基于BP神经网络的人脸识别方法研究.ppt

基于BP神经网络和RBF神经网络的
人脸识别系统研究
2018/3/18
演示:杨乐
指导教师:谷立臣
目录
摘要
1
2
RBF神经网络设计
4
MATLAB仿真实验
5
人脸识别系统简述
3
BP神经网络设计
6
总结
摘要
近年来,人脸检测和识别受到国内外学术界和企业界的广泛关注,其主要原因是人脸检测和识别在信息安全、访问控制、金融支付、公安刑侦等方面有着广泛应用。与其他传统的身份识别方法相比,用人脸作为生物特征识别对象,具有稳定、便捷、不易伪造等优点,由于其非接触性、非侵犯性,人们对这种技术没有任何排斥心理,因而它是一种最友好的生物特征识别技术。
本文将采用 BP 神经网络进行人脸识别,主要包括特征提取和神经网络识别两大部分:从人脸图像库中选取一定数量的训练图像,用主成分分析法对其进行一定的预处理,并将得到的相关参数输入到系统中,利用 MATLAB 实现BP神经网络训练及仿真。

关键词:人脸识别;BP神经网络;图像检测;MATLAB仿真
人脸识别系统简述
人脸识别在基于生物特征识别技术的身份认证中是最主要的方法之一。基于人脸识别的自动身份认证具有重要的理论意义和应用价值,早在六七十年代就引起了研究者的强烈兴趣,对人脸自动识别方法的研究已成为当前模式识别和人工智能领域的一个研究热点。
虽然人类能够很容易地识别人脸及其表情,但人脸的自动机器识别却是一个极其复杂的课题。它的研究涉及到计算机图形学、数字图像处理学、计算机视觉、模式识别、机器学****感知科学、人工智能、计算智能等技术,人脸识别技术在近年来获得大量的研究成果,并且正在逐步成熟。与指纹、掌纹、眼虹膜、声音、签名笔迹及DNA 等其它人体生物特征识别系统相比,人脸识别系统具有直接、友好、方便的特点,易于为使用者所接受。

各个模块的具体功能如下示:
、图像采集模块
通过接口程序从摄像头获得视频流信息,并在系统里进行动态显示。再把从摄像头获得的同台视频流信息按帧的方式存储为静止的图片,同时将其转换成可读的图片信息进行保存,并且尽可能的过滤掉无用的信息,并将该位置信息进行反馈。
、人脸检测和分割模块
将从图像采集模块得到的静止图像数据作为原始图像数据,利用器官分布规则、人脸轮廓规则、人脸对称性和边缘检测方法对该图像数据进行扫描,获得具体的人脸图像的位置;用直方图均衡、中值滤波、几何归一化和灰度归一化等方法处理上一步获得的人脸图像,处理后得到易于特征提取的标准人脸图像; 将获得的人脸图像的灰度值信息传送给特征提取模块。
各个模块的具体功能如下示:
、特征提取与选择模块
该模块的数据输入是从人脸检测与分割阶段获得的人脸图像的灰度值信息。特征提取与选择模块将人脸检测与分割阶段获得的人脸图像的灰度值信息转化到特征空间,并有效降低特征空间的维数,并将该数据传送到人脸识别模块,以供该模块进行人脸的识别。
④、人脸识别模块
人脸识别模块的主要功能是将获得的特征值信息和模板数据库中的特征值信息进行比较,从而找到一个和待识别人脸最相似的人脸信息并输出该图像。本模块采用 BP 神经网络对人脸样本进行训练,最终对待识别人脸图像提供识别功能。
2. 输入/输出层的设计
本文选用典型的三层BP神经网络,输入层神经元个数由前端输入的类特征数决定。特征的选取应保证最具有代表性、信息量大、冗余量小,并且要求在一定的干扰下,也能保持一定的不变性和适应性。基于这种要求,定位了13个特征点。对这组训练样本采用混合积分投影和边缘检测等技术定位眼睛、鼻子、嘴巴、眉毛等部位,然后利用这些信息进行特征提取。

输出层神经元数目即目标类别数,由人脸库中的类别数目确定,若人脸数据库的类别为M 个,则输出层节点就取M。本文选用的ORL人脸数据库中10个对象即10类模式,所以网络输出层神经元个数为10,也即最终能识别出10个目标人脸。