基于BP神经网络的人脸识别研究

摘要：为了对人脸图像的特征向量进行分类以达到人脸识别的目的，本文提出了运用BP神经网络进行人脸识别的方法。将人脸图像矩阵的奇异值作为识别特征，将BP神经网络作为分类器，通过实验表明该方法操作性强，结果可靠，可以快速的进行人脸图像识别。

关键词：BP神经网络；人脸识别；奇异值

中图分类号：TP391 文献标识码：A文章编号：1007-9599 (2011) 13-0000-01

Face Recognition Based on the BP Neural Network

Liu Weiwei

(Chinese People's Public Security University,Beijing100872,China)

Abstract:In order to achieve the purpose of face recognition by classifying the feature vector of face image,a new methods for face recognition on neural networks is presented in this paper.Singular values features of face image matrix are used as features,Back-Propagation(BP)networks are used as recognition.Through the experiments,it show that the method of face recognition is reliable and have a ability of high maneuverability.

Kewwords:BP neural network;Face recognition;Singular values

一、引言

人脸识别的发展应用广泛，利用人脸图像进行识别身份容易被接受，具有非打扰性、直接性、唯一性。人脸识别主要是对人脸特征向量分类识别。神经网络可以用做人脸特征的分类器。它是一种模拟人类大脑的思维方式和组织形式而建立的数学模型。具有强大的自适应、自学习、高度容错能力，因此成功运用在模式识别和预测等领域。BP网络是神经网络中最完美的，采用BP神经网络可以进行人脸特征向量识别分类。

二、BP神经网络

BP网络是一种单向传播的多层前馈神经网络，它包括一个输入层、若干隐含层和一个输出层，上下层之间实现全连接，而每层神经元之间没有连接。利用BP神经网络可以实现输入向量 到输出向量 的非线性映射。该网络的前层和后层都有连接权值 ，每一层有阈值 ，这些值在初始时刻是随机生成的。在具体的应用中，将特征值向量作为输入向量，特征值所对应的结果作为输出向量，BP网络载入这些数据训练和学习，从而对连接权值和阈值不断进行修正，使网络达到的最优状态，完成网络的学习和训练过程，为后续的数据分类做准备。因此可以将BP神经网络作为人脸特征向量的分类器，以达到人脸识别的目的。

三、基于BP神经网络的人脸识别

人脸识别是基于人脸的唯一性进行识别，这里采用奇异值分解的方法提取人脸特征向量。本实验的数据取自ORL人脸数据库，该库由40人、每人10幅、共400幅人脸图像组成。这些照片包含测试者的不同面部表情。本实验选择两个测试者进行识别，每个测试者的十幅图像作为一个类，每个类的前九幅图像的特征向量作为网络的学习训练样本，第十幅图像的特征向量作为测试数据。

（一）样本数据的获取

采用奇异值分解的方法提取人脸图像的特征向量，这些特征向量作为BP网络的学习和训练样本数据，对样本数据进行归一化后得到。例如 =（0.55650.53230.36750.40620.35990.38540.37030.3062）表示第一个测试者的第一副图像的特征向量，在BP网络中对应的输出向量为（1，0）。

（二）BP神经网络的建立

第一，确定隐含层的层数。对于一般的模式识别问题，三层网络可以有效的解决此问题。本试验采用三层网络，输入层的神经元个数为特征向量的维数n=8，隐含层的神经元个数为p=2n+1=17，输出层的神经元个数为输出向量的维数为m=2。隐含层神经元传递函数选用tansig，输出层神经元传递函数选用logsig。输出向量为（1，0）和（0，1）表示为第一个和第二个测试者。

第二，载入样本数据学习和训练。样本数据包括输入向量和输出向量，通过学习和训练不断的修正网络中的权值和阈值。训练曲线的收敛情况如图2.

在matlab环境下运行，采用测试样本进行测试，实验结果输出为（0.98490.0027）；（0.00270.9547），试验结果接近（1，0）和（0，1），分别为一号和二号测试者，实验达到预期结果。

图1.训练曲线

四、结语

运用BP人工神经网络建立了人脸识别模型，解决了对人脸特征向量进行分类识别的问题，从而达到对人脸识别这一最终目的。识别结果表明，在小样本空间下，运用BP神经网络的人脸识别运算速度快、操作简单、识别率高，BP神经网络可以用于人脸识别系统中的识别部分，并且可以扩展到其他模式识别问题。

参考文献：

[1]郝文化.MATLAB图像图像应用教程[M].中国水利水电出版社,2004

[2]邵拥军等.基于BP神经网络的湘西金矿成矿预测[J].中南大学学报,2007

[3]高全学等.SVD用于人脸识别存在的问题及解决方法[J].中国图象图形学报,2006

[4]杨天军,张晓春等.基于BP神经网络的城市道路交通安全评价研究[J].中国矿业大学学报,2005

[5]王映辉.人脸识别原理方法与技术[M].科学出版社,2010

[作者简介]刘伟伟（1986.6.21-），中国人民公安大学2009级在读硕士研究生，专业：安全技术及工程，研究方向：安全防范系统工程。