基于神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別研究.pdf

1、人臉識(shí)別技術(shù)是基于生物特征識(shí)別技術(shù)的一個(gè)重要分支，在辨別身份和傳遞感情方面起著重要的作用。由于人臉識(shí)別技術(shù)在視頻監(jiān)控、訪問控制、信用卡驗(yàn)證、多媒體數(shù)據(jù)庫檢索以及安全等領(lǐng)域有著廣闊的發(fā)展前景，它是模式識(shí)別和計(jì)算機(jī)視覺領(lǐng)域內(nèi)研究的一個(gè)熱點(diǎn)。一個(gè)完整的人臉識(shí)別系統(tǒng)包括人臉檢測(cè)和人臉識(shí)別兩個(gè)部分。圖像的預(yù)處理，特征提取和分類器設(shè)計(jì)是人臉識(shí)別中三個(gè)關(guān)鍵性的問題，本論文針對(duì)這三方面的問題，以主成份分析和徑向基神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)展開研究，并做了以下3方面

2、研究：
　　 1.分析了人臉識(shí)別相關(guān)技術(shù)中圖像處理的基本理論，研究圖像預(yù)處理方面的原理和方法，借助OpenCV強(qiáng)大的圖像處理能力，經(jīng)過歸一化、平滑等方法使圖像對(duì)比度增強(qiáng)，又根據(jù)金字塔序列化的方法解決人臉尺寸不統(tǒng)一的難題。
　　 2.特征提取方面，采用基于主成份分析(PCA)的特征臉法，針對(duì)主成份分析方法提取的特征值維數(shù)較高，特征提取速度較慢的現(xiàn)象，本文以最小化類內(nèi)離散度出發(fā)點(diǎn)，將2DPCA提取的特征矩陣當(dāng)做一個(gè)圖像矩陣，

3、將該矩陣轉(zhuǎn)置后進(jìn)行處理，以此提出一種改進(jìn)的2DPCA方法解決特征提取速度慢的問題。
　　 3.建立基于RBF網(wǎng)絡(luò)的分類器，對(duì)網(wǎng)絡(luò)的權(quán)值的設(shè)定問題及簡(jiǎn)化網(wǎng)絡(luò)結(jié)構(gòu)作了研究。提出了通過對(duì)樣本聚類分析確定隱含層節(jié)點(diǎn)數(shù)，以計(jì)算兩個(gè)聚類中心的距離來代替?zhèn)€體訓(xùn)練樣本估計(jì)聚類節(jié)點(diǎn)寬度，并采用一種混合的學(xué)習(xí)算法對(duì)RBF節(jié)點(diǎn)參數(shù)進(jìn)行調(diào)整的方法。并通過實(shí)驗(yàn)對(duì)比結(jié)果部分分析了學(xué)習(xí)率的選擇問題，不同的K-L閾值對(duì)網(wǎng)絡(luò)隱層節(jié)點(diǎn)數(shù)和識(shí)別效果的影響方面分別進(jìn)行