基于GA-BP神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別方法研究

崔向東，崔婧楠

(1 安徽和信科技發(fā)展有限責(zé)任公司,安徽　合肥　230001；

2 華南理工大學(xué)　計(jì)算機(jī)學(xué)院，廣東　廣州　510006)

?

基于GA-BP神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別方法研究

崔向東1，崔婧楠2

(1 安徽和信科技發(fā)展有限責(zé)任公司,安徽合肥230001；

2 華南理工大學(xué)計(jì)算機(jī)學(xué)院，廣東廣州510006)

摘要：針對(duì)傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)算法易陷入局部極小點(diǎn)、訓(xùn)練速度慢的問(wèn)題，文章用遺傳算法(Genetic Algorithm，GA)來(lái)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)全局尋優(yōu)和局部尋優(yōu)相結(jié)合，有效提高神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)性能和收斂性。實(shí)驗(yàn)結(jié)果表明，文章提出的方法訓(xùn)練速度快，克服其陷入局部最優(yōu)的缺點(diǎn)，具有很好的識(shí)別性能。

關(guān)鍵詞：特征提??；人臉識(shí)別； GA；BP神經(jīng)網(wǎng)絡(luò)

人臉識(shí)別是近些年模式識(shí)別領(lǐng)域的一個(gè)研究熱點(diǎn)[1]，與其他的生物特征識(shí)別方法相比，人臉識(shí)別具有快捷、自然、非侵犯性等優(yōu)點(diǎn)。人臉識(shí)別的這些良好特性，使其成為計(jì)算機(jī)視覺和模式識(shí)別領(lǐng)域的一個(gè)前沿課題[2]。特征提取和分類器的設(shè)計(jì)是人臉識(shí)別的關(guān)鍵環(huán)節(jié)。主要的人臉識(shí)別方法有[3]：基于K-L變換特征臉的識(shí)別方法、基于幾何特征的識(shí)別方法和基于神經(jīng)網(wǎng)絡(luò)的識(shí)別方法?；贙-L變換特征臉的識(shí)別方法是利用K-L 變換將高維空間進(jìn)行降維，該算法對(duì)不同的表情有一定的魯棒性，但需要大量的訓(xùn)練樣本。基于幾何特征的識(shí)別方法是通過(guò)提取人臉的幾何特征來(lái)進(jìn)行識(shí)別，但它忽略了局部細(xì)微特征從而造成部分信息丟失。傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)由于輸入輸出的映射關(guān)系復(fù)雜、權(quán)值和閾值的更新速度慢、每次迭代的步長(zhǎng)固定，局部搜索可能會(huì)使得實(shí)際問(wèn)題尋找不到全局最優(yōu)解，導(dǎo)致訓(xùn)練失敗，因此存在學(xué)習(xí)速度慢、局部收斂不理想的現(xiàn)象，影響其工作性能[4]。由于遺傳算法(Genetic Algorithm，GA)具有全局尋優(yōu)能力而BP神經(jīng)網(wǎng)絡(luò)具有局部尋優(yōu)能力，因此本文用GA來(lái)優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)全局尋優(yōu)和局部尋優(yōu)相結(jié)合，能有效提高神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)性能和收斂性。在ORL人臉數(shù)據(jù)庫(kù)上的實(shí)驗(yàn)表明，本文提出的方法具有很好的識(shí)別性能。

1基于GA-BP網(wǎng)絡(luò)的人臉識(shí)別

1.1特征提取

本文采取主成分分析(Principal Component Analysis，PCA)進(jìn)行特征提取，貢獻(xiàn)率取94%，經(jīng)過(guò)PCA特征提取后特征值個(gè)數(shù)為p=85。

1.2GA-BP優(yōu)化算法

GA-BP優(yōu)化算法的流程圖如圖1所示。

圖1遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)算法流程圖

(1)種群初始化

每個(gè)個(gè)體由各層的權(quán)值和閾值構(gòu)成，并按實(shí)數(shù)編碼方式對(duì)其進(jìn)行編碼。個(gè)體的長(zhǎng)度L如公式(1)所示。

