基于图像分块和rbf神经网络的人脸识别方法

《基于图像分块和rbf神经网络的人脸识别方法》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、基于图像分块和神经网络的人脸识别方法RBF吴成东1，陈彪2，郑君刚2(1.沈阳建筑大学信息与控制工程学院，辽宁沈阳110168;2.沈阳建筑大学理学院，辽宁沈阳110168)摘要:目的提出一种基于图像分块和径向基函数(RBF)神经网络的人脸特征提取与识别方法，解决人脸识别中的高维、小样本问题.方法采用人脸图像的分块处理、奇异值分解压缩算法，降低特征维数，有效地解决了存储和传输中的数据压缩问题，运用基于聚类方法的RBF神经网络分类器进行人脸分类识别.结果通过实验和数据分析表明，该方法在人脸骨骼特征明显时具有较高的识别率，与基于整体人脸图像的识别效果相比，识别率提高了3%.结论笔

2、者提出的识别方法具有良好的学习效率和识别精度品质指标.关键词:奇异值分解;RBF神经网络;人脸特征;分类;图像中图分类号:TP391文献标志码:A将人脸图像本身的灰度分布描述为矩阵，其奇异值特征具有转置不变性、旋转不变性、位移不变性、镜像不变性等诸多重要的性质，进行各种代数和矩阵变换后提取的代数特征是人脸的表征［1－2］.基于奇异值特征进行人脸识别的方法是由Hong［3－4］首先提出来的.在样本数量很大、维数很高的情况下，利用奇异值分解(SingularVal-ueDecomposition，SVD)压缩降维处理，减少算法的时间复杂度，是描述人脸特征一种有效的方法.由于整体图

3、像的奇异值向量反映的是图像整体的统计特征［5－6］，对细节的描述还不够深入.基于此，笔者模拟人类识别人脸的模式，在图像分块和加权的基础上［7－12］，突出待识别人脸的骨骼特征，近似于人类在识别人脸时自动剔除同一人脸的变化部位的差异能力.人脸识别在本质上是区分两幅人脸图像表观上的差别，是类内变化(同一人的不同图像)还是类间变化(不同人的不同图像).因此，如何对类内变化以及类间变化精确的建模和分类成为人脸识别领域的重要研究内容之一.径向基函数(Ra-dialBasisFunction，RBF)网络是一种性能良好的前馈型三层神经网络，具有全局逼近性质和最佳逼近性能，训练方法快速易行

4、，RBF函数还具有局部响应的生物合理性［8－9］.RBF神经网络隐含层结点使用了非线性传输函数，比单层感知器网络具有更强的分类能力.在隐含层中心确定的情况下，RBF神经网络只需对隐含层至输出层的单层权值学习修正，比多层感知器具有更快的收敛速度，这也是笔者选择RBF神经网络作为分类器的原因.笔者基于人脸图像分块和奇异值分解，进行RBF神经网络分类器的设计.在RBF神经网络构建和初始化采取有监督的聚类算法，在网络参数的最终调整和训练方面采取Hybrid学习(Hy-bridLearningAlgorithm，HLA)算法.在隐层参数固定的条件下，由线性最小二乘法计算隐层和输出层之间

5、的连接权值，由梯度下降法调整隐层神经元的中心和宽度.这种混合学习算法，能使RBF网络逼近Moody准则下的最优结构，即:在没有其他先验知识的情况下，与给定样本一致的规模最小的网络就是最好的选择.从而保证该网络具有较好的泛化能力.收稿日期:2009－10－11基金项目:住房和城乡建设部科研基金项目(2007－K03－04)模型的人脸识别方法，Wang［10］提出的基于奇异基于SVD的人脸识别算法对于任何一个矩阵A∈Rm×n，利用奇异值分解将其转化为对角矩阵.1.1SVD定理1(设A∈Rm×n(不失一般性，设m≥n)，且rank(A)=k，则存在两个酉矩阵Um×n和Un×n及广义

6、对角阵Dm×m使下式成立:1值分解和神经网络的人脸鉴别方法等，这些方法使得在人脸库上的小样本识别率达到了90%以上.Tian等人［6］发现，直接对整幅人脸图像进行奇异值分解，并没有考虑人脸的局部和细节特征，而且提取的奇异值特征中包含了大量冗余信息.笔者提出的人脸特征提取方法实现的流程如下:1)从人脸数据库选择人脸作为识别训练集;2)将被选入训练集的人脸图像几何归一化处理;将被选入训练集的人脸图像灰度归一处理;3)将预处理过的人脸图像划分成大小为N1×N2的子块;4)将每一幅图像变为一个列向量(先分别将每一个子块所有向量排成一列，再将所有子块按顺序排成一列);然后以子块为单位进

7、行;5)计算全部人脸图像的均值;计算每一类人脸图像的平均脸，同时将人脸图像列向量与类内平均脸求差.A=UDVT，(1)式中:U的列向量为AAT的特征向量;V的列向量为ATA的特征向量.(0)，∑k×k(2)Dm×n=00∑k×k=diag(σ1，σ2，…，σk)T，(3)式中:σi槡λi(i=1，2，…，k，…，n)称为矩阵A=T的奇异值;λ1≥λ2≥…≥λk>0是AA同时也是ATA的k个非零特征值，λ==…=λk+1k+2λm=0为AA的m－k个零特征值，而λk+1T=T=…λn0为AA的ri－k个零