《基于APEXNN与RBFNN的人脸识别方法研究》由会员分享，可在线阅读，更多相关《基于APEXNN与RBFNN的人脸识别方法研究（4页珍藏版）》请在金锄头文库上搜索。
1、基于A P E X N N 与R B F N N 的人脸识别方法研究王阳萍l朱正平2 党建武l( 1 兰州交通大学信息与电气工程学院，兰州7 3 0 0 7 02 兰州师范高等专科学校计算机系，兰州7 3 0 0 7 0 )摘要：本文提出1 r 将自适应主分量提取神经嘲络( A P E X N N ) 1 i 径向摹神经网络( R B F N N ) 结合进行人脸识别的方法。由于入脸图像维数高，传统主分量分析方法提取人脸主分量运算复杂、速度慢，应用A P E X N N 通过并行运算直接提取人脸主分量，提高r 特征提取速度。再将提取的人脸特征送入R B F N N 识别分类，实验证明网络训练收
2、敛速度快、识别率高。关键宇：人脸识别；主分量分析；自适碰主分量提取神经网络：径向基神经嘲络R e s e a r c ho nF a c eR e c o g n i t i o nb a s e do nA P E X N Na n dR B F N NW a n gY a n g p i n g lZ h uZ h e n g p i n 9 2D a n gJ i a n w u l( 1C o l l e g eo f l n f o r m a t i o na n dE l e c t r i c a lE n g i n e e r i n g ，L a n z h o uJ i
3、 a o t o n gU n i v e r s i t y , L a n z h o u7 3 0 0 7 0 ；2D e p a r t m e n to f C o m p u t e r , L a n z h o uN o r m a lC o l l e g e ，L a n z h o u7 3 0 0 7 0 )A b s t r a c t ：T h ep a p e rp r e s e n t sam e t h o do fi n t e g r a t i n gA d a p t i v eP r i n c i p a lC o m p o n e n t s
4、E x t r a c t i o nN e u r a lN e t w o r k( A P E X N N ) a n dR a d i a lB a s i sF u n c t i o nN e u r a lN e t w o r k ( R B F N N ) f o rf a c er e c o g n i t i o n T h en u m b e ro fd i m e n s i o n so ff a c ei m a g ev e c t o ri sl a r g e ，t h ea l g o r i t h mw h i c hu s e st r a d
5、i t i o n a lp d n c i p a lc o m p o n e n ta n a l y s i st oe x t r a c tt h ep r i n c i p a lc o m p o n e n to ff a c ei m a g ei ss l o wa n dc o m p l i c a t e B yt a k i n ga d v a n t a g eo fp a r a l l e lc a l c u l a t i o no fA P E X N Nt od i r e c t l ye x t r a c tp r i n c i p a
6、lc o m p o n e n Lt h es p e e di si m p r o v e d T h eo u t p u to fA P E X N q X li ss e n tt OR B F N Nf o rf a c er e c o g n i t i o na n dc l a s s i f i c a t i o n S i m u l a t i o n ss h o wt h a tt r a i n i n gn e t w o r ki sf a s ta n dt h em e t h o dc a r lr e a c hah i g hr e c o g
7、 n i t i o nr a t e K e yw o r d s ：f a c er e c o g n i t i o n ；p r i n c i p a lc o m p o n e n ta n a l y s i s ；A P E X N N ；R B F N N1引言近年来，生物特征成为身份鉴别的理想依据。其中人脸识别由于直接、友好、方便而具有广阔的应用前景。在入脸识别技术中，由于入脸图像维数很高，若直接对其分类识别。运算速度很慢。一般在将人脸图像送入分类器分类之前，首先要进行特征提取，去掉冗余数据。基于K - L 变换的主分量分析法( P C A ) 由于其在均方误差下最优，
8、从而在信息传输与编码中得到了广泛的应用，也普遍应用于人脸识别过程中特征的提取“”。但是这种方法涉及到求解矩阵的特征值和特征向量，运算量很大，而自适应主分量提取神经网络( A d a p t i r eP r i n c i p a lC o m p o n e n t sE x t r a c ti o nN e u r a lN e t w o r k ，A P E X N N )采用自组织和自学习的方式来发现输入数据的重要特征，该方法是直接计算数据的特征矢量实现主分量分析，通过神经网络的并行运算人大减少了运算量，可显著提高特征提取速度。3 0 6与B P 神经嘲络相比，径向基神经网络( R
