CN103020602A - 基于神经网络的人脸识别方法 - Google Patents

Abstract

一种基于神经网络的人脸识别方法属于人工智能和模式识别技术领域，其特征是：（1）在训练阶段，首先通过已知类别的人脸图像对神经网络进行训练，将人脸特征的提取用神经网络的学习过程实现，将人脸特征的描述用连接权大小表示，然后用训练样本测试训练好的神经网络并确定分类阈值；（2）在识别阶段，将待识别人脸图像输入到神经网络，计算神经网络输出向量，取其中最大分量与分类阈值比较给出识别结果。本发明的优点是对环境光照、视角、表情、化妆等多种因素引起的人脸图像变化有强的鲁棒性，解决了人脸图像中“神似”特征的提取和表示，识别时对每幅人脸图像处理的时间相同。

Description

基于神经网络的人脸识别方法

技术领域

本发明属于人工智能和模式识别技术领域,具体涉及一种基于神经网络的人脸识别方法。

背景技术

在当今的数字化时代，基于钥匙、证件、用户名和密码等的传统身份识别方法已经满足不了对身份认证的要求，利用人本身所具有的生理和行为特征的身份鉴别手段，如利用人脸、虹膜、指纹等进行鉴别受到了关注，成为研究热点。目前基于神经网络的人脸识别方法主要是把神经网络作为一个分类器使用，神经网络的输入为面部关键部位的形状、大小、位置关系等特征，神经网络只是根据这些特征完成模式分类。可见，这些方法依靠的是一些“看似有效的特征”存在着主观性、获取特征计算量大、鲁棒性差等问题。其实，人们对人和事物的模式识别往往依靠的是那种难以描述的“神似”特征，这些特征很难用类似于提取和描述形状、大小等特征的方法去获得和描述。

用神经网络模拟人的学习过程和联想能力，可以从复杂的数据中建立辨识系统，这符合人类对人脸图像这种复杂数据的认知过程。用神经网络去发现同一人脸多幅图像中存在的共性特征是通过调整神经网络的连接权实现的，这就是神经网络的训练。一旦训练完成，神经网络就可以作为人脸识别器使用，且识别过程无须“逐一比对”，对待识别人数多的识别问题，该系统识别每个人脸图像需要的时间都是相同的。

人脸识别要解决的关键问题就是如何提取和表示那些“只可意会、不可言传”的“神似”特征，而神经网络所具有的学习功能和非线性映射功能有助于神经网络从样本感悟到这些特征并记忆于连接权上，实现“神似”特征的提取和表示。

发明内容

本发明目的在于提供一种基于神经网络的人脸识别方法，可有效地克服现有技术存在的缺点。

本发明目的是这样实现的，其特征在于实施步骤如下：

（1）采集人脸图像，通过人脸检测和定位算法在人脸图像中分割人脸，将这些人脸图像统一缩放成M×M像素的灰度图像，设需要识别的人数为W，取每个人的人脸图像幅数为C，W和C均为正整数，人脸图像P^(i，j)表示第i人的第j幅图像，i=1,2,…,W，j=1,2,…,C，P⁽ⁱ⁾表示第i人的全部图像，有P^(i，j)∈P⁽ⁱ⁾，构造期望输出向量D⁽ⁱ⁾=(d₁ ⁽ⁱ⁾,d₂ ⁽ⁱ⁾,…,d_i ⁽ⁱ⁾,…,d_W ⁽ⁱ⁾)，其中d_i ⁽ⁱ⁾取0.8~1.0，D⁽ⁱ⁾其余的分量为0.0~0.2；

（2）设计神经网络的结构，采用输入层、三个隐层和输出层的五层神经网络，输入层节点数为M×M，隐层节点数为(4~8)log₂(M²+W²)，输入层和隐层的输出函数均选为tansig函数，输出层节点数为需要识别的人数W，输出函数选purelin函数，将均方误差作为训练停止的条件；

