 0 0 ; 0 0 0 0 0 0 0 1 0 0 ; 0 0 0 0 0 0 0 0 1 0 ;0 0 0 0 0 0 0 0 0 1;T=T;net=newff(minmax(p),10 10, tansig,purel

12、in,trainlm);%隐含层神经元个数10，输出层个数10（表示可以识别出10个人）net.trainparam.goal=0.0001;%误差0.0001net.trainparam.epochs=10000;%学习次数10000net.trainparam.show=20;LP.lr=0.05;%学习率0.05net=train(net,p,T);a1=0.4688 0.2500 0.7813 0.1563 0.4063 0.7500 0.7813 0.1250 0.3906 0.5313 0.7031 0.7500 0.0938;y=sim(net,a1)RBF神经网络MATLAB编

13、程clear all;clc;x1= 0.5000 0.3594 0.7813 0.2031 0.4688 0.8125 0.8438 0.1094 0.2813 0.4063 0.6563 0.8125 0.0938;x2= 0.4688 0.3125 0.7500 0.1875 0.2656 0.6563 0.6719 0.1406 0.3125 0.5938 0.5938 0.7656 0.0625;x3= 0.4219 0.2813 0.7188 0.2031 0.4375 0.7500 0.7813 0.1250 0.2500 0.3594 0.5938 0.6875 0.1250;

14、x4= 0.5313 0.3594 0.7500 0.1719 0.3906 0.8281 0.8438 0.1250 0.4063 0.5313 0.7813 0.8125 0.0625;x5= 0.4531 0.2500 0.8125 0.1719 0.3594 0.7969 0.8125 0.1719 0.3125 0.4688 0.7188 0.8281 0.0938;x6= 0.5938 0.2656 0.8281 0.1406 0.3438 0.8125 0.8125 0.1250 0.2344 0.3594 0.6250 0.9063 0.1250;x7= 0.4063 0.28

15、13 0.8438 0.2188 0.3906 0.7656 0.7969 0.1094 0.2031 0.3281 0.5000 0.8750 0.0625;x8= 0.5000 0.3125 0.7500 0.2031 0.4375 0.7500 0.8125 0.1094 0.2031 0.3125 0.5156 0.9063 0.0781;x9= 0.4688 0.3125 0.7656 0.1563 0.3750 0.6875 0.7500 0.1563 0.2188 0.3906 0.4688 0.7188 0.0938;x10=0.4688 0.2500 0.7813 0.156

16、3 0.4063 0.7500 0.7813 0.1250 0.3906 0.5313 0.7031 0.7500 0.0938;p=x1;x2;x3;x4;x5;x6;x7;x8;x9;x10;p=p;T=1 0 0 0 0 0 0 0 0 0 ;0 1 0 0 0 0 0 0 0 0;0 0 1 0 0 0 0 0 0 0;0 0 0 1 0 0 0 0 0 0;0 0 0 0 1 0 0 0 0 0; 0 0 0 0 0 1 0 0 0 0 ; 0 0 0 0 0 0 1 0 0 0 ; 0 0 0 0 0 0 0 1 0 0 ; 0 0 0 0 0 0 0 0 1 0 ;0 0 0 0

17、 0 0 0 0 0 1;T=T;spread=1.0; %径向基函数的宽度,取值1.0net=newrbe(p,T,spread);a1=0.4677 0.2500 0.7823 0.1553 0.4100 0.7499 0.7813 0.1249 0.3899 0.5300 0.7029 0.7499 0.0940;y=sim(net,a1) 由仿真实验结果可看出，spread取值越小，仿真结果越接近目标输出，但是若spread取值过小，网络在接近平滑函数时将导致神经元过多。spread越大，网络逼近的函数越平滑，但spread过大将导致在逼近变化比较剧烈的函数时神经元过多。总结 由实验结果可以看出，RBF