基于PCA和BP神经网络的人脸识别方法.doc

基于PCA和BP神经网络的人脸识别方法 摘要：基于PCA 和BP 神经网络的人脸识别方法是针对PCA 方法中存在的问题和它对未训练过的样本识别率低的缺点而提出的。该方法在预处理的基础上，利用PCA处理人脸特征，提取其中分类能力强的特征，实现在识别精度不变的情况下，有效的去除冗余信息；然后将约简后的属性输入到神经网络进行规则提取，利用神经网络非线性映射和并行处理的特点，增强对人脸图像识别的泛化能力。实验证明，使用该方法在识别率上有一定的提高。 关键词：人类识别、BP神经网络、PCA、特征提取 引言 人脸识别特指利用分析比较人脸视觉特征信息进行身份鉴别的计算机技术。人脸识别是一项热门的计算机技术研究领域，可以将人脸明暗侦测，自动调整动态曝光补偿，人脸追踪侦测，自动调整影像放大；它属于生物特征识别技术，是对生物体（一般特指人）本身的生物特征来区分生物体个体。PCA）、Fisher 脸方法、奇异值分解方法、神经网络方法和支持向量机等，这些方法中影响较大的是Turk 和Pentland 提出的特征脸(Eigen Face)方法即PCA 方法。PCA是基于主元分析的特征提取，把所有的不同人脸的样本放在一起提取，以所有人的人脸样本最优重建为目的。因此，对于人脸样本之间的差异而言它存在着明显的缺陷，从这方面讲它来描述人脸识别的特征是不充分的。而且它对未训练过的样本识别率较低，所以我们可提出一种基于PCA 和BP 神经网络的人脸识别方法。 1、系统设计的基本原理 PCA的基本原理 主成分分析 （ Principal Component Analysis ， PCA ）或者主元分析。是一种掌握事物主要矛盾的统计分析方法，它可以从多元事物中解析出主要影响因素，揭示事物的本质，简化复杂的问题。计算主成分的目的是将高维数据投影到较低维空间。给定 n 个变量的 m 个观察值，形成一个 n ′ m 的数据矩阵， n 通常比较大。对于一个由多个变量描述的复杂事物，人们难以认识，那么是否可以抓住事物主要方面进行重点分析呢？如果事物的主要方面刚好体现在几个主要变量上，我们只需要将这几个变量分离出来，进行详细分析。但是，在一般情况下，并不能直接找出这样的关键变量。这时我们可以用原有变量的线性组合来表示事物的主要方面， PCA 就是这样一种分析方法。举例子对于一个训练集，100个对象模板，特征是10维，那么它可以建立一个100*10的矩阵，作为样本。求这个样本的协方差矩阵，得到一个10*10的协方差矩阵，然后求出这个协方差矩阵的特征值和特征向量，应该有10个特征值和特征向量，我们根据特征值的大小，取前四个特征值所对应的特征向量，构成一个10*4的矩阵，这个矩阵就是我们要求的特征矩阵，100*10的样本矩阵乘以这个10*4的特征矩阵，就得到了一个100*4的新的降维之后的样本矩阵，每个特征的维数下降了。当给定一个测试的特征集之后，比如1*10维的特征，乘以上面得到的10*4的特征矩阵，便可以得到一个1*4的特征，用这个特征去分类。 所以做PCA实际上是求得这个投影矩阵，用高维的特征乘以这个投影矩阵，便可以将高维特征的维数下降到指定的维数。 BP（Back Propagation）网络是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层（input）、隐层(hide layer)和输出层(output layer)。BP 神经网络是采用有教师学习算法的典型的多层前向神经网络。它具有强大的计算能力，能通过训练掌握学习样本蕴含的输入输出映射关系，在分类和预测当中都有着广泛的应用。 图1单层前馈网络 图2多层前馈网络 2、系统设计思路 （1）采用PCA+最邻近分类器来演示一个简单的人脸识别系统。 （2）采用PCA+最邻近分类器针对ORL人脸数据库计算其识别率。 （3）采用PCA+BP神经网络针对ORL人脸数据库来探索PCA维数，BP神经网络各参数对人脸识别率的影响。 本设计主要介绍第三种设计方法，选取影响较大的特征脸方法，即PCA 人脸识别方法进行研究，针对特征脸方法提取出的特征维数过高和姿态变化时泛化能力不强的缺点，提出一种PCA和神经网络相结合的人脸识别方法。该方法首先，运用PCA 方法对人脸图像进行特征提取；然后，对PCA 方法提取的特征按照属性重要度的大小进一步进行约简，只保留那些属性重要度比较大的属性；最后，将提取出的最终人脸特征输入神经网络进行训练和识别。 图3 PC