基于BP神经网络的人脸识别方法

基于PCA—LDA与蚁群优化BP神经网络的人脸识别算法作者：任金霞周慧娟来源：《软件导刊》2013年第11期摘要：针对人脸识别问题，提出了一种新的算法。

该算法利用融合的PCA和LDA算法进行特征提取，并使用蚁群优化的BP神经网络进行人脸识别。

使用融合的PCA和LDA算法对特征向量进行提取压缩，为了提高BP神经网络对人脸的分类精度和减少训练时间，使用蚁群算法优化BP神经网络的初始参数，并使用优化后的BP神经网络进行训练和人脸识别。

在ORL人脸数据库的仿真结果表明，该算法能有效提高人脸识别性能，具有较高识别率。

关键词关键词：人脸识别；PCA；LDA；蚁群优化；BP算法中图分类号：TP312文献标识码：A文章编号文章编号：16727800（2013）0110070040引言人脸识别是一种重要的生物特征识别技术，应用非常广泛。

与其他身份识别方式相比，人脸具有直接、友好和方便的特点。

人脸识别研究不仅具有重要的应用价值，而且在模式识别中具有重要的理论意义。

而人脸识别系统运行成功的关键在于对人脸特性的提取和分类器的设计＼[1＼]。

人脸识别的主要过程为预处理、特征提取以及分类识别。

预处理即为了提高图像质量而对图像进行尺度归一化和灰度均衡化等操作。

特征提取在人脸识别中非常重该规则预示：下半夜发生的抢劫案，若实施犯罪者为单人且为少年，可以锁定该犯罪嫌疑人是贵州籍，且文化程度为小学。

取值支持度阈值=4，置信度=9时，从结果中抽一条规则：from 上半夜；共同作案；少年； calc 上半夜；少年；->共同作案；： 1.0//规则说明：from L（支持度大于已设定支持度阀值）；calc S->L-S（关联规则）；：Num（置信度）该规则的预示：发生在上半夜的抢劫案，如实施犯罪者为少年，一定还有同伙。

对比可知，提高支持度阈值和置信度阈值，可提高挖掘结果的可靠性，但发现的关联规则也大大减少。

因此，根据用户的兴趣程度和实效评估，及时调整相关参数，对于关联规则挖掘在某一领域的应用至关重要。

基于GA-BP神经网络的人脸检测算法1.被控对象的特性人脸是一个极为普通、重要而又十分复杂的模式，其中蕴含的信息量非常丰富，本来在复杂的背景图像中区别人脸和其它物体就是一个比较困难的同题。

并且由于以下原因使得人脸检测的困难加大。

(1)姿势；(2)脸部的相关结构化的部件；(3)脸部表情；(4)图像的定位；(5)图像的自身条件。

因此，如能够找到解决以上问题的方法，成功地构造出人脸检测系统，将为解决其它类似的复杂模式检测问题提供重要的启示。

因而人脸检测技术的研究具有重要的学术价值。

2.控制目标人脸检测的确切定义为：任意给出一幅图像，系统能够准确分析图像中的信息，判断出图像中是否存在人脸；如果存在，则返回人脸在图像中的确切位置和范围。

所以它研究的主要问题是判断静态图像或动态影像中是否存在人脸，如果存在则对人脸进行定位。

而我们控制的目标就是更加准确地判断图像中人脸的存在性和定位人脸，这个过程中又涉及到一些系统控制指标，如精度、自适应性、容错性、分类能力和检测时间等。

我们设计的控制系统应该尽量的提高系统控制指标。

3.控制方案的选定卷积神经网络擅于提取具有类别分辨能力的隐式特征，在人脸检测等领域获得巨大成功。

然而典型的卷积神经网络的固定结构又使得网络规模初始设定只能是经验性的，难以实现后继的再学习。

BP神经网络是一种多层前向网络，由输入层、输出层、隐含层(可以是一层或多层)构成，是一种典型的三层BP神经网络模型。

BP神经网络具有较强的容错性和自适应学习能力，但同时传统的BP如学习算法的收敛速度慢、局部极小问题和网络的初始的权值、阈值以及隐层的单元数根据经验选取等,这些都大大地影响其工作性能。

