如发现有乱码， 请直接从这里浏览原文
正文摘录:

蔺厂逢等：主成分分析与BP神经网络的人脸识别方法研究人脸图像，保留所需要的识别信息。但是总体的散布矩阵维数大，计算特征值和正交归一的特征向量时即使简化处理了运算量也很大。因此本文首先用Hausdorff距离对N×～大小的人脸图像进行人脸检测，得出人脸的特征参数”。。但得出的特征参数仍然很多，不利于神经网络的训练和识别。在多数的特征参数处理中。主成分分析法基于正交变换的思想，保留有显著贡献的特征向量。即每一个特征向量和一个方差对应，而这个方差又由对应的特征值表示。任取一个特征向量，如果他所对应的特征值在整个数据集上代表着一个显著的方差值，则称其为这个数据集的一个主成分。主成分分析法对人脸特征参数的提取算法有以下几步：(1)设置为初步检测出的人脸特征参数，有户个参数，记为X=一(-『l，上2，T3，…，T。)；(2)计算x的协方差矩阵三，三的特征值及相应的正交单位化特征向量分别为：(3)计算X的第i个主成分：z，一PjX，i一1，2，3，…，pp(4)计算z。的贡献率为A，／∑A。和前几个主成分的女一1累计贡献量∑^。／∑A。。通常选取埘＜p，使前m个主成女J女；1分的累计贡献率达到较高的比例(80％～99％)，这样用前埘个主成分代替原始变量X，不但使人脸的特征参数维数降低，而且也不会损失原始特征参数中太多的信息。3人脸图像的识别算法BP学习算法称为反向传输算法，基本思想是通过网络误差函数的极小值来调整权重分布使神经网络收敛于稳定状态，从而使网络在接受未知输入时也会给出适当的输出。BP神经网络分为3层，输入层的神经元数是根据前端输入的类特征数目决定的，输出层神经元数为目标类别数，隐含层神经元数为：”。一／n+m+n，式中m为输出神经元数；”为输入神经元数；n为1～10之间的常数”j。BP神经网络对人脸识别的算法：(1)取人睑样本特征数据的协方差矩阵，进一步求出样本协方差矩阵的特征值和又ij立的特征向量，特征值按降序排列，选取较大的特征根N个，定下对应的特征向量r，；(2)由笫一步求出的特征向量丁与原始样本数据相乘得主成分Z，；(3)将第二步得到的Z.作为BP神经网络的训练样本，进入BP神经网络的输入层进行了训练；＼(4)另取未知人脸的样本数据，将其与第…步得到的54特征向量T相乘，得主成分五；(5)将主成分乙输入第一步训练完毕的网络进行了分类识别，得出未知人脸的类别。4实验和结论实验涉及对4张人脸的识别。样本数据米源于ljioID人脸数据库，数据库23个不同人的1521张分辨率为384x286的灰度图像。实验随机的抽取4个不问人的52张图像，每人13张，其中的10张做为训练样本，3张作为识别样本。通过特征提取获得如图l所示的20个特征点坐标，这些特征点分别为：右眼瞳孑L、左眼瞳孔、右嘴角、左嘴角、右眼眉外端、右眼眉内端、左眼眉内端、左眼眉外端、右鬓角、右眼外角、右眼内角、左眼内角、左眼外角、左鬓角、鼻子尖、右鼻孔、左鼻孑L、上嘴孵外边中心点、下嘴唇外边中心点和下巴尖。对20个特征点进行处理得到人脸20个特征值分别为：两个瞳孔间距离、左右嘴角距离、右眼两眉端距离、左眼两眉端距离、右眼角距离、左眼角距离、左右鼻孔距离、左眼内角与右眼内角距离、下巴尖到左嘴角距离、下巴尖到右嘴角距离、下巴尖到左鼻孔距离、下巴尖到右鼻孔距离、下巴尖到左眉外端距离、下巴尖到左眉内端距离、下巴尖到右眉外端距离、下巴尖到右眉内端距离、左鼻孔到左眼外角距离、左鼻孔到左眼内角距离、右鼻孔到右眼外角距离和右鼻孔到右眼内角距离。图2中(a)～(d)是分别要识别的4张人脸图像。图1人脸特征点位置图2识别的4张人脸图像