摘 要：本文介紹了一種BP神經(jīng)網(wǎng)絡的人臉識別系統(tǒng)的設計方法。該設計利用前向多層神經(jīng)網(wǎng)絡的反向傳播算法，即BP算法，采用MATLAB軟件建立了用于人臉識別的BP神經(jīng)網(wǎng)絡，并利用大量的人臉特征數(shù)據(jù)訓練神經(jīng)網(wǎng)絡，使神經(jīng)網(wǎng)絡能分辨出不同的人臉特征。實驗結(jié)果表明，用這種方法進行人臉識別有較好的效果。

關鍵詞：BP神經(jīng)網(wǎng)絡；人臉識別；MATLAB

中圖分類號：TP391

隨著科技的發(fā)展，對人臉識別技術的發(fā)展要求越來越迫切，如（1）在企業(yè)、住宅安全和管理方面，要求實現(xiàn)人臉識別門禁考勤系統(tǒng)，人臉識別防盜門等。（2）在公安、司法和刑偵方面，利用人臉識別，在全國范圍內(nèi)搜捕逃犯。（3）在銀行的自動提款機中，如果應用人臉識別就會避免由于用戶卡片和密碼被盜。（4）在電子商務交易過程中，如果使用人臉識別實現(xiàn)當事人在網(wǎng)上的數(shù)字身份和真實身份統(tǒng)一，便增加了電子商務的可靠性。而人臉識別的軟件系統(tǒng)開發(fā)，是聯(lián)系理論和實踐的最重要的環(huán)節(jié)，因此實現(xiàn)人臉識別系統(tǒng)的開發(fā)應用越來越重要。

1 BP網(wǎng)絡的概述

1.1 BP神經(jīng)網(wǎng)絡的定義。前饋多層神經(jīng)網(wǎng)絡廣泛的應用于模式識別與分類、控制、預測、圖像處理等問題，是當今社會應用最廣、發(fā)展最快的人工神經(jīng)網(wǎng)絡之一。由于此神經(jīng)網(wǎng)絡的網(wǎng)絡權值閾值的確定常采用誤差反向傳播算法（Back Propagation，簡稱作BP算法），所以通常稱這種前饋網(wǎng)絡為BP網(wǎng)絡。典型的BP網(wǎng)絡是三層網(wǎng)絡，包括輸入層、隱含層和輸出層。各層之間實行全連接，而其中隱含層可以是一層，也可以是多層（如圖1）。

圖1 單隱含層的BP網(wǎng)絡結(jié)構(gòu)

BP網(wǎng)絡的學習由四個過程組成，即：（1）輸入模式：輸入層經(jīng)隱含層向輸出層的“模式順傳播”過程；（2）網(wǎng)絡的理論輸出與網(wǎng)絡實際輸出之差的誤差信號：由輸出層經(jīng)隱含層向輸入層逐層修正連接權的“誤差逆?zhèn)鞑ァ边^程；（3）由“模式順傳播”與“誤差逆?zhèn)鞑ァ钡姆磸徒惶孢M行的網(wǎng)絡“記憶訓練”過程；（4）網(wǎng)絡趨向收斂即網(wǎng)絡的全局誤差趨向極小值的“學習收斂”過程。簡言之，就是由“模式順傳播”→“誤差逆?zhèn)鞑ァ薄坝洃浻柧殹薄皩W習收斂”的過程。傳遞函數(shù)一般為（0，1）S型函數(shù) 。BP網(wǎng)絡隱層中的神經(jīng)元均采用S型交換函數(shù)，輸出層則采用純線性變換函數(shù)。

1.2 BP網(wǎng)絡的算法。BP算法可描述為大致五步：（1）初始化各權值為較小的隨機值；（2）選取訓練集；（3）根據(jù)輸入計算理論輸出；（4）調(diào)節(jié)輸出層和隱含層的連接權值；（5）返回第二步反復訓練網(wǎng)絡直至誤差理想為止。

其流程圖如圖2：

圖2 神經(jīng)網(wǎng)絡算法流程圖

2 BP神經(jīng)網(wǎng)絡實現(xiàn)人臉識別

2.1 設計思路。本設計采用50幅圖像（10個人每人5幅）作為訓練圖像，應用主成分分析對訓練圖像進行二階相關和降維，提取訓練圖像的獨立基成分構(gòu)造人臉子空間，并將訓練集中的人臉圖像向獨立基上投影得到的系數(shù)輸入改進的BP神經(jīng)網(wǎng)絡進行訓練。然后將待識別的人臉圖像向獨立基上投影得到投影系數(shù)，再將其輸入已訓練過的BP神經(jīng)網(wǎng)絡進行識別。設計結(jié)構(gòu)如圖3。

