如发现有乱码，请点击下面链接浏览原文
正文摘录:

2007年第2期总第2414.1PCA对原始人脸样本进行预处理处理后的特征值作为原始样本，利用主成分分析法由原始样本数据得出特征根(从大到小)：2693.5，133·5，47.1，23.4，11.4，10.6，4.8，4.1，3.1，2.4，1.6，1.2，0.9，0.6，0.5，0.4，0.3，0.1，0.1，0，取得前4个特征根：2693.5，133.5，47.1，23.4，累计贡献率为98.57％。样本1～10为图2(a)的人脸数据，样本1】～20为图2(b)的人脸数据，样本21～30为图2(c)的人脸数据，样本31～40为图2(d)的人脸数据。4.2BP神经网络对预处理后的人脸样本进行训练及检验根据前面所述的BP神经网络的算法，确定输入层为4个神经元，隐含层为5个神经元，输出层为4个神经元如图3所示。当输入不同的人脸检验样本时，输出分别为1000.0100。0010和0001。图3BP神经网络结构因另取12个人脸图像作为检验样本，同样，经过特征提取，然后用主成分分析法做预处理得出该样本的主成分。本文用Intel(R)Celeton(R)CPU1.7GHz，256MB内存的计算机，将检验样本的主成分数据输入BP神经网络，其准确的识别出每个人，准确率达100％。表1第一条记录为BP神经网络直接训练未经过主成分分析法处理的样本数据，再用末处理的检验样本检验识别的结果。第二条记录为将训练样本与检验利用主成分分析法处理后再输入BP神经网络进行了训练、检验识别的结果。表1识别结果比较由表1可以看出，经过主成分分析法处理样本后BP神经网络的识别率提高了，而且训练的时间明显缩短。实入式验分析如下：(1)BP神经网络和主成分BP神经网络相比较，后者提取出了特征空间的主要成分作为BP神经网络的输入，首先简化了BP神经网络的结构，然后因为节点数目的减小，计算机量减少，最后导致BP神经网络训练时间的减少。(2)本文所涉及的实验识别的人脸对象只有4个，但对于人脸对象多时同样可以提取前4个特征主成分，而他们的累计贡献率都在95％以上，所以BP神经网络的结构不用变，同样能达到高的性能。(3)本文实验识别的人脸对象的训练样本比较多·如果在实际应用中，入脸的样本可能只有1，2个，这样就会导致BP神经网络训练样本缺乏，所以在应用中应有充分人脸对象的样本采集。(4)本文实验涉及的人脸都是正面图像，人脸有光照、表情的差别，从识别的结果来看说明BP神经网络有很好的鲁棒性和泛化能力。5结语BP神经网络在人脸识别问题中，利用主成分分析法对样本集预先～'51~：z.-，了优化，减少输入样本维数，同时大大简化了网络结构，人脸识别正确率得到提高，网络的学习时问缩短，这是解决人脸识别问题的一个很好的初探，也是BP神经网络应用于分类识别的一个有益补充。参考文献E1]艾英山，张德贤.人脸识别方法的综述与g,rj].汁算机与数字工程，2005，33(10)：24—27.r2]吴新生，谢益民，刘焕彬.主成分分析法用于化工过程人工神经N~EJ].计算机与应用化学，1999，16(3)：219—221·[3]杨海澜，蔡艳，陈庚军.主成分分析结合神经网络技术在焊接质量控制中的应用[J].焊接学报，2003，24(4)：55—58·E4]梁宾桥，王继宗，梁晓颖.高性能混凝土强度预测的神经网络——主成分分析[J].计算机工程与应用·2004，40(18)：192—195.r5]李军梅，胡以华，陶小红.基于主成分分析与BP神经网络的识别方法研究[J].红外与激光工程，2005，34(6)：719—723.[6]边肇祺，张学工.模式识别[M].北京：清华大学出版社，2000.r7]韩柯，王汇源，朱秀昌.基于主元分析和BP神经网络的人脸识别研究[J].杭州电子科技大学学报，2005，25(6)：67—70·r8]OliverJesorsky，K1aMsJKirchberg，RobertWFrischholz.RobustFaceDetectionusingtheHausdorffDistance[J].I.ectureNotesinComputerScience，2001：90—95.作者简介蔺广逢男，1978年出生，陕西礼泉人，助教。主要从事智能测控技术及应用，智能图像处理方向的研究。