RBF网络和贝叶斯分类器融合的人脸识别方法设计_第1页
RBF网络和贝叶斯分类器融合的人脸识别方法设计_第2页
RBF网络和贝叶斯分类器融合的人脸识别方法设计_第3页
全文预览已结束

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

1、【Word版本下载可任意编辑】 RBF网络和贝叶斯分类器融合的人脸识别方法设计 利用聚类算法确定中心，可以利用的聚类算法较多，普通的就是K均值聚类算法，还有近邻、模糊聚类、支撑向量基等方法，这些方法都是先确定中心，然后输出层权值以及输出层的偏置再采用lms、rls算法等开展确定。在设计时，偏置可以根据自己的需要来设计，可以有也可以没有。 假定（1jr）为输入层神经元，为隐层第 i个神经元的中心，则第j个神经元在第i个隐层节点的输出为： , i =1,2,u，式中|表示欧氏范数。当RBF选用高斯核函数时，其输出为： 式中为隐层第 i 个神经元的宽度。输出层第 k 个节点的输出值 为： ，式中为隐

2、层节点 k 到第 j 个输出节点的连接权值。 RBF神经网络的构建和初始化 RBF神经网络隐层聚类的初始化过程如下： （1）隐层节点数u=s。假设每个类收敛于一个聚类中心，再根据情况具体调整。 （2）隐层第 k 个神经元的中心为 k 类特征矢量的均值。，k=1,2,u， （3）计算从均值 到属于类k 的远点的欧氏距离 （4）计算各个j聚类中心到k聚类中心的距离，j=1,2,s, jk （5） 包含规则：若且，则类k包含于类中，类应被 RBF神经网络的算法 网络学习就是通过调整连接权 、隐层中心和宽度，以减小输出误差。 1、连接权值的调整 定义误差函数为：，其中是第个训练样本的实际输出值和理想输

3、出值。通过线性二乘法求解权值。 2、隐层中心及宽度调整 W固定，采用梯度下降法，经推导可得和的迭代计算公式为： 其中，分别为隐层中心宽度的学习速率，m为迭代次数。 实验结果及分析 利用Yale人脸库中的人脸图像数据开展实验人脸识别实验研究，将人脸图像分块加权重构的奇异值向量X1，X2，Xl（其l中为训练样本的数目）矩阵依次输入RBF神经网络训练，当满足误差容限或训练次数，停止训练。在测试过程中，依据竞争选择的方法做出识别判断。 本文重点研究人脸图像的32子块权值选取情况如下： 表1 人脸图像划分不同子块数的识别结果 表2 赋予人脸图像32子块不同权值的识别结果 实验结果说明，基于人脸面部骨骼特征、以及眼睛分布、鼻子形状等构造特征，是鉴别人脸的主要依据。通过子块权值的合理分布，突出人脸骨骼特征，而对嘴部和皮肤折皱等表情变化部分特征给予弱化或剔除，这与人类识别人脸时的模式相近，识别效果较好。但是，子块不宜过多，否则增加RBF神经网络计算负担，识别率也会有所下降。 结论 本文提出了基于图像分块奇异值压缩，融合RBF神经网络和贝叶斯分类器的人脸识别方法，模拟人类识别人脸时剔除同一人脸变化部位的差异能力，采用不同子块单独开展人脸识别，根据RBF神经网络识别效果开展权值分配，通过实验证明，

人人文库> 全部分类> 办公材料 > 办公文档

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论