基于神經網絡的人臉識別

李劉明

摘 要：人臉識別技術如今已經成為模式識別領域研究的熱點和難點之一經過眾多科研人員多年的努力，該領域已取得了許多成果。但由于人臉識別問題自身的復雜性，要實現普遍的應用還有許多關鍵性的問題需要解決。本文首先介紹了人臉識別的背景、發展概況和人臉識別的主要方法，然后采用了一種基于SVD變換進行特征提取，并以神經網絡作為分類器的人臉識別方法，仿真實驗具有一定的識別效果，這表明本方法是一種可行的人臉識別方法。

關鍵詞：模式識別，人臉識別，奇異值變換，神經網絡

1緒論

人臉識別技術就是分析輸入的人臉圖像，從中提取出有效信息，并通過某種方式與數據庫中的己知人臉信息進行比較，從而得出分類或認證信息的一種技術。本文研究的人臉識別系統，以Matlab為開發平臺，完成了圖像的預處理、特征提取、網絡訓練和人臉識別全過程，全過程的原理框圖如圖1所示。

2圖像預處理與特征提取

2.1人臉圖像的預處理

本文采用歸一化的方法對人臉圖像進行預處理，由于不同的人臉圖像受光照及角度等因素的影響會有很大的不同，為方便對不同灰度值的圖像進行統一處理，需要將圖像的灰度值和方差歸一化到一個特定范圍，減小由于光照的變化導致的灰度變化對識別效果的影響。具體方法如公式（2-1）所示。

2.2人臉特征提取

奇異值分解（SVD）是線性代數中正規矩陣對角化的推廣、是譜分析理論在任意矩陣上的延伸，它在描述圖像時是穩定的，具有旋轉、位移和鏡像變換不變性等優點，同時也是求解最小二乘問題的有效工具，在數據壓縮、圖像處理及模式識別方面得到了很多應用，為提取人臉代數特征提供了一種有效方式。由于人臉局部特征不僅可以獲得更多的其他信息，還可以在一定程度上克服由于光照、表情、姿態等因素對識別的影響。其基本思路是將人臉分割成若干部分，任意一部分對應的矩陣為 W，根據奇異值分解定理求出 W 的特征值λ的特征向量并將其降序排列，選取不為零的特征值構成變換矩陣 V，可以占有每一部分特征總量的 90%以上，這樣每一部分相加便可以覆蓋人臉的全部主要特征，人臉圖像的維數也隨之降低不少，同時也保留了絕大部分有用信息，人臉特征提取的準確性和有效性都有所提高。

3.3網絡的分類識別

則認為待識別人臉不是該人臉數據庫的人臉。反之，為該人臉數據庫的人臉。

4識別過程及結果

本文取每個人的前6幅圖像共240幅圖像組成訓練集，其余160幅圖像作為測試集，且訓練樣本和測試樣本互不重疊。訓練好網絡后，分別對訓練樣本和測試樣本進行了識別，具體結果如表4-1所示。