文档下载 文档下载导航
设为首页 | 加入收藏
搜索 请输入内容:  
 导航当前位置: 文档下载 > 所有分类 > 工程科技 > 信息与通信 > 基于主元分析和BP神经网络的人脸识别研究
侵权投诉

基于主元分析和BP神经网络的人脸识别研究

基于主元分析和BP神经网络的人脸识别研究

70 杭州电子科技大学学报 2005年训练样本的目标向量ti(1 i 210)的个数也为210个,向量ti的维数为人脸的类别数30,对每一个人脸类别赋予唯一的标号,例如如果第6个输出神经元的目标信号为1,其余输出神经元的目标信号为0,那么则认为待识别样本是第6个人。如果人脸的类别数增加,那么还可以相应地增加输出层神经元的个数。如果人脸的类别数较多,还可以对输出层的目标信号进行编码,以减少输出层神经元的个数。

在实验中,待识别的图像共有90幅,分别对这90幅图像加入强度不等的高斯噪声,高斯噪声的均值都为0,方差为coef(coef的取值分别为0、0.005、0.01、0.03和0.05),这样就构成了5组待识别样本。

为了说明BP神经网络作为分类器的分类性能,本文分别采用了最近邻距离法和BP神经网络方法进行人脸识别,识别结果如表1所示。

表1 最近邻距离法和BP神经网络法的识别结果比较

coef=0

coef=0.005

coef=0.01

coef=0.03

coef=0.05

最近邻距离法90.00%(9张误识)86.67%(12张误识)77.78%(20张误识)54.44%(41张误识)47.78%(47张误识)BP神经网络法96.67%(3张误识)88.89%(10张误识)82.22%(16张误识)65.56%(31张误识)57.78%(38张误识)从表1可以看出,采用BP神经网络作为分类器比常用的最近邻距离分类器在识别率上有了一定的提高。实验中发现,识别错误的测试样本一般与该人人脸的训练样本有较大的变化,然而BP神经网络之所以取得较高的识别率,这主要是由于BP神经网络在自适应性、抗噪声和抗畸变性上都有一定的优越性,这对于在不能进行特别预处理的情况下对人脸图像进行有效的识别而获得良好的识别效果是十分重要的,文中所提出的主元分析和神经网络相结合的方法在这个方面就得到了良好的效果。

神经网络虽然具有良好的自适应性,但它本身也存在着一些固有的缺陷,例如收敛速度较慢、先验参数较多并且有些参数的确定凭经验而定等,因此在一些方面仍有待做进一步的探索。

参考文献

[1] BrunelliR,PoggioT.Featurerecognition:featuresversustemplates[J].IEEETransactionsonPatternAnalysisandMachineIn

telligence,1993,15(10):1042-1052.

[2] LinSH,KungSY,LinLJ.Facerecognition/detectionbyprobabilisticdecision-basedneuralnetwork[J].IEEETransactions

onNeuralNetworks,1997,8(1):114-132.

[3] TurkM,PentlandA.Eigenfacesforrecognition[J].JournalofCognitiveNeuroscience,1991,3(1):71-86.

[4] 边肇祺,张学工.模式识别[M].北京:清华大学出版社,2000.223-227.

[5] 杨奕若,王煦法.利用主元分析与神经网络进行人脸识别[J].电子技术应用,1998,(3):21-22.

[6] 袁曾任.人工神经元网络及其应用[M].北京:清华大学出版社,1999.66-68.

[7] 杨建刚.人工神经网络实用教程[M].杭州:浙江大学出版社,2001.42-45.

[8] 戚德虎,康继昌.BP神经网络的设计[J].计算机工程与设计,1998,19(2):48-50.

AStudyofFaceRecognitionBased

onPrincipalComponentAnalysisandBPNeuralNetwork

HANKe1,WANGHui yuan2,ZHUXiu chang1

(1.Comm.&Info.Eng.Institute,NanjingUniv.ofPosts&Telecom.,JiangsuNanjing210003,China;

2.SchoolofInfo.Sci.andEng.,ShandongUniv.,ShandongJinan250100,China)

Abstract:Anapproachthatcombinesprincipalcomponentanalysis(PCA)withBPneuralnetworkisproposedandap pliedtohumanfacerecognitioninthispaper.PCAisemployedtoextractfacefeatures,andBPneuralnetworkisusedtoclassifytheextractedfeatures.ExperimentalresultsshowthattheproposedapproachperformsbetterthanconventionalPCA.Theproposedapproachhashigherrecognitionrate,strongeradaptabilityandbetterrobustnesstonoise.Keywords:facerecognition;neuralnetworks;principalcomponentanalysis;patternrecognition

上一页第4页

你可能喜欢

热门文档

相关文档

站点地图 | 文档上传 | 侵权投诉 | 手机版
本站所有资源均来自互联网,本站只负责收集和整理,均不承担任何法律责任,如有侵权等其它行为请联系我们.
文档下载 Copyright 2013 doc.guandang.net All Rights Reserved.  -  email