崔向東，崔婧楠

(1 安徽和信科技發(fā)展有限責任公司,安徽　合肥　230001；

2 華南理工大學　計算機學院，廣東　廣州　510006)

?

基于GA-BP神經(jīng)網(wǎng)絡的人臉識別方法研究

崔向東1，崔婧楠2

(1 安徽和信科技發(fā)展有限責任公司,安徽合肥230001；

2 華南理工大學計算機學院，廣東廣州510006)

摘要：針對傳統(tǒng)的BP神經(jīng)網(wǎng)絡算法易陷入局部極小點、訓練速度慢的問題，文章用遺傳算法(Genetic Algorithm，GA)來優(yōu)化BP神經(jīng)網(wǎng)絡，實現(xiàn)全局尋優(yōu)和局部尋優(yōu)相結合，有效提高神經(jīng)網(wǎng)絡的學習性能和收斂性。實驗結果表明，文章提出的方法訓練速度快，克服其陷入局部最優(yōu)的缺點，具有很好的識別性能。

關鍵詞：特征提??；人臉識別； GA；BP神經(jīng)網(wǎng)絡

人臉識別是近些年模式識別領域的一個研究熱點[1]，與其他的生物特征識別方法相比，人臉識別具有快捷、自然、非侵犯性等優(yōu)點。人臉識別的這些良好特性，使其成為計算機視覺和模式識別領域的一個前沿課題[2]。特征提取和分類器的設計是人臉識別的關鍵環(huán)節(jié)。主要的人臉識別方法有[3]：基于K-L變換特征臉的識別方法、基于幾何特征的識別方法和基于神經(jīng)網(wǎng)絡的識別方法?；贙-L變換特征臉的識別方法是利用K-L 變換將高維空間進行降維，該算法對不同的表情有一定的魯棒性，但需要大量的訓練樣本。基于幾何特征的識別方法是通過提取人臉的幾何特征來進行識別，但它忽略了局部細微特征從而造成部分信息丟失。傳統(tǒng)的BP神經(jīng)網(wǎng)絡由于輸入輸出的映射關系復雜、權值和閾值的更新速度慢、每次迭代的步長固定，局部搜索可能會使得實際問題尋找不到全局最優(yōu)解，導致訓練失敗，因此存在學習速度慢、局部收斂不理想的現(xiàn)象，影響其工作性能[4]。由于遺傳算法(Genetic Algorithm，GA)具有全局尋優(yōu)能力而BP神經(jīng)網(wǎng)絡具有局部尋優(yōu)能力，因此本文用GA來優(yōu)化BP 神經(jīng)網(wǎng)絡，實現(xiàn)全局尋優(yōu)和局部尋優(yōu)相結合，能有效提高神經(jīng)網(wǎng)絡的學習性能和收斂性。在ORL人臉數(shù)據(jù)庫上的實驗表明，本文提出的方法具有很好的識別性能。

1基于GA-BP網(wǎng)絡的人臉識別

1.1特征提取

本文采取主成分分析(Principal Component Analysis，PCA)進行特征提取，貢獻率取94%，經(jīng)過PCA特征提取后特征值個數(shù)為p=85。

1.2GA-BP優(yōu)化算法

GA-BP優(yōu)化算法的流程圖如圖1所示。

圖1遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡算法流程圖

(1)種群初始化

每個個體由各層的權值和閾值構成，并按實數(shù)編碼方式對其進行編碼。個體的長度L如公式(1)所示。

L=im*hm+hm+hm*om+om

(1)

式(1)中，im為輸入層節(jié)點數(shù)，hm為隱含層節(jié)點數(shù)，om為輸出層節(jié)點數(shù)。

(2)適應度函數(shù)

根據(jù)個體初始化后得到的數(shù)值串，將其分別賦予新建BP神經(jīng)網(wǎng)絡的各層權值和閾值，并使用這個網(wǎng)絡對輸入數(shù)據(jù)進行預測，適應度函數(shù)F如公式(2)所示。

(2)

式(2)中，oi(i=1,2,…,om)為預測輸出，yi(i=1,2，…,om)為目標輸出，om為輸出層節(jié)點數(shù)，也是待分類類別數(shù)。

(3)選擇交叉操作

采用輪盤賭法進行選擇操作，交叉的方法采用實數(shù)交叉。配對個體以交叉概率交換部分基因，形成兩個新個體。第k個染色體ak和第1個染色體a1在第j位置上交叉的方法如公式(3)所示。

(3)

式(3)中，b為0和1之間的隨機數(shù)。

(4)變異操作

本文使用實值變異，第i個個體的第j位基因aij進行變異如公式(4)所示。

(4)