L=im*hm+hm+hm*om+om

(1)

式(1)中，im為輸入層節(jié)點(diǎn)數(shù)，hm為隱含層節(jié)點(diǎn)數(shù)，om為輸出層節(jié)點(diǎn)數(shù)。

(2)適應(yīng)度函數(shù)

根據(jù)個(gè)體初始化后得到的數(shù)值串，將其分別賦予新建BP神經(jīng)網(wǎng)絡(luò)的各層權(quán)值和閾值，并使用這個(gè)網(wǎng)絡(luò)對(duì)輸入數(shù)據(jù)進(jìn)行預(yù)測(cè)，適應(yīng)度函數(shù)F如公式(2)所示。

(2)

式(2)中，oi(i=1,2,…,om)為預(yù)測(cè)輸出，yi(i=1,2，…,om)為目標(biāo)輸出，om為輸出層節(jié)點(diǎn)數(shù)，也是待分類類別數(shù)。

(3)選擇交叉操作

采用輪盤賭法進(jìn)行選擇操作，交叉的方法采用實(shí)數(shù)交叉。配對(duì)個(gè)體以交叉概率交換部分基因，形成兩個(gè)新個(gè)體。第k個(gè)染色體ak和第1個(gè)染色體a1在第j位置上交叉的方法如公式(3)所示。

(3)

式(3)中，b為0和1之間的隨機(jī)數(shù)。

(4)變異操作

本文使用實(shí)值變異，第i個(gè)個(gè)體的第j位基因aij進(jìn)行變異如公式(4)所示。

(4)

1.3GA-BP網(wǎng)絡(luò)的人臉識(shí)別

隨機(jī)抽取人臉庫(kù)中每個(gè)人的若干張圖像作為訓(xùn)練圖像，剩余的人臉圖像作為測(cè)試圖像，基于的GA-BP人臉識(shí)別方法的步驟如圖2所示。

圖2GA-BP網(wǎng)絡(luò)的人臉識(shí)別框圖

2實(shí)驗(yàn)結(jié)果及分析

2.1實(shí)驗(yàn)參數(shù)設(shè)定

種群規(guī)模選取20，交叉概率，變異概率，進(jìn)化迭代次數(shù)為50，神經(jīng)網(wǎng)絡(luò)輸入層節(jié)點(diǎn)數(shù)為85，隱含層節(jié)點(diǎn)數(shù)為120，輸出層的節(jié)點(diǎn)數(shù)為待分圖像的類別數(shù)，ORL庫(kù)包含40個(gè)人，故輸出節(jié)點(diǎn)數(shù)為40，目標(biāo)誤差goal為0.001。

為驗(yàn)證GA-BP算法的可行性和有效性，在ORL人臉庫(kù)上進(jìn)行了實(shí)驗(yàn)。由于訓(xùn)練和相應(yīng)的測(cè)試樣本都為隨機(jī)選擇，故每組實(shí)驗(yàn)均重復(fù)進(jìn)行10次，取實(shí)驗(yàn)結(jié)果的平均值作為最終結(jié)果。

2.2實(shí)驗(yàn)結(jié)果分析

ORL人臉庫(kù)由40個(gè)人、每人10幅圖像組成，每張照片的大小為112×92像素。照片是在不同時(shí)間、不同光照、不同面部遮掩物下獲得的，面部細(xì)節(jié)、姿勢(shì)和尺度有著不同程度的變化。為了驗(yàn)證算法的性能，依次隨機(jī)抽取每人的4、5、6、7、8幅圖像作為訓(xùn)練樣本，剩余部分作為測(cè)試樣本，進(jìn)行GA-BP神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)兩種算法之間的實(shí)驗(yàn)比較。實(shí)驗(yàn)結(jié)果如圖3、圖4所示。

