基于MATLAB和反向传播神经网络使用PCA人脸识别

要不是Dhoke¹议员Parsai²

电子和通信部门,贾巴尔普尔工程学院,贾巴尔普尔(议员),印度
教授,电子和通信部门,贾巴尔普尔工程学院,贾巴尔普尔(议员),印度

文摘

自动识别的人是一个具有挑战性的问题,近年来已获得了高度的关注由于其在不同领域的许多应用程序。人脸识别是其中的一个具有挑战性的问题,到目前为止,没有技术,提供了一个健壮的解决方案对所有情况。有许多种技术用于这一目的。人脸识别是一种有效的手段,对一个人进行身份验证。本文为个人识别和人脸识别系统验证使用主成分分析(PCA)和反向传播神经网络(摘要)。脸图像的维数降低了主成分分析和识别是通过面部识别的摘要。系统由一个数据库为每个单独的一组面部模式。主成分分析的特征称为„eigenfaces”从存储中提取图像,结合反向传播神经网络对后续识别的新图像。

关键字

神经网络,主成分分析,特征值,特征向量,反向传播神经网络

介绍

人脸识别有大量的应用程序,包括安全、人验证,网络通信,电脑娱乐公司。尽管研究自动人脸识别进行了自1960年代以来,这个问题在很大程度上仍然没有解决。近年来重大进展在这个地区由于面临建模和分析技术的进步。系统已经开发了人脸检测和跟踪,但可靠的人脸识别仍然提供了一个巨大的挑战,计算机视觉和模式识别研究。最近有几个原因增加人脸识别的兴趣,包括不断增长的公共关心安全,需要在数字世界中,身份验证和脸的必要性分析和建模技术在多媒体数据管理和电脑娱乐。最新进展在自动化分析,模式识别,机器学习成为可能解决这些应用程序开发自动人脸识别系统。在本文中,我们提出了一个数学模型和计算模型的人脸识别速度快,在约束环境中合理简单,准确。人脸识别使用eigenface已被证明是准确和快速。摘要技术是结合PCA非线性脸图像时很容易得到认可。[1][5]

工作模型

系统包括三个步骤(图一):

问题的人脸识别系统的设计与实现(FRS)可以细分为两个主要部分。第二部分第一部分是图像处理和识别技术。图像处理部分包括图像采集技术和第二部分由人工智能是由PCA和反向传播神经网络。脸图像获得的第一步通过网络摄像头,数码相机或者扫描仪是PCA美联储作为输入,把输入图像到低维的图像并计算其欧式距离。这欧式距离然后美联储作为bp神经网络的输入。

算法

答:(PCA主成分分析(PCA):

主成分分析(PCA)是一种统计程序,它使用一个正交变换。PCA方法是用来降低数据的维数通过数据压缩的基本知识以及揭示了面部的最有效的低维结构模式。这减少维度删除没用的信息和精确分解面部结构包括一些可能的相关变量转换为一个更小的数字正交(不相关的)组件称为主成分。每个面图像可以表示为一个加权和eigenfaces(特征向量),这是存储在一个一维数组。测试图像可以使用这些构造的特征加权和的脸。当一个测试图像,权重计算通过投影图像在特征向量。加权向量之间的距离的测试图像和数据库的图像进行比较。因此我们可以重建原始图像在特征脸的帮助下,匹配所需的图像。

PCA算法:

让图像的训练集? 1 ? 2……? M集的平均脸被定义为

每个面不同于一般的向量

我= 1…。m在哪里

联合方差矩阵是由

的矩阵A是在哪里

这组大向量然后主成分分析,寻求M的一组标准正交向量。获得贡献个人的权向量W eigen-faces面部图像,面对图像转化为其eigen-face组件投射到面对空间通过一个简单的操作。[8]

k = 1…米,其中M£M是eigen-faces用于识别的数量。权重向量形式W = (w1 w2,…。中每个Eigen-face wm)描述的贡献代表面前的形象,把eigen-faces为基础设置的脸图像。最简单的方法来确定哪些面提供了未知输入面部图像的最佳描述是找到最小化的图像k欧几里得距离€k

周是权向量描述训练集的k的脸。这个欧氏距离作为神经网络的输入。[9]

b .反向传播神经网络(摘要):

反向传播算法的多层网络使用重量调整基于s形的函数,如δ规则。根据反向传播网络(症)算法,是一个完全前馈网络连接。激活沿一个方向从输入层到输出层和一层的单位都是连接到下一层的每个单元。基本上,反向传播算法的网络包括两个清洁工向前和向后扫。向前扫定义了网络从输入层到输出层的输入向量通过网络传播提供输出在输出层。在扫描,网络的权重都是固定的。向后扫因此定义网络输出层的输入层,它类似于向前扫除了误差值是通过网络传播。这样做是为了确定权重是如何改变训练期间,权重都是按照调整的一个纠错规则的实际响应网络中减去从目标反应产生一个错误的信号。[10]

在图2中,隐藏单位发送激活每个输出单位,因此在向后扫,这个隐藏的单位会收到一个错误的信号输出单元。基本上,每一层的处理元素数量会有所不同根据应用程序验证。

反向传播算法使用监督学习方法,目标输出向量是前面定义的系统。学习过程始于一个输入模式的随机变量症。发现,净总输入使用标准的产品如下方程中定义的总结:

基本上,单位有规则计算输出值,将传播给其他单位,在这个规则被称为一个激活函数和输出值被称为激活的单元。使用反向传播算法乙状结肠函数作为激活函数,并用下面的方程表示,f (netj)隐藏层的激活函数表示为:

f(净_j)= 1 \ [1 + exp(净_j)]

为了找到下面的净总产量,方程定义适当的公式:_k= w_k.f(净_j)

然后,在两个隐藏层和输出层的输出都由方程如下定义:

O_j= f(净_j阿)_k= f(净_k)

输入模式实际上是通过整个网络传播到输出模式。基本上,广义三角洲症使使用规则以确定错误。δj表示所有隐层单元的错误如下方程和δk表示错误在所有输出层单元如下的方程:

最后,每个单位修改其输入连接权值在一个方向略有减少其误差信号,然后重复这个过程模式。通过应用一个学习率η,体重变化在隐层单元是由:

而输出层,重量变化可以确定:

反向传播的最后一步是更新权重值在系统中使用以下方程。

聊天流试验

仿真结果

测试结果使用PCA的人脸识别和摘要:

拟议的方法进行MATLAB仿真。该方法测试ORL脸上数据库。该数据库有多个个人形象?面对不同的条件。数据库分为两组,这是训练数据库和测试数据库。网络培训的培训数据库,然后一个测试数据库中的图像是美联储作为输入来测试网络。

结论

研究表明,使用PCA人脸识别系统的特征提取和图像分类和识别提供了一个摘要高准确率和快速计算。通过选择PCA特征选择技术,可以减少空间维度。PCA与摘要比个人更有效PCA相结合,完成系统的性能的基础上,由不同数量的测量的每个主题在训练和测试的面孔。识别性能增加,由于增加脸图像训练集。这是因为更多的样本图像能更好地描述对象的类在面对空间。因此得出结论,该方法有一个接受的比率超过90%的执行时间只有几秒钟。