1、 基于BP神經網絡和RBF神經網絡的 人臉識別系統研究2022/10/2演示：楊 樂指導教師：谷立臣目錄摘要12RBF神經網絡設計4MATLAB仿真實驗5人臉識別系統簡述3BP神經網絡設計6總結摘要 近年來，人臉檢測和識別受到國內外學術界和企業界的廣泛關注，其主要原因是人臉檢測和識別在信息安全、訪問控制、金融支付、公安刑偵等方面有著廣泛應用。與其他傳統的身份識別方法相比，用人臉作為生物特征識別對象，具有穩定、便捷、不易偽造等優點，由于其非接觸性、非侵犯性，人們對這種技術沒有任何排斥心理，因而它是一種最友好的生物特征識別技術。 本文將采用 BP 神經網絡進行人臉識別，主要包括特征提取和神經網絡識

2、別兩大部分：從人臉圖像庫中選取一定數量的訓練圖像，用主成分分析法對其進行一定的預處理，并將得到的相關參數輸入到系統中，利用 MATLAB 實現BP神經網絡訓練及仿真。 關鍵詞：人臉識別；BP神經網絡；圖像檢測；MATLAB仿真 人臉識別系統簡述 人臉識別在基于生物特征識別技術的身份認證中是最主要的方法之一。基于人臉識別的自動身份認證具有重要的理論意義和應用價值，早在六七十年代就引起了研究者的強烈興趣，對人臉自動識別方法的研究已成為當前模式識別和人工智能領域的一個研究熱點。 雖然人類能夠很容易地識別人臉及其表情，但人臉的自動機器識別卻是一個極其復雜的課題。它的研究涉及到計算機圖形學、數字圖像處理

3、學、計算機視覺、模式識別、機器學習、感知科學、人工智能、計算智能等技術，人臉識別技術在近年來獲得大量的研究成果，并且正在逐步成熟。與指紋、掌紋、眼虹膜、聲音、簽名筆跡及DNA 等其它人體生物特征識別系統相比，人臉識別系統具有直接、友好、方便的特點，易于為使用者所接受。1.人臉識別系統架構各個模塊的具體功能如下示： 、圖像采集模塊 通過接口程序從攝像頭獲得視頻流信息，并在系統里進行動態顯示。再把從攝像頭獲得的同臺視頻流信息按幀的方式存儲為靜止的圖片，同時將其轉換成可讀的圖片信息進行保存，并且盡可能的過濾掉無用的信息，并將該位置信息進行反饋。、人臉檢測和分割模塊 將從圖像采集模塊得到的靜止圖像數據

4、作為原始圖像數據，利用器官分布規則、人臉輪廓規則、人臉對稱性和邊緣檢測方法對該圖像數據進行掃描，獲得具體的人臉圖像的位置；用直方圖均衡、中值濾波、幾何歸一化和灰度歸一化等方法處理上一步獲得的人臉圖像，處理后得到易于特征提取的標準人臉圖像； 將獲得的人臉圖像的灰度值信息傳送給特征提取模塊。 2. 輸入/輸出層的設計 本文選用典型的三層BP神經網絡，輸入層神經元個數由前端輸入的類特征數決定。特征的選取應保證最具有代表性、信息量大、冗余量小，并且要求在一定的干擾下，也能保持一定的不變性和適應性。基于這種要求，定位了13個特征點。對這組訓練樣本采用混合積分投影和邊緣檢測等技術定位眼睛、鼻子、嘴巴、眉毛

5、等部位，然后利用這些信息進行特征提取。 輸出層神經元數目即目標類別數，由人臉庫中的類別數目確定，若人臉數據庫的類別為M 個，則輸出層節點就取M。本文選用的ORL人臉數據庫中10個對象即10類模式，所以網絡輸出層神經元個數為10，也即最終能識別出10個目標人臉。 下圖3-2中所示的人臉的特征矢量，表 3.1 所示為實驗樣本特征數據 ，特征矢量數據的單位為象素。將表3.1 實驗樣本特征數據歸一化。因為圖像本身是 6464 象素，故在歸一化過程中直接將各特征向量除以 64，即得到落在(0,1)區間的值。 表3.1實驗樣本特征數據圖3-2 實驗樣本人臉的特征矢量3. 隱含層節點數及激活函數的選擇 增加

6、隱含層數目可以進一步降低誤差，提高識別準確度，但也會增大網絡復雜度和訓練時間，而誤差精度的提高也可通過增加隱含層節點數來實現，訓練效果比增加層數更容易觀測和調控。隱含層節點數的選擇沒有明確的限制，太少則易陷入局部最小，太多則會增大網絡冗余性。本文選取隱含層神經元個數為10。 本文的BP 神經網絡隱含層、輸出層激活函數都選用 tansig 函數，輸入到輸出的傳輸函數選擇常用的純線性傳遞函數purelin。此外，在本文的設計中，神經網絡學習速率、最大訓練次數以及目標誤差分別設置為0.05、10000 和 0.0001。 Matlab工具箱中提供的RBF網絡構造函數為newrbe(P，T，sprea

7、d)。其中 P、T 分別為訓練集的輸入、輸出向量；spread 為徑向基函數的寬度，此實驗取值1.0。RBF網絡的核心是隱含層設計，中心選取得是否恰當從根本上決定了RBF網絡的最終性能。newrbe()是一種非常優秀的RBF 神經網絡的構造和訓練算法，可以靜態地離線訓練，也可以動態地在線訓練。在網絡訓練階段，它可以同時進行參數和結構兩個過程的自適應調整，可自適應地增加RBF網絡隱含層單元數以達到目標誤差的要求，這比BP 網絡要有效得多。 MATLAB仿真實驗BP神經網絡MATLAB編程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);%隱含層神經元個數10，輸出層個數10（表示可以識別出10個人）net.trainparam.goal=0.0001;%誤差0.0001net.trainparam.epochs=10000;%學習次數10000net.trainparam.show=20;LP.lr=0.05;%學習率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神經網絡MATLAB編

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; %徑向基函數的寬度,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) 由仿真實驗結果可看出，spread取值越小，仿真結果越接近目標輸出，但是若spread取值過小，網絡在接近平滑函數時將導致神經元過多。spread越大，網絡逼近的函數越平滑，但spread過大將導致在逼近變化比較劇烈的函數時神經元過多。總結 由實驗結果可以看出，RBF