圖3不同算法在ORL人臉庫(kù)上識(shí)別率對(duì)比

圖4不同算法在ORL人臉庫(kù)上訓(xùn)練時(shí)間對(duì)比

從圖3中可以看出，隨著訓(xùn)練樣本的增加，BP網(wǎng)絡(luò)和GA優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)的識(shí)別正確率都會(huì)提高。但是在相同的訓(xùn)練樣本數(shù)時(shí)，GA優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)比未優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)的識(shí)別正確率有較大提高。

從圖4中可以看出，在相同訓(xùn)練樣本條件下，GA優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時(shí)間比BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)間大為減少，且隨著訓(xùn)練樣本數(shù)的增加，訓(xùn)練時(shí)間的差距會(huì)變得更加明顯。

為了驗(yàn)證算法的收斂性能，隨機(jī)抽取每人的4幅圖像作為訓(xùn)練樣本，剩余部分作為測(cè)試樣本，進(jìn)行了GA-BP神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)兩種算法之間的訓(xùn)練步數(shù)實(shí)驗(yàn)比較。實(shí)驗(yàn)結(jié)果如下表所示。

兩種方法訓(xùn)練步數(shù)的對(duì)照表

算法收斂步數(shù)識(shí)別率BP神經(jīng)網(wǎng)絡(luò)121786.75%GA-BP40291.4167%

從表中可以看出，在實(shí)驗(yàn)參數(shù)相同的情況下，GA-BP的訓(xùn)練步數(shù)僅為BP神經(jīng)網(wǎng)絡(luò)的33.03%，收斂速度明顯提高。

綜上所述，利用遺傳算法來(lái)優(yōu)化BP 網(wǎng)絡(luò)的初始權(quán)值和閾值，并將最優(yōu)權(quán)值和閾值代入BP 神經(jīng)網(wǎng)絡(luò)中進(jìn)行樣本訓(xùn)練和識(shí)別，從而提高網(wǎng)絡(luò)訓(xùn)練速度，避免了在局部最優(yōu)解附近徘徊，能有效克服BP神經(jīng)網(wǎng)絡(luò)的缺陷，提高識(shí)別精度。

3結(jié)論

從以上實(shí)驗(yàn)結(jié)果可以看出，本文提出的GA-BP算法利用遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值進(jìn)行了優(yōu)化處理，從而克服了BP神經(jīng)網(wǎng)絡(luò)容易陷入局部極小點(diǎn)、訓(xùn)練速度慢的缺點(diǎn)，最終提高了人臉識(shí)別準(zhǔn)確率和收斂速度。

參考文獻(xiàn)：

[1]葉長(zhǎng)明，蔣建國(guó)，詹曙，等.基于三維人臉成像系統(tǒng)的復(fù)數(shù)域人臉識(shí)別方法[J].電子測(cè)量與儀器學(xué)報(bào)，2011，25(5)： 420—426.

[2]Jigar M P，Rathod D，Jadav J J.A Survey of Face Recognition approach[J].International Journal of Engineering Research and Applications (IJERA)，2013，3(1)： 632—635.

[3]周杰,盧春雨,張長(zhǎng)水，等.人臉自動(dòng)識(shí)別方法綜述[J].電子學(xué)報(bào),2000,4(4)：102—106.

[4]曾黃麟.智能計(jì)算[M].重慶：重慶大學(xué)出版社，2004：16-24.

(責(zé)任編輯：楊陽(yáng))

收稿日期：2016—03—23

作者簡(jiǎn)介：崔向東(1970—)，男，安徽合肥人，安徽和信科技發(fā)展有限責(zé)任公司工程師，研究方向：圖像處理和計(jì)算機(jī)應(yīng)用。

中圖分類號(hào)：TP 391.4

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1672—9536(2016)02—0030—03

Abstract：To solve the problem that traditional BP neural network algorithm is easily got stuck in local minima and with low training speed，this paper studies the optimization of BP neural network by using genetic algorithm，which successfully combine global and local optimization and effectively improve the learning ability and convergence of neural network.The experimental results show that the method introduced in this paper has the advantage of fast speed which avoids the network being stuck in local minima as well as good recognition performance.

Key words：feature extraction; face recognition; GA; BP neural network