基于BP神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別算法的實(shí)現(xiàn)

龔成清

摘要：人臉識(shí)別技術(shù)是當(dāng)前進(jìn)行身份識(shí)別的研究熱點(diǎn)，已廣泛應(yīng)用在社會(huì)的各個(gè)領(lǐng)域。BP神經(jīng)網(wǎng)絡(luò)算法可以通過(guò)自動(dòng)學(xué)習(xí)對(duì)網(wǎng)絡(luò)的權(quán)值和偏差進(jìn)行反復(fù)的調(diào)整訓(xùn)練，從而輸出最優(yōu)值。對(duì)圖像進(jìn)行預(yù)處理和特征提取后，利用BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行學(xué)習(xí)和訓(xùn)練，可以有效地進(jìn)行人臉圖像的識(shí)別。

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

1概述

人臉識(shí)別技術(shù)的研究始于20世紀(jì)60年代，是基于人的臉部特征信息進(jìn)行身份識(shí)別的一種生物識(shí)別技術(shù)。人臉識(shí)別是一個(gè)綜合性的工程，涉及圖像處理、機(jī)器視覺(jué)、模式識(shí)別、神經(jīng)網(wǎng)絡(luò)等諸多學(xué)科。人臉識(shí)別技術(shù)具有非強(qiáng)制性、非接觸性、隱蔽性、直觀性等特點(diǎn)，有著廣泛的應(yīng)用前景，已經(jīng)在金融、軍事、教育、醫(yī)療等多個(gè)領(lǐng)域得到了良好的應(yīng)用。

人臉識(shí)別一般包含四個(gè)步驟：人臉圖像檢測(cè)、人臉圖像預(yù)處理、人臉圖像特征提取以及匹配與識(shí)別。許多學(xué)者也對(duì)人臉識(shí)別的算法進(jìn)行了研究，歸納起來(lái)可以分為以下幾種：基于人臉特征點(diǎn)的識(shí)別算法、基于整幅人臉圖像的識(shí)別算法、基于模板的識(shí)別算法和利用神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別的算法。利用神經(jīng)網(wǎng)絡(luò)進(jìn)行人臉識(shí)別是通過(guò)神經(jīng)網(wǎng)絡(luò)的訓(xùn)練學(xué)習(xí)，得到相應(yīng)的識(shí)別函數(shù)關(guān)系，從而進(jìn)行識(shí)別?；谏窠?jīng)網(wǎng)絡(luò)的人臉識(shí)別算法能并行地進(jìn)行信息的存儲(chǔ)與處理，具有算法簡(jiǎn)單、運(yùn)行速度快等優(yōu)點(diǎn)。

2BP神經(jīng)網(wǎng)絡(luò)

BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)最初是在1986年由D.E.Ru-melhart和J.L.Mc Celland首先提出來(lái)的，是目前應(yīng)用最廣泛的人工神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)包括輸入層、隱藏層和輸出層，如圖1所示：

設(shè)x為輸入值，y為輸出值，i為上一層神經(jīng)元，i為當(dāng)前層神經(jīng)元，k為下一層神經(jīng)元，w為神經(jīng)元i與神經(jīng)元i之間的權(quán)值，m是輸入層節(jié)點(diǎn)數(shù)目，n為計(jì)算的次數(shù)。當(dāng)i=0時(shí)，權(quán)值為閾值。BP神經(jīng)網(wǎng)絡(luò)算法的計(jì)算過(guò)程如下：

（1）初始化

選擇網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，設(shè)置權(quán)值和閾值，確定學(xué)習(xí)因子a；

（2）正向計(jì)算

對(duì)p層的神經(jīng)元i，計(jì)算線性組合系數(shù)：

3基于BP神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別算法

3.1人臉圖像檢測(cè)

人臉圖像檢測(cè)就是對(duì)輸入圖像中進(jìn)行判斷是否包含人臉，如果有，則給出人臉的位置、大小等信息，并將人臉區(qū)域從背景中分離出來(lái)。人臉圖像中包含的模式特征十分豐富，如顏色特征、結(jié)構(gòu)特征、直方圖特征等，現(xiàn)行已經(jīng)有很多檢測(cè)的成熟算法，在此不再贅述。為簡(jiǎn)單起見(jiàn)，本文直接使用ORL數(shù)據(jù)庫(kù)中的人臉圖像。