（3）训练神经网络，取已知人脸样本P^(i，j)作为神经网络输入，计算神经网络输出向量O^(i，j)=(o₁ ^(i，j),o₂ ^(i，j)，…,o_i ^(i，j),…,o_W ^(i，j))，并与已知人脸样本对应的期望输出向量D⁽ⁱ⁾=(d₁ ⁽ⁱ⁾,d₂ ⁽ⁱ⁾,…,d_i ⁽ⁱ⁾,…,d_W ⁽ⁱ⁾⁾比较，将比较误差E^(i，j)=D⁽ⁱ⁾-O^(i，j)用于调节神经网络连接权大小，反复训练神经网络，直到均方误差

满足要求；

（4）将P^(i，j)（i=1,2,…,W，j=1,2,…,C）逐一输入神经网络，记录所有的输出O^(i，j)（i=1,2,…,W，j=1,2,…,C），将O^(i，j)中所有第i个分量看作同一类样本same，将O^(i，j)中除第i个分量外的其它分量看作另外一类样本different，根据对same和different两类样本的统计分析，确定分类阈值T，此时，训练好的神经网络就可作为人脸识别器；

（5）识别时，将待识别人脸图像P输入到神经网络，计算输出向量O=(o₁,o₂,…,o_W)，若O=(o₁,o₂,…,o_W)中第K个分量最大，即

且o_K>T，那么待识别人脸图像P属于第K个人，否则给出“不认识”的结果。

本发明优点及积极效果是：

（1）解决了不同人脸的特征具有很大相似性、人脸易受（光照、表情、视角等）影响发生改变导致人脸特征提取困难的问题，该方法有助于获得人脸图像中存在的“只可意会、不可言传”的特征,通过训练神经网络能够把握同类样本的共同点和不同类样本之间的差异点，更有利于人脸区分。减小了特征选择存在的主观性影响，更加注重模仿人类认知过程中对“神似”特征的提取。

（2）在识别过程中无需对人脸面部关键特征及几何特征等进行检测和定位，也不需要对人脸进行几何校正，该方法对人脸的特征提取均由神经网络通过样本数据学习，因此算法简单，不需要进行额外数据处理，识别时可保证对每个人脸图像识别所需的时间相等。

（3）神经网络的并行存储和并行处理，使其具有很强的容错性，容许输入模式有一定的摄动范围，提高了算法鲁棒性。

（4）用已知样本测试训练好的神经网络，可以很容易地确定决策阈值，这样确定的阈值，既可减小错误识别率，同时又能减小错误拒绝率，提高了识别过程中对人脸图像的利用率。

（5）虽然样本数据均为图像，占用空间较大，但是，一旦神经网络训练完成，神经网络就可脱离样本数据使用，这样有助于节省程序存储空间，容易实现嵌入式人脸识别系统。

具体实施方式

以yalafaces数据库中15个人、每个人11幅图像为例进行人脸识别，其特征在于操作过程如下：

（1）采集人脸图像，设需要识别的人数为W＝15，每个人的人脸图像幅数为C＝11。将这些人脸图像统一缩放成100×100像素的灰度图像，人脸图像P^(i，j)表示第i人的第j幅图像，i=1,2,…,15，j=1,2,…,11，P⁽ⁱ⁾表示第i人的全部图像，有P^(i，j)∈P⁽ⁱ⁾，构造期望输出向量D⁽ⁱ⁾=(d₁ ⁽ⁱ⁾,d₂ ⁽ⁱ⁾,…,d_i ⁽ⁱ⁾,…,d₁₅ ⁽ⁱ⁾)，其中d_i ⁽ⁱ⁾取0.9，D⁽ⁱ⁾其余的分量取0.1。

（2）设计神经网络的结构，采用输入层、三个隐层和输出层的五层神经网络，输入层节点数为10000，每个隐层节点数为50，输入层和隐层的输出函数均选为tansig函数，输出层节点数为需要识别的人数15，输出函数为purelin函数，将均方误差作为训练停止的条件。

（3）训练神经网络，取已知人脸样本P^(i，j)作为神经网络输入，计算神经网络输出向量O^(i，j)=(o₁ ^(i，j),o₂ ^(i，j),…,o_i ^(i，j),…,o₁₅ ^(i，j))，并与已知人脸样本对应的期望输出向量D⁽ⁱ⁾=(d₁ ⁽ⁱ⁾,d₂ ⁽ⁱ⁾,…,d_i ⁽ⁱ⁾,…,d₁₅ ⁽ⁱ⁾)比较，将比较误差E^(i，j)=D⁽ⁱ⁾-O^(i，j)用于调节神经网络连接权大小，反复训练神经网络，直到均方误差

