BP神經(jīng)網(wǎng)絡(luò)在人臉識(shí)別中的應(yīng)用研究

摘 要：本文介紹了一種BP神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別系統(tǒng)的設(shè)計(jì)方法。該設(shè)計(jì)利用前向多層神經(jīng)網(wǎng)絡(luò)的反向傳播算法，即BP算法，采用MATLAB軟件建立了用于人臉識(shí)別的BP神經(jīng)網(wǎng)絡(luò)，并利用大量的人臉特征數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，使神經(jīng)網(wǎng)絡(luò)能分辨出不同的人臉特征。實(shí)驗(yàn)結(jié)果表明，用這種方法進(jìn)行人臉識(shí)別有較好的效果。

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)；人臉識(shí)別；MATLAB

中圖分類號(hào)：TP391

隨著科技的發(fā)展，對(duì)人臉識(shí)別技術(shù)的發(fā)展要求越來(lái)越迫切，如（1）在企業(yè)、住宅安全和管理方面，要求實(shí)現(xiàn)人臉識(shí)別門(mén)禁考勤系統(tǒng)，人臉識(shí)別防盜門(mén)等。（2）在公安、司法和刑偵方面，利用人臉識(shí)別，在全國(guó)范圍內(nèi)搜捕逃犯。（3）在銀行的自動(dòng)提款機(jī)中，如果應(yīng)用人臉識(shí)別就會(huì)避免由于用戶卡片和密碼被盜。（4）在電子商務(wù)交易過(guò)程中，如果使用人臉識(shí)別實(shí)現(xiàn)當(dāng)事人在網(wǎng)上的數(shù)字身份和真實(shí)身份統(tǒng)一，便增加了電子商務(wù)的可靠性。而人臉識(shí)別的軟件系統(tǒng)開(kāi)發(fā)，是聯(lián)系理論和實(shí)踐的最重要的環(huán)節(jié)，因此實(shí)現(xiàn)人臉識(shí)別系統(tǒng)的開(kāi)發(fā)應(yīng)用越來(lái)越重要。

1 BP網(wǎng)絡(luò)的概述

1.1 BP神經(jīng)網(wǎng)絡(luò)的定義。前饋多層神經(jīng)網(wǎng)絡(luò)廣泛的應(yīng)用于模式識(shí)別與分類、控制、預(yù)測(cè)、圖像處理等問(wèn)題，是當(dāng)今社會(huì)應(yīng)用最廣、發(fā)展最快的人工神經(jīng)網(wǎng)絡(luò)之一。由于此神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)權(quán)值閾值的確定常采用誤差反向傳播算法（Back Propagation，簡(jiǎn)稱作BP算法），所以通常稱這種前饋網(wǎng)絡(luò)為BP網(wǎng)絡(luò)。典型的BP網(wǎng)絡(luò)是三層網(wǎng)絡(luò)，包括輸入層、隱含層和輸出層。各層之間實(shí)行全連接，而其中隱含層可以是一層，也可以是多層（如圖1）。

圖1 單隱含層的BP網(wǎng)絡(luò)結(jié)構(gòu)

BP網(wǎng)絡(luò)的學(xué)習(xí)由四個(gè)過(guò)程組成，即：（1）輸入模式：輸入層經(jīng)隱含層向輸出層的“模式順傳播”過(guò)程；（2）網(wǎng)絡(luò)的理論輸出與網(wǎng)絡(luò)實(shí)際輸出之差的誤差信號(hào)：由輸出層經(jīng)隱含層向輸入層逐層修正連接權(quán)的“誤差逆?zhèn)鞑ァ边^(guò)程；（3）由“模式順傳播”與“誤差逆?zhèn)鞑ァ钡姆磸?fù)交替進(jìn)行的網(wǎng)絡(luò)“記憶訓(xùn)練”過(guò)程；（4）網(wǎng)絡(luò)趨向收斂即網(wǎng)絡(luò)的全局誤差趨向極小值的“學(xué)習(xí)收斂”過(guò)程。簡(jiǎn)言之，就是由“模式順傳播”→“誤差逆?zhèn)鞑ァ薄坝洃浻?xùn)練”→“學(xué)習(xí)收斂”的過(guò)程。傳遞函數(shù)一般為（0，1）S型函數(shù) 。BP網(wǎng)絡(luò)隱層中的神經(jīng)元均采用S型交換函數(shù)，輸出層則采用純線性變換函數(shù)。

1.2 BP網(wǎng)絡(luò)的算法。BP算法可描述為大致五步：（1）初始化各權(quán)值為較小的隨機(jī)值；（2）選取訓(xùn)練集；（3）根據(jù)輸入計(jì)算理論輸出；（4）調(diào)節(jié)輸出層和隱含層的連接權(quán)值；（5）返回第二步反復(fù)訓(xùn)練網(wǎng)絡(luò)直至誤差理想為止。

其流程圖如圖2：

圖2 神經(jīng)網(wǎng)絡(luò)算法流程圖

2 BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)人臉識(shí)別

2.1 設(shè)計(jì)思路。本設(shè)計(jì)采用50幅圖像（10個(gè)人每人5幅）作為訓(xùn)練圖像，應(yīng)用主成分分析對(duì)訓(xùn)練圖像進(jìn)行二階相關(guān)和降維，提取訓(xùn)練圖像的獨(dú)立基成分構(gòu)造人臉子空間，并將訓(xùn)練集中的人臉圖像向獨(dú)立基上投影得到的系數(shù)輸入改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。然后將待識(shí)別的人臉圖像向獨(dú)立基上投影得到投影系數(shù)，再將其輸入已訓(xùn)練過(guò)的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別。設(shè)計(jì)結(jié)構(gòu)如圖3。

