毕业设计（论文）开题报告
毕业设计（论文）课题情况，根据所查阅的文献资料，每人撰写2500字以上的文献综述，文后应列出所查阅的文献资料。
基于matlab人脸识别技术的实现
文献综述
一、MATLAB概述
MATLAB是矩阵实验室（Matrix Laboratory）的简称，是美国MathWorks公司出品的商业数学软件，用于算法开发、数据可视化、数据分析以及数值计算的高级技术计算语言和交互式环境，主要包括MATLAB和Simulink两大部分。MATLAB主要面对科学计算、可视化以及交互式程序设计的高科技计算环境。它将数值分析、矩阵计算、科学数据可视化以及非线性动态系统的建模和仿真等诸多强大功能集成在一个易于使用的视窗环境中，为科学研究、工程设计以及必须进行有效数值计算的众多科学领域提供了一种全面的解决方案，并在很大程度上摆脱了传统非交互式程序设计语言（如C、Fortran）的编辑模式，代表了当今国际科学计算软件的先进水平。应用于工程计算、控制设计、信号处理与通讯、图像处理、信号检测、金融建模设计与分析等领域。而在本文中主要用到的功能是图像处理功能。
二、BP神经网络概述
人工神经网络（Artificial Neural Net works，简写为ANNs）也简称为神经网络（NNs）或称作连接模型（Connectionist Model），它是一种模范动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。
人工神经网络发展的主要历程有:20世纪50年代末,Rosenblatt提出的感知器模型和Widrow提出的自适应线性元件,出现了简单的线性分类器;1986年,Rumelhart和Mcllelland 提出了层网络“误差反向传播算法(BP)”,使有导师学习多层感知器网络(ML PN)模式分类器走向实用化,在此基础上又派生出若干前向网络,如径向基函数网络( RBFN)和函数链网络等;1982年,美国加州工学院的物理学家Hopfield提出的一种用于联想记忆和优化计算的反馈网络模型,由于引进了“能量函数” 的概念,使网络走向具体电路有了保证;20世纪70年代,Watanabe 提出了使用模式子空间的概念来设计不同类别对应的子空间,由不同类别聚类的子空间实现模式识别; Kohonen提出的自组织特征映射网络模型等都为神经网络模式识别理论提供了进一步的根据。
构成人工神经网络的三个基本要素是:神经元、络拓扑结构和网络的训练(学习)方法。神经元(节点)的作用是把若干输入加权求和,并对这种加权和进行非线性处理后输出。神经元的选择一般有以下特点:每个神经元都具有多个输入、个输出,具有闭值,采用非线性函数。
1、神经元
神经元模型用公式描述为：
y=f(X) ⑴ X= )(1θ-∑n
i i
x w ⑵
式中:θ为输出阈值 , i x 为输入信号,i w ( i = 1 ,2 , …, n) 为连接权值, f ( X) 称为激活
函数,一般可用阈值型、分段线性型和 S 型 ,在本文中选择 S 型函数
f ( X) =)exp(1
kx b a -+ 实验取 a = b = 1 , k 为控制 S 型曲线部分的斜率且可调。
2、BP 网络模型
BP 网络模型结构如下：
BP 网络模型结构示意图
3、BP 神经网络训练 BP 神经网络进行训练的算法过程如下:
(1) 初始化神经网络的权值为(0 ,1)之间的随机数;
(2) 输入训练样本及期望输出;
(3) 逐层计算输出;
(4) 从输出层开始 ,调整权值 ,并反向调整误差;
(5) 若误差小于设定值 ,则结束;否则转(3) ,继续学习。网络训练完毕达到稳定状态后 ,
保存网络的连接权值 ,用于后面的识别。
用BP 网络对人脸进行识别的算法可简单描述为:
(1) 加载待识别样本的特征向量到输入层节点;
(2) 计算隐含层和输出层的输出 ,根据输出层节点的输出判断识别结果。
BP 网络神经实现人脸识别过程：
人脸识别过程
三、SVM 算法概述
Vapnik 等人在多年研究统计学习理论基础上对线性分类器提出了另一种设计最佳准则。其原理也从线性可分说起，然后扩展到线性不可分的情况。甚至扩展到使用非线性函数中去，这种分类器被称为支持向量机(Support Vector Machine,简称SVM)。支持向量机的提出有很深的理论背景。 支持向量机方法是在近年来提出的一种新方法。
SVM 的主要思想可以概括为两点：
(1) 它是针对线性可分情况进行分析，对于线性不可分的情况，通过使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分，从而 使得高维特征空间采用线性算法对样本的非线性特征进行线性分析成为可能。
(2) 它基于结构风险最小化理论之上在特征空间中建构最优分割超平面，使得学习器得到全局最优化,并且在整个样本空间的期望风险以某个概率满足一定上界。
本文给出 “相似性” 的度量方法来构造 SVM 分类器。所谓“相似性” , 是指两幅人脸
图像在特征脸空间中Ω值之差)(j i Ω-Ω=∆Ω，如果∆Ω
各分量都保持在一个较小范围内, 有理由相信这是同一个人脸。
选定集合C={2
122211211,,..,,,n n C C C C C C }，其中n 为人数，1i C 和2i C 分别为第i 个人不同的图像，在特征空间中的Ω值，将其按照如下方案分:n}1,2,3,....i ,C C |{2
i i1211=∈∈-∈+C C C C C i i ，，j}i ,1,2,3,...n j ,1,2,3,...n i ,C C |{2
j i1211≠==∈∈-∈-C C C C C j i ，，可以看出1+C 正是 “相似” 的人脸, 共有n 个; 而1-C 全部都是“非相似”人脸,共有 n* ( n- 1)个,因此,组成如下n*n 个训
练样本集： )1,)...(1,(),1,(),1,)...(1,(),1,{(2
)1(1321122112122211211----------n n n n C C C C C C C C C C C C 。 现假设在数据库共有 m 个已知人脸图像, 基于上述SVM 的设计原理, 构造如下的 m 个函数( 注意这些函数没有取符号sgn) :