GA-BP神经网络是将遗传学习算法和误差反向传播算法相结合的混合算法来训练前馈人工神经网络,使网络收敛速度加快和避免局部极小，该网络不仅收敛速度快,而且易达到最优解，后继的再学习能力强，可以较好地解决人脸检测中往往存在的噪声、残缺和戴眼睛的人脸图像等。

⼈脸识别算法基于⼈⼯神经⽹络的⼈脸识别系统童志军090739第⼀部分：引⾔在计算机控制上可靠的个⼈⾝份识别的需求引发了⽤⽣物特征替代密码和⾝份证进⾏识别的趋势。

由于密码会被泄露给不合法的⽤户并且⾝份证会被骗⼦盗取所以密码和⾝份证会被轻易的破坏，⽣物特征识别的出现能够很好的解决传统分类⽅法的问题。

⽣物特征包括⼈的虹膜、视⽹膜、⾯部轮廓、指纹、签名⼒度变化和语⾳等特征，这些特征可以⽤于⼈物识别。

由于⽣物特征不能被轻易的盗取和分享，所以⽣物特征识别相⽐于传统安全措施有很⼤的优势，⼈脸识别系统积极稳固的特点使它在⼈物识别中脱颖⽽出。

⼈脸识别系统包括⼈脸核实和⼈脸识别两个阶段。

在核实阶段，系统根据⼈物特征的先验知识进⾏核实，这就是说，系统要判断当前待识别⼈物是否为骗⼦。

在⼈脸识别阶段，先验特征并不知道，系统只能根据最⼤似然准则进⾏识别。

这篇⽂章的最初⽬的是对使⽤⼈⼯神经⽹络来⼈脸检测和识别的性能进⾏评价，⽂章的剩余部分就是这样组织的：第⼆部分描述了系统的过程图和⼈脸识别系统的各个模块；第三部分详尽说明了预处理、特征提取和⽬标系统的分类的⽅法；第四部分展⽰了和讨论了实验结果，第五部分得出结论。

第⼆部分：系统综述正如图1所⽰，推荐的⼈脸识别算法包含⼊学和识别/分类两个阶段，它包含图像获取，⼈脸检测、学习、识别和核实。

图1 ⼈脸识别系统结构图A ⼊学阶段使⽤⽹络照相机获得图⽚并储存在数据库中，然后对图⽚进⾏检测和训练。

训练时，使⽤⼏何学和光学标准化⽅法对脸部图⽚进⾏预处理，采⽤⼏种特征提取的⽅法提取脸部图⽚特征，然后把这些特征数据存在数据库中作为⽤户标识。

B 识别/实验证明阶段再次获得⽤户脸部⽣理数据，此系统使⽤数据辨别⽤户或者分类⽤户标识。

虽然⾝份鉴定需要把获得的⽣物特征信息与数据库中所有⽤户的数据进⾏模板匹配，⾝份核实仅需要把⽣物特征信息与主要特性进⾏模板匹配，所以⾝份识别与实验证明在内在复杂性上截然不同。

基于深度神经网络的人脸识别算法随着科技的不断发展，人脸识别技术已经成为我们生活中不可或缺的一部分。

无论是手机解锁、门禁系统、安全检测还是社交娱乐等领域，都需要依赖人脸识别算法。

而基于深度神经网络的人脸识别技术，比传统算法更为高效、更为准确，被广泛应用于人脸识别领域。

一、深度神经网络深度神经网络是一种类似于人类大脑结构的网络模型，可以模拟人脑对事物的分析与判断，从而实现计算机对数据的深度学习与处理。

深度神经网络的优点在于能够自动学习，并通过多层次的神经元来实现对数据的分类和识别。

二、基于深度神经网络的人脸识别算法基于深度神经网络的人脸识别算法，通过多层次的神经元来识别人脸特征，并将识别出的特征存储在数据库中，以后再次识别时，就可以将其与数据库中存储的特征进行比对，从而实现人脸的识别。