圖3 人臉識(shí)別系統(tǒng)結(jié)構(gòu)

2.2 BP網(wǎng)絡(luò)的創(chuàng)建和初始化。因網(wǎng)絡(luò)的輸入矢量與輸出矢量相差較大，為了減少網(wǎng)絡(luò)的訓(xùn)練誤差，在建立網(wǎng)絡(luò)之前要對(duì)輸入矢量進(jìn)行歸一化。這里我們利用premnmx函數(shù)把輸入初始化在[-1，1]之間。程序代碼如下：

p=premnmx（p'）'；

t=[1000；1000；1000；1000；1000；0100；0100；0100；0100；0100；

0010；0010；0010；0010；0010；0001；0001；0001；0001；0001]'

2.3 訓(xùn)練神經(jīng)網(wǎng)絡(luò)。本設(shè)計(jì)的方法如下：

%設(shè)計(jì)神經(jīng)網(wǎng)路

[prow pcol]=size（p）；

num=prow*pcol；%提取p中元素個(gè)數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入層神經(jīng)元個(gè)數(shù)

net=newff（minmax（p），[num，10，4]，{'tansig'，'tansig'，'purelin'}，'traingda'）；%隱層神經(jīng)元個(gè)數(shù)為10，輸出層神經(jīng)元個(gè)數(shù)為4，4表示識(shí)別出人

net.trainParam.show=200；%顯示速率為200

net.trainParam.lr=0.01；%學(xué)習(xí)率為0.01

net.trainParam.epochs=5000；%迭代次數(shù)不超5000

net.trainParam.goal=0.001；%訓(xùn)練誤差為0.001

[net，tr]=train（net，p，t）；

網(wǎng)絡(luò)的訓(xùn)練函數(shù)有很多種，如trainlm，其中traingd學(xué)習(xí)算法是一般的剃度下降法；traingdx學(xué)習(xí)算法是剃度下降動(dòng)量法，學(xué)習(xí)速率是自適應(yīng)的。Trainlm的學(xué)習(xí)算法為L(zhǎng)evenberg-Marquadt反傳算法，該訓(xùn)練函數(shù)的優(yōu)點(diǎn)在于收斂速度很快。本設(shè)計(jì)選用的訓(xùn)練函數(shù)為traingdx，在網(wǎng)絡(luò)達(dá)到起訓(xùn)練誤差要求時(shí)會(huì)自動(dòng)停止，節(jié)省訓(xùn)練時(shí)間。訓(xùn)練過(guò)程中為了得到較小的誤差，可以增加訓(xùn)練次數(shù)。

2.4 系統(tǒng)的性能評(píng)估。為了測(cè)試設(shè)計(jì)的網(wǎng)絡(luò)模式識(shí)別系統(tǒng)的可靠性，這里用50幅圖像輸入樣本，來(lái)觀察其輸出結(jié)果。通過(guò)程序演示，基本可以識(shí)別出不同的人臉特征。如果要提高精度，可以延長(zhǎng)網(wǎng)絡(luò)的訓(xùn)練時(shí)間，或者是將網(wǎng)絡(luò)隱含層的神經(jīng)元數(shù)目增多。為了測(cè)試系統(tǒng)，可提取幾取幾幅人臉圖片數(shù)據(jù)，然后把它們輸入到網(wǎng)絡(luò)中，觀察其得到的輸出，并進(jìn)行誤差分析。

3 結(jié)束語(yǔ)

本設(shè)計(jì)是利用BP算法，以MATLAB軟件作為工具手段，建立人臉識(shí)別的BP神經(jīng)網(wǎng)絡(luò)，且利用50副人臉圖像數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)，使神經(jīng)網(wǎng)絡(luò)能辨別出人臉信息。結(jié)果說(shuō)明，本設(shè)計(jì)在人臉識(shí)別方面有比較好的優(yōu)勢(shì)。

在本設(shè)計(jì)中，使用了不人臉圖像數(shù)據(jù)作為輸入來(lái)訓(xùn)練網(wǎng)絡(luò)，提高了整個(gè)網(wǎng)絡(luò)容錯(cuò)的能力，這樣更適合在實(shí)際環(huán)境中使用。

參考文獻(xiàn)：

[1]藺廣逢，繁引娣，張媛.主成分分析與BP神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別方法研究[J].現(xiàn)代電子技術(shù)，2007（02）.

[2]MartinT.Hag，Howard B.Demuth. Neural Network Design Original[M].PSW publishing company.

[3]張威.MATLAB基礎(chǔ)與編程入門(mén)[M].西安：西安電子科技大學(xué)出版社，2004.

[4]叢爽.面向MATLAB工具箱的神經(jīng)網(wǎng)絡(luò)理論與應(yīng)用[M].合肥：中國(guó)科學(xué)技術(shù)大學(xué)出版社，2003.

作者簡(jiǎn)介：馮玉涵（1985-），女，河南信陽(yáng)人，學(xué)士學(xué)位，助教，研究方向：電子信息。

作者單位：信陽(yáng)農(nóng)林學(xué)院 計(jì)算機(jī)科學(xué)系，河南信陽(yáng) 464000