圖3 人臉識別系統(tǒng)結(jié)構(gòu)

2.2 BP網(wǎng)絡的創(chuàng)建和初始化。因網(wǎng)絡的輸入矢量與輸出矢量相差較大，為了減少網(wǎng)絡的訓練誤差，在建立網(wǎng)絡之前要對輸入矢量進行歸一化。這里我們利用premnmx函數(shù)把輸入初始化在[-1，1]之間。程序代碼如下：

p=premnmx（p'）'；

t=[1000；1000；1000；1000；1000；0100；0100；0100；0100；0100；

0010；0010；0010；0010；0010；0001；0001；0001；0001；0001]'

2.3 訓練神經(jīng)網(wǎng)絡。本設計的方法如下：

%設計神經(jīng)網(wǎng)路

[prow pcol]=size（p）；

num=prow*pcol；%提取p中元素個數(shù)作為神經(jīng)網(wǎng)絡的輸入層神經(jīng)元個數(shù)

net=newff（minmax（p），[num，10，4]，{'tansig'，'tansig'，'purelin'}，'traingda'）；%隱層神經(jīng)元個數(shù)為10，輸出層神經(jīng)元個數(shù)為4，4表示識別出人

net.trainParam.show=200；%顯示速率為200

net.trainParam.lr=0.01；%學習率為0.01

net.trainParam.epochs=5000；%迭代次數(shù)不超5000

net.trainParam.goal=0.001；%訓練誤差為0.001

[net，tr]=train（net，p，t）；

網(wǎng)絡的訓練函數(shù)有很多種，如trainlm，其中traingd學習算法是一般的剃度下降法；traingdx學習算法是剃度下降動量法，學習速率是自適應的。Trainlm的學習算法為Levenberg-Marquadt反傳算法，該訓練函數(shù)的優(yōu)點在于收斂速度很快。本設計選用的訓練函數(shù)為traingdx，在網(wǎng)絡達到起訓練誤差要求時會自動停止，節(jié)省訓練時間。訓練過程中為了得到較小的誤差，可以增加訓練次數(shù)。

2.4 系統(tǒng)的性能評估。為了測試設計的網(wǎng)絡模式識別系統(tǒng)的可靠性，這里用50幅圖像輸入樣本，來觀察其輸出結(jié)果。通過程序演示，基本可以識別出不同的人臉特征。如果要提高精度，可以延長網(wǎng)絡的訓練時間，或者是將網(wǎng)絡隱含層的神經(jīng)元數(shù)目增多。為了測試系統(tǒng)，可提取幾取幾幅人臉圖片數(shù)據(jù)，然后把它們輸入到網(wǎng)絡中，觀察其得到的輸出，并進行誤差分析。

3 結(jié)束語

本設計是利用BP算法，以MATLAB軟件作為工具手段，建立人臉識別的BP神經(jīng)網(wǎng)絡，且利用50副人臉圖像數(shù)據(jù)訓練網(wǎng)絡，使神經(jīng)網(wǎng)絡能辨別出人臉信息。結(jié)果說明，本設計在人臉識別方面有比較好的優(yōu)勢。

在本設計中，使用了不人臉圖像數(shù)據(jù)作為輸入來訓練網(wǎng)絡，提高了整個網(wǎng)絡容錯的能力，這樣更適合在實際環(huán)境中使用。

參考文獻：

[1]藺廣逢，繁引娣，張媛.主成分分析與BP神經(jīng)網(wǎng)絡的人臉識別方法研究[J].現(xiàn)代電子技術，2007（02）.

[2]MartinT.Hag，Howard B.Demuth. Neural Network Design Original[M].PSW publishing company.

[3]張威.MATLAB基礎與編程入門[M].西安：西安電子科技大學出版社，2004.

[4]叢爽.面向MATLAB工具箱的神經(jīng)網(wǎng)絡理論與應用[M].合肥：中國科學技術大學出版社，2003.

作者簡介：馮玉涵（1985-），女，河南信陽人，學士學位，助教，研究方向：電子信息。

作者單位：信陽農(nóng)林學院 計算機科學系，河南信陽 464000