BP神经网络在人脸识别中的应用研究

摘 要：本文介绍了一种bp神经网络的人脸识别系统的设计方法。该设计利用前向多层神经网络的反向传播算法，即BP算法，采用MATLAB软件建立了用于人脸识别的BP神经网络，并利用大量的人脸特征数据训练神经网络，使神经网络能分辨出不同的人脸特征。实验结果表明，用这种方法进行人脸识别有较好的效果。

关键词：BP神经网络；人脸识别；MATLAB

中图分类号：TP391

随着科技的发展，对人脸识别技术的发展要求越来越迫切，如（1）在企业、住宅安全和管理方面，要求实现人脸识别门禁考勤系统，人脸识别防盗门等。（2）在公安、司法和刑侦方面，利用人脸识别，在全国范围内搜捕逃犯。（3）在银行的自动提款机中，如果应用人脸识别就会避免由于用户卡片和密码被盗。（4）在电子商务交易过程中，如果使用人脸识别实现当事人在网上的数字身份和真实身份统一，便增加了电子商务的可靠性。而人脸识别的软件系统开发，是联系理论和实践的最重要的环节，因此实现人脸识别系统的开发应用越来越重要。

1 BP网络的概述

1.1 BP神经网络的定义。前馈多层神经网络广泛的应用于模式识别与分类、控制、预测、图像处理等问题，是当今社会应用最广、发展最快的人工神经网络之一。由于此神经网络的网络权值阈值的确定常采用误差反向传播算法（Back Propagation，简称作BP算法），所以通常称这种前馈网络为BP网络。典型的BP网络是三层网络，包括输入层、隐含层和输出层。各层之间实行全连接，而其中隐含层可以是一层，也可以是多层（如图1）。

图1 单隐含层的BP网络结构

BP网络的学习由四个过程组成，即：（1）输入模式：输入层经隐含层向输出层的“模式顺传播”过程；（2）网络的理论输出与网络实际输出之差的误差信号：由输出层经隐含层向输入层逐层修正连接权的“误差逆传播”过程；（3）由“模式顺传播”与“误差逆传播”的反复交替进行的网络“记忆训练”过程；（4）网络趋向收敛即网络的全局误差趋向极小值的“学习收敛”过程。简言之，就是由“模式顺传播”“误差逆传播”“记忆训练”“学习收敛”的过程。传递函数一般为（0，1）S型函数 。BP网络隐层中的神经元均采用S型交换函数，输出层则采用纯线性变换函数。

1.2 BP网络的算法。BP算法可描述为大致五步：（1）初始化各权值为较小的随机值；（2）选取训练集；（3）根据输入计算理论输出；（4）调节输出层和隐含层的连接权值；（5）返回第二步反复训练网络直至误差理想为止。

其流程图如图2：

图2 神经网络算法流程图

2 BP神经网络实现人脸识别

2.1 设计思路。本设计采用50幅图像（10个人每人5幅）作为训练图像，应用主成分分析对训练图像进行二阶相关和降维，提取训练图像的独立基成分构造人脸子空间，并将训练集中的人脸图像向独立基上投影得到的系数输入改进的BP神经网络进行训练。然后将待识别的人脸图像向独立基上投影得到投影系数，再将其输入已训练过的BP神经网络进行识别。设计结构如图3。

图3 人脸识别系统结构

2.2 BP网络的创建和初始化。因网络的输入矢量与输出矢量相差较大，为了减少网络的训练误差，在建立网络之前要对输入矢量进行归一化。这里我们利用premnmx函数把输入初始化在[-1，1]之间。程序代码如下：

p=premnmx（p'）'；

t=[1000；1000；1000；1000；1000；0100；0100；0100；0100；0100；

0010；0010；0010；0010；0010；0001；0001；0001；0001；0001]'

2.3 训练神经网络。本设计的方法如下：

%设计神经网路

[prow pcol]=size（p）；

num=prow*pcol；%提取p中元素个数作为神经网络的输入层神经元个数

net=newff（minmax（p），[num，10，4]，{'tansig'，'tansig'，'purelin'}，'traingda'）；%隐层神经元个数为10，输出层神经元个数为4，4表示识别出人

net.trainParam.show=200；%显示速率为200

net.trainParam.lr=0.01；%学习率为0.01

net.trainParam.epochs=5000；%迭代次数不超5000

net.trainParam.goal=0.001；%训练误差为0.001

[net，tr]=train（net，p，t）；

网络的训练函数有很多种，如trainlm，其中traingd学习算法是一般的剃度下降法；traingdx学习算法是剃度下降动量法，学习速率是自适应的。Trainlm的学习算法为Levenberg-Marquadt反传算法，该训练函数的优点在于收敛速度很快。本设计选用的训练函数为traingdx，在网络达到起训练误差要求时会自动停止，节省训练时间。训练过程中为了得到较小的误差，可以增加训练次数。

2.4 系统的性能评估。为了测试设计的网络模式识别系统的可靠性，这里用50幅图像输入样本，来观察其输出结果。通过程序演示，基本可以识别出不同的人脸特征。如果要提高精度，可以延长网络的训练时间，或者是将网络隐含层的神经元数目增多。为了测试系统，可提取几取几幅人脸图片数据，然后把它们输入到网络中，观察其得到的输出，并进行误差分析。

3 结束语

本设计是利用BP算法，以MATLAB软件作为工具手段，建立人脸识别的BP神经网络，且利用50副人脸图像数据训练网络，使神经网络能辨别出人脸信息。结果说明，本设计在人脸识别方面有比较好的优势。

在本设计中，使用了不人脸图像数据作为输入来训练网络，提高了整个网络容错的能力，这样更适合在实际环境中使用。

参考文献：

[1]蔺广逢，繁引娣，张媛.主成分分析与BP神经网络的人脸识别方法研究[J].现代电子技术，2007（02）.

[2]MartinT.Hag，Howard B.Demuth. Neural Network Design Original[M].PSW publishing company.

[3]张威.MATLAB基础与编程入门[M].西安：西安电子科技大学出版社，2004.

[4]丛爽.面向MATLAB工具箱的神经网络理论与应用[M].合肥：中国科学技术大学出版社，2003.

作者简介：冯玉涵（1985-），女，河南信阳人，学士学位，助教，研究方向：电子信息。

作者单位：信阳农林学院 计算机科学系，河南信阳 464000