满足要求。经过反复训练，神经网络不断从相同人的图像中寻找共同特征，同时弱化不同人间具有的共性特征，强化不同人间的差异性特征，将这些找到的“只可意会、不可言传”的特征记忆在神经网络的连接权上，随着训练的次数增多，相同人的样本间的共性特征和不同人间的差异特征都基本固定下来，这时候均方误差不再减小或者减小很慢，可以停止训练。

（4）将P^(i，j)（i=1,2,…,15，j=1,2,…,11）逐一输入神经网络，记录所有的输出O^(i，j)（i=1,2,…,15，j=1,2,…,11），将O^(i，j)中所有第i个分量看作同一类样本same，将O^(i，j)中除第i个分量外的其它分量看作另外一类样本different，根据对same和different两类样本的统计分析，确定分类阈值T=0.47。此时，训练好的神经网络就可作为人脸识别器。

（5）识别时，将待识别人脸图像P输入到神经网络，计算输出向量O=(o₁,o₂,…,o₁₅)，若O=(o₁,o₂,…,o₁₅)中第K个分量最大，即

且o_K>T，那么待识别人脸图像P属于第K个人，否则给出“不认识”的结果。

Claims (1)

1.一种基于神经网络的人脸识别方法，其特征在于实施步骤为：

（1）采集人脸图像，通过人脸检测和定位算法在人脸图像中分割人脸，将这些人脸图像统一缩放成M×M像素的灰度图像，设需要识别的人数为W，取每个人的人脸图像幅数为C，W和C均为正整数，人脸图像P^(i，j)表示第i人的第j幅图像，i=1,2,…,W，j=1,2,…,C，P⁽ⁱ⁾表示第i人的全部图像，有P^(i，j)∈P⁽ⁱ⁾，构造期望输出向量D⁽ⁱ⁾=(d₁ ⁽ⁱ⁾,d₂ ⁽ⁱ⁾,…,d_i ⁽ⁱ⁾,…,d_W ⁽ⁱ⁾)，其中d_i ⁽ⁱ⁾取0.8~1.0，D⁽ⁱ⁾其余的分量为0.0~0.2；

（2）设计神经网络的结构，采用输入层、三个隐层和输出层的五层神经网络，输入层节点数为M×M，隐层节点数为(4~8)log₂(M²+W²)，输入层和隐层的输出函数均选为tansig函数，输出层节点数为需要识别的人数W，输出函数选purelin函数，将均方误差作为训练停止的条件；

（3）训练神经网络，取已知人脸样本P^(i，j)作为神经网络输入，计算神经网络输出向量O^(i，j)=(o₁ ^(i，j),o₂ ^(i，j)，…,o_i ^(i，j),…,o_W ^(i,j))，并与已知人脸样本对应的期望输出向量D⁽ⁱ⁾=(d₁ ⁽ⁱ⁾,d₂ ⁽ⁱ⁾,…,d_i ⁽ⁱ⁾,…,d_W ⁽ⁱ⁾)比较，将比较误差E^(i，j)=D⁽ⁱ⁾-O^(i，j)用于调节神经网络连接权大小，反复训练神经网络，直到均方误差

满足要求；

（4）将P^(i，j)（i=1,2,…,W，j=1,2,…,C）逐一输入神经网络，记录所有的输出O^(i，j)（i=1,2,…,W，j=1,2,…,C），将O^(i，j)中所有第i个分量看作同一类样本same，将O^(i，j)中除第i个分量外的其它分量看作另外一类样本different，根据对same和different两类样本的统计分析，确定分类阈值T，此时，训练好的神经网络就可作为人脸识别器；

（5）识别时，将待识别人脸图像P输入到神经网络，计算输出向量O=(o₁,o₂,…,o_W)，若O=(o₁,o₂,…,o_W)中第K个分量最大，即

且o_K>T，那么待识别人脸图像P属于第K个人，否则给出“不认识”的结果。