这种算法的核心是人脸特征的提取和分类。

在人脸特征提取方面，深度神经网络的多层次神经元对人脸的纹理、轮廓等特征进行提取。

在分类方面，深度神经网络通过不断训练模型，从而提高识别率。

总体来说，基于深度神经网络的人脸识别算法有以下几个步骤：1、数据采集：从不同角度、不同灯光条件下拍摄人脸的照片，并记录每张照片的人脸特征。

2、人脸检测：通过图像处理算法将照片中的人脸框出来，并对每个人脸进行处理。

3、特征提取：将每个人脸的特征进行提取，并将其保存到数据库中。

这一步需要利用深度神经网络的多层次神经元实现。

4、识别比对：当需要识别一张照片的人脸时，从照片中提取特征，并将其与数据库中存储的特征进行比对。

如果相似度达到一定的阈值，就可以认为是同一人。

三、基于深度神经网络的人脸识别算法的应用1、门禁系统：基于深度神经网络的人脸识别算法可以实现门禁系统的自动识别。

只要录入系统中的人的面部特征，当这些人进入门禁系统的时候，系统就可以自动识别他们，省去了其他门禁系统需要刷卡、输入密码等操作。

2、社交娱乐：很多社交娱乐应用已经开始利用基于深度神经网络的人脸识别技术，例如照片标记、人脸美颜等。

基于神经网络的人脸识实验报告别一、 实验要求采用三层前馈BP 神经网络实现标准人脸YALE 数据库的识别。

二、BP 神经网络的结构和学习算法实验中建议采用如下最简单的三层BP 神经网络，输入层为],,,[21n x x x X =，有n 个神经元节点，输出层具有m 个神经元，网络输出为],,,[21m y y y Y =,隐含层具有k 个神经元，采用BP 学习算法训练神经网络。

BP 神经网络的结构BP 网络在本质上是一种输入到输出的映射，它能够学习大量的输入与输出之间的映射关系，而不需要任何输入和输出之间的精确的数学表达式，只要用已知的模式对BP 网络加以训练，网络就具有输入输出对之间的映射能力。

BP 网络执行的是有教师训练，其样本集是由形如（输入向量，期望输出向量）的向量对构成的。

在开始训练前，所有的权值和阈值都应该用一些不同的小随机数进行初始化。

BP 算法主要包括两个阶段： (1) 向前传播阶段①从样本集中取一个样本(X p ,Y p )，将X p 输入网络，其中X p 为输入向量，Y p 为期望输出向量。

②计算相应的实际输出O p 。

在此阶段，信息从输入层经过逐级的变换，传送到输出层。

这个过程也是网络在完成训练后正常运行时执行的过程。

在此过程中，网络执行的是下列运算： (1)(2)()21(...((())...))n p n p O F F F X W W W =(2) 向后传播阶段①计算实际输出O p 与相应的理想输出Y p 的差； ②按极小化误差的方法调整权矩阵。

这两个阶段的工作一般应受到精度要求的控制，定义211()2mp pj pj j E y o ==-∑ (1)作为网络关于第p 个样本的误差测度（误差函数）。

而将网络关于整个样本集的误差测度定义为p E E =∑ (2)如前所述，将此阶段称为向后传播阶段，也称之为误差传播阶段。

为了更清楚地说明本文所使用的BP 网络的训练过程，首先假设输入层、中间层和输出层的单元数分别是N 、L 和M 。

基于局部特征Gabor小波的BP神经网络的人脸识别摘要人脸识别是自动识别领域的一个研究重点。

本文提出了基于gabor小波局部特征的bp神经网络的人脸识别算法。

该方法在保留了gabor小波符合人眼的生物特征性的基础上，融合了神经网络的强大学习能力。

该方法采用局部gabor小波特征作为神经网络输入，最后采用改进的bp神经网络对样本分类，用orl标准人脸库进行实验，结果数据表明，该算法在提高准确率和减少计算时间方面具有实用价值。

