基于神经网络的人脸识别

李刘明

摘 要：人脸识别技术如今已经成为模式识别领域研究的热点和难点之一经过众多科研人员多年的努力，该领域已取得了许多成果。但由于人脸识别问题自身的复杂性，要实现普遍的应用还有许多关键性的问题需要解决。本文首先介绍了人脸识别的背景、发展概况和人脸识别的主要方法，然后采用了一种基于SVD变换进行特征提取，并以神经网络作为分类器的人脸识别方法，仿真实验具有一定的识别效果，这表明本方法是一种可行的人脸识别方法。

关键词：模式识别，人脸识别，奇异值变换，神经网络

1绪论

人脸识别技术就是分析输入的人脸图像，从中提取出有效信息，并通过某种方式与数据库中的己知人脸信息进行比较，从而得出分类或认证信息的一种技术。本文研究的人脸识别系统，以Matlab为开发平台，完成了图像的预处理、特征提取、网络训练和人脸识别全过程，全过程的原理框图如图1所示。

2图像预处理与特征提取

2.1人脸图像的预处理

本文采用归一化的方法对人脸图像进行预处理，由于不同的人脸图像受光照及角度等因素的影响会有很大的不同，为方便对不同灰度值的图像进行统一处理，需要将图像的灰度值和方差归一化到一个特定范围，减小由于光照的变化导致的灰度变化对识别效果的影响。具体方法如公式（2-1）所示。

2.2人脸特征提取

奇异值分解（SVD）是线性代数中正规矩阵对角化的推广、是谱分析理论在任意矩阵上的延伸，它在描述图像时是稳定的，具有旋转、位移和镜像变换不变性等优点，同时也是求解最小二乘问题的有效工具，在数据压缩、图像处理及模式识别方面得到了很多应用，为提取人脸代数特征提供了一种有效方式。由于人脸局部特征不仅可以获得更多的其他信息，还可以在一定程度上克服由于光照、表情、姿态等因素对识别的影响。其基本思路是将人脸分割成若干部分，任意一部分对应的矩阵为 W，根据奇异值分解定理求出 W 的特征值λ的特征向量并将其降序排列，选取不为零的特征值构成变换矩阵 V，可以占有每一部分特征总量的 90%以上，这样每一部分相加便可以覆盖人脸的全部主要特征，人脸图像的维数也随之降低不少，同时也保留了绝大部分有用信息，人脸特征提取的准确性和有效性都有所提高。

3.3网络的分类识别

则认为待识别人脸不是该人脸数据库的人脸。反之，为该人脸数据库的人脸。

4识别过程及结果

本文取每个人的前6幅图像共240幅图像组成训练集，其余160幅圖像作为测试集，且训练样本和测试样本互不重叠。训练好网络后，分别对训练样本和测试样本进行了识别，具体结果如表4-1所示。