3.2人臉圖像預(yù)處理

由于原始圖像在生成、傳輸?shù)冗^(guò)程中會(huì)受到各種條件的限制和隨機(jī)干擾，因此在進(jìn)行人臉識(shí)別之前必須對(duì)圖像進(jìn)行灰度校正、噪聲過(guò)濾等圖像預(yù)處理。預(yù)處理的目的是消除噪聲及冗余信息的干擾，降低環(huán)境因素對(duì)圖像的影響，突出圖像的重要信息。

一般的做法是先將原始圖像轉(zhuǎn)換成為灰度矩陣，matlab關(guān)鍵代碼如下：

for i=1：n%n為圖片數(shù)量

e=[d dir（i，1：7）]；%得到每張圖片的文件名

M=double（imread（e））；%將圖片轉(zhuǎn)化成為灰度矩陣

end

3.3人臉圖像特征提取

原始圖像轉(zhuǎn)換為灰度圖像后，其所包含的數(shù)據(jù)量還是比較大的，若直接對(duì)其進(jìn)行計(jì)算，則計(jì)算量會(huì)非常的大，因此需要對(duì)灰度圖像進(jìn)一步處理來(lái)提取其特征值。圖像進(jìn)行特征提取，使用提取的特征信息來(lái)進(jìn)行人臉的分類，常用于表述人臉的幾何特征包括：①眉毛的厚度，眉毛與眼睛之間的垂直距離；②眉毛弧度的11個(gè)描述參數(shù)；③鼻子的寬度，鼻子的垂直位置④嘴巴寬度、上下嘴唇的厚度、嘴巴的垂直距離；⑤下巴形狀的描述參數(shù)⑥鼻孔位置的臉寬⑦鼻孔與眼睛中間位置的臉寬。

人臉特征提取的方法歸納起來(lái)分為兩大類：一種是基于知識(shí)的表征方法；另外一種是基于代數(shù)特征或統(tǒng)計(jì)學(xué)習(xí)的表征方法?；谥R(shí)幾何特征的提取在很大程度上依賴于先驗(yàn)知識(shí)，具有較大的局限性和不準(zhǔn)確性，基于統(tǒng)計(jì)學(xué)習(xí)的方法用統(tǒng)計(jì)的策略提取所有訓(xùn)練圖像的統(tǒng)計(jì)特征，不需要抽取每個(gè)人臉的面部特征，會(huì)更有效，因此成為了目前主流的方法。

人臉特征提取不管用哪種方法思路都是將圖像劃分為小的區(qū)域，由高維空間的表示變換到用低維空間來(lái)表示，通過(guò)添加處理選取低維空間中最能表現(xiàn)圖像特征的數(shù)據(jù)來(lái)表示圖像，從而達(dá)到降低特征維數(shù)的目的。

本文對(duì)經(jīng)過(guò)預(yù)處理的灰度圖像進(jìn)行變換，對(duì)灰度矩陣進(jìn)行切割，再用SVD分解，并提取圖片特征。若把原始圖像劃分為16塊小矩陣，關(guān)鍵代碼如下：

3.4人臉圖像匹配與識(shí)別

經(jīng)過(guò)圖像灰度預(yù)處理、特征提取之后，就需要設(shè)計(jì)一個(gè)算法對(duì)輸入的特征進(jìn)行分類，實(shí)現(xiàn)人臉的識(shí)別。人臉識(shí)別就是將待識(shí)別的人臉特征與已得到的人臉特征模板進(jìn)行比較，根據(jù)相似程度對(duì)人臉的身份信息進(jìn)行判斷。

使用BP神經(jīng)網(wǎng)絡(luò)對(duì)人臉進(jìn)行識(shí)別，需要先創(chuàng)建神經(jīng)網(wǎng)絡(luò)，具體代碼如下：

4實(shí)驗(yàn)結(jié)果

運(yùn)用以上算法，對(duì)ORL數(shù)據(jù)庫(kù)中的400張人臉圖像進(jìn)行了識(shí)別，所有的人臉圖像均為正臉，帶有一定程度的朝上下左右的偏轉(zhuǎn)或傾斜，有相似的黑暗同質(zhì)背景。我們把圖像分為沒(méi)有重疊的、相同大小的訓(xùn)練集和測(cè)試集。每個(gè)類別隨機(jī)的選取5幅圖像作為訓(xùn)練集，5幅歸為測(cè)試集。實(shí)驗(yàn)結(jié)果表明，算法可以準(zhǔn)確進(jìn)行人臉的識(shí)別，識(shí)別率達(dá)到了100%。