关键词人脸识别；gabor小波；小波网络；神经网络；特征抽取中图分类号tp39 文献标识码a 文章编号 1674-6708（2012）58-0183-020 引言随着信息技术的发展，人脸识别因在公安、身份验证、安全验证系统、医学、考勤系统等各方面的巨大应用前景而成为当前人工智能和模式识别领域的研究热点。

人脸识别是指利用摄像头捕捉人的面部图片，利用计算机分析比较人脸的生物特征来进行身份识别。

虽然人类能够轻易识别出人脸和表情，但是人脸机器识别却是一个难度极大的课题[1]。

基于gabor小波弹性图匹配算法作为一种有效的人脸识别方法，虽然方法简单，但是实现复杂、计算量大、耗时多，本文提出了一种改进的基于局部特征gabor小波的bp神经网络方法，此方法避免了弹性如匹配算法的高计算量，神经网络由于学习和记忆能力，提高了算法容错性。

本文采用gabor小波特征空间作为神经网络输入空间，然后使用神经网络作为分类器。

1 基于局部特征的gabor小波1.1 gabor滤波器数组二维图像的离散gabor 变换的定义见文献[4]，对特征点图像模板进行离散gabor 变换的gabor核函数如下：式中参数描述三角函数的波长,参数描述小波的方向性。

依david s. bolme 的取值对人脸图像的处理间隔4 个像素,即分别取{4 , ,8, , 16}；对的取值从0到π的区间分别取{0 ,π/ 8 ,2π/ 8 ,3π/ 8 ,4π/ 8 ,5π/ 8 ,6π/ 8 ,7π/ 8}共8个方向,π到2π区间的方向性由于小波的奇偶对称性而省去。

基于卷积神经网络的人脸识别技术研究人脸识别技术是一种通过计算机对人脸图像进行特征提取和匹配，从而实现自动识别身份的技术。

随着深度学习技术的发展，基于卷积神经网络（Convolutional Neural Network，CNN）的人脸识别技术在准确率和鲁棒性方面取得了重要突破。

基于卷积神经网络的人脸识别技术主要分为两个核心任务：人脸检测和人脸识别。

人脸检测是指在一张图像中找出所有人脸的位置和大小，而人脸识别则是将检测到的人脸与已知的人脸进行比对，从而确定身份。

首先，人脸检测是人脸识别技术的前置任务。

它的目标是在图像中找出所有人脸的位置和大小。

常用的方法有基于传统机器学习算法的人脸检测以及基于深度学习的人脸检测。

传统的机器学习方法需要手动设计特征和分类器，效果较差。

而基于深度学习的方法则能够自动提取高级特征，并通过卷积神经网络进行分类。

常用的深度学习模型包括YOLO（You Only Look Once）和SSD（Single Shot MultiBox Detector）等。

其次，人脸识别是在人脸检测的基础上对检测到的人脸进行特征提取和匹配。

卷积神经网络是一种能够自动学习特征的神经网络模型，特别适合用于人脸识别。

常用的卷积神经网络模型有VGGNet、ResNet和Inception等。

这些模型通过多层卷积和池化运算，将人脸图像转化为高维特征向量，再通过计算欧氏距离或余弦相似度等度量方法，与已知的人脸特征进行比对来判断身份。

同时，为了提高人脸识别的准确率，研究者还提出了一些优化方法。

例如数据增强（Data Augmentation）可以通过在图像上进行随机变换来增加训练样本的多样性，提高模型的泛化能力。

此外，损失函数的选择也对模型的性能有很大的影响。

常用的损失函数包括三元组损失（Triplet Loss）和中心损失（Center Loss）。

三元组损失通过最小化同一人脸的特征与不同人脸特征的距离，使得同一人脸特征向量相似度增大，不同人脸特征向量相似度减小；中心损失则通过最小化同一类别人脸特征的距离，使得同一类别人脸特征向量更加紧凑，不同类别人脸特征向量更加分散。