基于BP神经网络的人脸识别

1、基于bp神经网络的人脸识别学生：林仙土 学号：s071954 摘要：人脸自动识别技术有着广阔的应用领域，本文提出用主成分分析和bp神经网络进行人脸识别。人脸识别包括两个部分：第一，特征提取；第二，神经网络进行识别。 关键词：bp神经网络 人脸识别 主成分分析 本系统采用20幅图像（4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。此方法对人脸库图像进行测试，识别率

2、达到90%以上。本系统采用matlab编程，并运用了其中的gui编程实现人机交互。 为在不同机子下顺利运行，本系统用uigetdir函数让用户选择训练图像库和待识别图像，使得待识别图像可在不同位置皆可让软件识别。 注意：待识别图像的名字必须是test.jpg。系统界面：程序：function varargout = bp(varargin)gui_singleton = 1;gui_state = struct(gui_name, mfilename, . gui_singleton, gui_singleton, . gui_openingfcn, bp_openingfcn, . gui_

3、outputfcn, bp_outputfcn, . gui_layoutfcn, , . gui_callback, );if nargin & ischar(varargin1) gui_state.gui_callback = str2func(varargin1);end if nargout varargout1:nargout = gui_mainfcn(gui_state, varargin:);else gui_mainfcn(gui_state, varargin:);endfunction bp_openingfcn(hobject, eventdata, handles,

4、 varargin)handles.output = hobject; guidata(hobject, handles); % uiwait makes bp wait for user response (see uiresume)% uiwait(handles.figure1);% - outputs from this function are returned to the command line.function varargout = bp_outputfcn(hobject, eventdata, handles) % varargout cell array for re

5、turning output args (see varargout);% hobject handle to figure% eventdata reserved - to be defined in a future version of matlab% handles structure with handles and user data (see guidata) % get default command line output from handles structurevarargout1 = handles.output; % - executes on button pre

6、ss in input.function input_callback(hobject, eventdata, handles)% hobject handle to input (see gcbo)% eventdata reserved - to be defined in a future version of matlab% handles structure with handles and user data (see guidata)global testdatabasepathtestdatabasepath=uigetdir(d:, select test database

7、path);axes(handles.axes1);a=imread(strcat(testdatabasepath,test.jpg);imshow(a)set(handles.text1,string,image for recognition) % - executes on button press in recognise.function recognise_callback(hobject, eventdata, handles)% hobject handle to recognise (see gcbo)% eventdata reserved - to be defined

8、 in a future version of matlab% handles structure with handles and user data (see guidata)traindatabasepath=uigetdir(d:, select training database path);global testdatabasepathvalue=bpnet(testdatabasepath,traindatabasepath)set(handles.text2,string,value)载入选择图像路径载入图像特征提取程序：function icaproject,wica=bpf

9、eatureextract(imagepath)% 用于训练的图片数量count=20;%图像格式为.jpg;s=; %用于存储20幅图像的矩阵for i=1:countstr=strcat(imagepath,int2str(i),.jpg); %把两个字符串连接起来组成图像名eval(img=imread(str););row col=size(img); % 获得一幅图像的行数n1和列数n2temp=reshape(img,row*col,1); %产生一个(n1*n2)x1 matrixs=s temp; %s is a n1*n2xm matrixendsig=double(s);%

10、sig是mxn1*n2 matrix%对sig矩阵去均值处理sigmean=mean(sig);%对每一列取均值,imgsig是20x10304for i=1:size(sig)imgsig(i,:)=sig(i,:)-sigmean;end%对去均值的数据进行白化处理covariancematrix=cov(imgsig,1);%covariancematrix是20x20矩阵e,d=eig(covariancematrix);%e和d是20x20矩阵% 去掉值为0的特征值v=;d=;for i=1:size(e,2)if(d(i,i)0)v=v e(:,i);d=d d(i,i);ende

11、nd%将特征值由大到小排序，特征值对应的特征向量也作相应的排序dccol=d;vc=v;%从小到大排序dcsort dcindex=sort(dccol);%vc的列数dccols=size(vc,2);%反序for i=1:dccols vcsort(:,i)=vc(:,dcindex(dccols-i+1); dcsort(i)=dccol(dcindex(dccols-i+1);end%取前k个最大特征值对应的特征向量，保留95的能量，此时k=8dcsum=sum(dcsort);dcsum_extract=0;k=0;while(dcsum_extract/dcsum0.95) k=k

12、+1; dcsum_extract=sum(dcsort(1:k);end%temp是由前k个最大的非0特征值对应的特征向量组成的i=1;temp=;while(i=k) temp(:,i)=dcsort(i)(-1/2)*vcsort(:,i); i=i+1;endwhiteningmatrix=temp;%用于白化数据的白化矩阵，whiteningmatrix是8x20%用快速ica算法求分离矩阵w（迭代50次）whitesig=whiteningmatrix*imgsig;x=whitesig;%x是8x10304vectorsize,numsamples=size(x);b=zeros(vectorsize);%b是8x8numofic=vectorsize;%numofic是8for r=1:numofic i=1; maxnumiterations=50;%设置最大的迭代次数w=rand(vectorsize,1)-.5;%随机设置初始值w=w/norm(w);%初始化w（0），令其模为1while i0.9