1.3GA-BP網(wǎng)絡的人臉識別

隨機抽取人臉庫中每個人的若干張圖像作為訓練圖像，剩余的人臉圖像作為測試圖像，基于的GA-BP人臉識別方法的步驟如圖2所示。

圖2GA-BP網(wǎng)絡的人臉識別框圖

2實驗結果及分析

2.1實驗參數(shù)設定

種群規(guī)模選取20，交叉概率，變異概率，進化迭代次數(shù)為50，神經(jīng)網(wǎng)絡輸入層節(jié)點數(shù)為85，隱含層節(jié)點數(shù)為120，輸出層的節(jié)點數(shù)為待分圖像的類別數(shù)，ORL庫包含40個人，故輸出節(jié)點數(shù)為40，目標誤差goal為0.001。

為驗證GA-BP算法的可行性和有效性，在ORL人臉庫上進行了實驗。由于訓練和相應的測試樣本都為隨機選擇，故每組實驗均重復進行10次，取實驗結果的平均值作為最終結果。

2.2實驗結果分析

ORL人臉庫由40個人、每人10幅圖像組成，每張照片的大小為112×92像素。照片是在不同時間、不同光照、不同面部遮掩物下獲得的，面部細節(jié)、姿勢和尺度有著不同程度的變化。為了驗證算法的性能，依次隨機抽取每人的4、5、6、7、8幅圖像作為訓練樣本，剩余部分作為測試樣本，進行GA-BP神經(jīng)網(wǎng)絡和BP神經(jīng)網(wǎng)絡兩種算法之間的實驗比較。實驗結果如圖3、圖4所示。

圖3不同算法在ORL人臉庫上識別率對比

圖4不同算法在ORL人臉庫上訓練時間對比

從圖3中可以看出，隨著訓練樣本的增加，BP網(wǎng)絡和GA優(yōu)化后的BP神經(jīng)網(wǎng)絡的識別正確率都會提高。但是在相同的訓練樣本數(shù)時，GA優(yōu)化后的BP神經(jīng)網(wǎng)絡比未優(yōu)化的BP神經(jīng)網(wǎng)絡的識別正確率有較大提高。

從圖4中可以看出，在相同訓練樣本條件下，GA優(yōu)化后的BP神經(jīng)網(wǎng)絡的訓練時間比BP神經(jīng)網(wǎng)絡訓練時間大為減少，且隨著訓練樣本數(shù)的增加，訓練時間的差距會變得更加明顯。

為了驗證算法的收斂性能，隨機抽取每人的4幅圖像作為訓練樣本，剩余部分作為測試樣本，進行了GA-BP神經(jīng)網(wǎng)絡和BP神經(jīng)網(wǎng)絡兩種算法之間的訓練步數(shù)實驗比較。實驗結果如下表所示。

兩種方法訓練步數(shù)的對照表

算法收斂步數(shù)識別率BP神經(jīng)網(wǎng)絡121786.75%GA-BP40291.4167%

從表中可以看出，在實驗參數(shù)相同的情況下，GA-BP的訓練步數(shù)僅為BP神經(jīng)網(wǎng)絡的33.03%，收斂速度明顯提高。

綜上所述，利用遺傳算法來優(yōu)化BP 網(wǎng)絡的初始權值和閾值，并將最優(yōu)權值和閾值代入BP 神經(jīng)網(wǎng)絡中進行樣本訓練和識別，從而提高網(wǎng)絡訓練速度，避免了在局部最優(yōu)解附近徘徊，能有效克服BP神經(jīng)網(wǎng)絡的缺陷，提高識別精度。

3結論

從以上實驗結果可以看出，本文提出的GA-BP算法利用遺傳算法對神經(jīng)網(wǎng)絡的初始權值和閾值進行了優(yōu)化處理，從而克服了BP神經(jīng)網(wǎng)絡容易陷入局部極小點、訓練速度慢的缺點，最終提高了人臉識別準確率和收斂速度。

參考文獻：

[1]葉長明，蔣建國，詹曙，等.基于三維人臉成像系統(tǒng)的復數(shù)域人臉識別方法[J].電子測量與儀器學報，2011，25(5)： 420—426.

[2]Jigar M P，Rathod D，Jadav J J.A Survey of Face Recognition approach[J].International Journal of Engineering Research and Applications (IJERA)，2013，3(1)： 632—635.

[3]周杰,盧春雨,張長水，等.人臉自動識別方法綜述[J].電子學報,2000,4(4)：102—106.

[4]曾黃麟.智能計算[M].重慶：重慶大學出版社，2004：16-24.

(責任編輯：楊陽)

收稿日期：2016—03—23

作者簡介：崔向東(1970—)，男，安徽合肥人，安徽和信科技發(fā)展有限責任公司工程師，研究方向：圖像處理和計算機應用。

中圖分類號：TP 391.4

文獻標識碼：A

文章編號：1672—9536(2016)02—0030—03

Abstract：To solve the problem that traditional BP neural network algorithm is easily got stuck in local minima and with low training speed，this paper studies the optimization of BP neural network by using genetic algorithm，which successfully combine global and local optimization and effectively improve the learning ability and convergence of neural network.The experimental results show that the method introduced in this paper has the advantage of fast speed which avoids the network being stuck in local minima as well as good recognition performance.

Key words：feature extraction; face recognition; GA; BP neural network