9、 a d i a lB a s i SF u n c t i o nN e u r a lN e t w o r k ，R B F N N ) 具有学习规则简单、收敛速度快，不易陷入局部极小点、鲁棒性好等优点，在模式识别领域的应用日益广泛，本文将A P E X N N 与R B F N N 相结合，综合了两类方法的优点，提高了从人脸的特征提取到分类识别的速度，并具有较高的识别率。2主分量分析神经网络2 1 主分盏分析法主分量分析法( P r i n c i p a lC o m p o n e n tA n a l y s i S ，P C A ) 是统计模式识别中将数据从高维空间映射到低维空
10、间的数据降维的标准方法，该方法通过降维寻找图像数据的主要统计特征，从而达到增强图像有用信息，减少噪声和光照变化的影响。主分量分析方法的基础是K - L 变换憎。这种方法直接计算训练样本集的协方差矩阵C ，的特征值A 和对戍的特征向量“，。当取C ，的前m 个最大特征值对J 避的特征向量，并用这些特征向量决定的主分量在重构原模式时，若满足最小均方误差的准则有：Y ：U 。X其中U = ( “1 ，U 2 ，U 。) ，输入模式X = ( x l ，X 2 ，x 。) 7，输出模式Y = ( M ，y 2 ，y m ) 7 ，m 应远远小于n 。通过( 1 )式的线性映射，完成了模式的特征提取。2
11、 2 主分量分析神经网络的算法在主分量分析方法中，当输入矢量X 的维数很高时，计算特征值及特征矢量将变得非常困难。这里采用神经网络的方法不用计算特征值而直接获取前m 个特征矢量，避免了复杂的数学运算。利用人工神经列络进行主分量分析，町以采用4 i 同的网络结构。对使用单层前馈网络的形式来说，有两个比较著名的算法，O j a 算法和S a n g e r 算法”，其中O j a 网络町提取输入模式的第一个主分量，基十S a n g e r 算法的前向网络则实现了多个主分量的提取。面自适应主分量提取神经网络( A P E X N N ) ”纠在网络的输出层中弓f入了侧抑制。这种网络最重要的特征是：
12、利用前m 1个神经元的联接权值来递推第i n 个神经元的有关权值，第m 个神经元在学习后可提取与己训练好的前m - 1 个神经元所表示的旷1 个分量正交的最大分量。A P E X * 经网络结构如下图所示。M耽弘了。图IA P E X N N 的结构图输入层有行个神经C 接收输入模式矢量X = ( x I ，x 2 ，x 。) 。，输出层有m 个神经兀，Y ：w | 。xY m ：w m X + S | Y( 2 )其中，Y = ( y I ，Y 2 ，Y m - , ) 7 ，为前m 1 个神经儿的输出。W = ( 彬，既一1 )彬= ( l ，w 1 2 ，) 7 1 ，i = 1 , 2
13、 ，m 一1 ，对应着输出层前m 1 个神经元的权值矩阵，二为输出层第m 个神经元的联接权值矢量，S 。= ( S l ，S 2 ，S 。一1 ) 7 为前m 1 个神经元与第m 个神经元的联接权值矢量。网络的学习是针对第m 个神经元，即前m - 1 个神经元已收敛。则这种自适应主分量提取网络的学习算法如下；7岷( 门+ 1 ) = ( 门) + f l ( y 。X7 一y ：眠( 门) 】( 3 )s 。( 门+ 1 ) = S 。( ”) y 【( J ，。Y7 + y ：s 。( 门) 】( 3 ) 式中，n 为学习次数，y 分别是前向权值和侧向权值的学习因子，取0 1 ，0 y 1
14、。网络经学习算法训练后，w 以概率1 逼近协方差矩阵的特征矢量按降序排列，相当于P C A 的系数矩阵，网络的输出为：Y = W7 X ( 形= ( 彬，既)实现了P C A 算法中输入矢量在特征矢量空间的投影。将A P E X 网络应用于人脸模式提取特征的算法如下：设= ( x I ，x 2 ，x 。) 7 为某一人脸模式训练样奉，M 为| ) 1 ) 9 络待提取的主分量个数，m 表，j ：对输 n层第n 1 个神经冗训练。( 1 ) m = l ，随机选择前向连接权值及侧向连接为含有原模式主要信息的特征矢量权值的初始值及S 。( 取值在一1 、1 之间) ，给定学l 厂= ( y J ，
15、y 2 ，J ，m ) 7 ，通常朋 门 以达到降 习步长，y ( 根据实验，在此选为5 l 较合适) ； 维的目的。网络的输入输出关系为： ( 2 ) 从训练集合中选取人脸模式矢量X 输入3 0 7删络训练：( 3 ) 用( 2 ) 式计算网络的输出，用( 3 ) 式计算更新的暇及S 。：( 4 ) 判断权值变化= l 仍+ 1 ) 一叫和丛。= I S m ( 胛+ I ) - S m ( 刀) I 的大小，若均小于设定的阙值，则结束该神经元的训练过程；否则，转第( 3 ) 步，继续训练：( 5 ) 判断m * l 是否大于M ，若大于，表示对M图像 预处理个神经元训练结束，网络可提取出入
16、脸模式的M 个生特征；否则，转第( 1 ) 步，重新随机选取初始权值训练第m + 1 个神经元。3A P E X N N 与R B F N N 结合进行人脸识别A P E X N N 与R B F N N 结合进行人脸识别的模型如图2 所示：叫卜n二受 炼泐二淤整+彬、7一一、P A P E X N N 用于特征提取R B F N N 用于分类识别3 1 图像预处理函数的宽度，本文中采用K - 均值聚类算法”对R B F在将人脸图像送入图2 所示混合神经网络翠别神经网络训练求得其中心参数c 。采用s t o k b r o 等度的人脸图像中大量的冗余信息去除，降低神经网哺1 给出的确定形状参数的经验公式( 5 ) 式求得每一络结构的复杂度，提高神经网络训练的效率和收敛隐节点的形状参数。应用最小二乘法学率。在此采用插值算法对原图像压缩，并将压缩后1 上。 的图像像素的灰度值应用线性映射的方法由
