基于神經(jīng)網(wǎng)絡的人臉識別(附代碼).doc

【代碼及說明見第四頁】基于三層BP神經(jīng)網(wǎng)絡的人臉識別一、 實驗要求采用三層前饋BP神經(jīng)網(wǎng)絡實現(xiàn)標準人臉YALE數(shù)據(jù)庫的識別。二、BP神經(jīng)網(wǎng)絡的結構和學習算法實驗中建議采用如下最簡單的三層BP神經(jīng)網(wǎng)絡，輸入層為，有n個神經(jīng)元節(jié)點，輸出層具有m個神經(jīng)元，網(wǎng)絡輸出為,隱含層具有k個神經(jīng)元，采用BP學習算法訓練神經(jīng)網(wǎng)絡。BP神經(jīng)網(wǎng)絡的結構BP網(wǎng)絡在本質(zhì)上是一種輸入到輸出的映射，它能夠?qū)W習大量的輸入與輸出之間的映射關系，而不需要任何輸入和輸出之間的精確的數(shù)學表達式，只要用已知的模式對BP網(wǎng)絡加以訓練，網(wǎng)絡就具有輸入輸出對之間的映射能力。BP網(wǎng)絡執(zhí)行的是有教師訓練，其樣本集是由形如（輸入向量，期望輸出向量）的向量對構成的。在開始訓練前，所有的權值和閾值都應該用一些不同的小隨機數(shù)進行初始化。BP算法主要包括兩個階段：(1) 向前傳播階段從樣本集中取一個樣本(Xp,Yp)，將Xp輸入網(wǎng)絡，其中Xp為輸入向量，Yp為期望輸出向量。計算相應的實際輸出Op。在此階段，信息從輸入層經(jīng)過逐級的變換，傳送到輸出層。這個過程也是網(wǎng)絡在完成訓練后正常運行時執(zhí)行的過程。在此過程中，網(wǎng)絡執(zhí)行的是下列運算：(2) 向后傳播階段計算實際輸出Op與相應的理想輸出Yp的差；按極小化誤差的方法調(diào)整權矩陣。這兩個階段的工作一般應受到精度要求的控制，定義 (1)作為網(wǎng)絡關于第p個樣本的誤差測度（誤差函數(shù)）。而將網(wǎng)絡關于整個樣本集的誤差測度定義為 (2)如前所述，將此階段稱為向后傳播階段，也稱之為誤差傳播階段。為了更清楚地說明本文所使用的BP網(wǎng)絡的訓練過程，首先假設輸入層、中間層和輸出層的單元數(shù)分別是N、L和M。X=(x0,x1,xN-1)是加到網(wǎng)絡的輸入矢量，H=(h0,h1,hL-1)是中間層輸出矢量，Y=(y0,y1,yM-1)是網(wǎng)絡的實際輸出矢量，并且用D=(d0,d1,dM-1)來表示訓練組中各模式的目標輸出矢量。輸出單元i到隱單元j的權值是Vij，而隱單元j到輸出單元k的權值是Wjk。另外用k和j來分別表示輸出單元和隱單元的閾值。于是，中間層各單元的輸出為： (3)而輸出層各單元的輸出是： (4)其中f(*)是激勵函數(shù)，采用S型函數(shù)： (5)在上述條件下，網(wǎng)絡的訓練過程如下：(1) 選定訓練集。由相應的訓練策略選擇樣本圖像作為訓練集。(2) 初始化各權值Vij，Wjk和閾值j，k，將其設置為接近于0的隨機值，并初始化精度控制參數(shù)和學習率。(3) 從訓練集中取一個輸入向量X加到網(wǎng)絡，并給定它的目標輸出向量D。(4) 利用式(7)計算出一個中間層輸出H，再用式(8)計算出網(wǎng)絡的實際輸出Y。(5) 將輸出矢量中的元素yk與目標矢量中的元素dk進行比較，計算出M個輸出誤差項：對中間層的隱單元也計算出L個誤差項：(6) 依次計算出各權值和閾值的調(diào)整量： (6) (7) (8) (9)(7) 調(diào)整權值和閾值：，(8) 當k每經(jīng)歷1至M后，判斷指標是否滿足精度要求：E，其中E是總誤差函數(shù)，且。如果不滿足，就返回(3)，繼續(xù)迭代。如果滿足，就進入下一步。(9) 訓練結束，將權值和閾值保存在文件中。這時可以認為各個權值已經(jīng)達到穩(wěn)定，分類器形成。再一次進行訓練時，直接從文件導出權值和閾值進行訓練，不需要進行初始化。BP算法流程圖YALE數(shù)據(jù)庫是由耶魯大學計算視覺與扼制中心創(chuàng)立,包括15位志愿者，每個人有11張不同姿勢、光照和表情的圖片，共計165張圖片,圖片均為80*100像素的BMP格式圖像。我們將整個數(shù)據(jù)庫分為兩個部分，每個人的前5幅圖片作為網(wǎng)絡的訓練使用，后6副圖片作為測試使用。說明：程序的輸入數(shù)據(jù)可以從這里下載：鏈接: /s/1aAHGyg0sFH1PYdY4XekyTQ 密碼: vsfb如果不能下載了，可以自己找找YALE人臉數(shù)據(jù)庫。代碼分為read_can_use.m和main_can_ues.m先運行read_can_use.m讀取圖片的像素值，使用奇異值分解的方法得到對應的特征。程序預設了只讀取前5個人的人臉圖片，可以自己改成最多15個人。然后運行main_can_use.m，程序會輸出1 1 2 3 2 3，每個數(shù)字代表一張圖片最有可能的識別類別（就是人的編號）。對每個人的11張圖片，取前7張訓練網(wǎng)絡，后4張測試網(wǎng)絡，取前5個人進行實驗。所以共有35個訓練樣本，20個測試樣本。比如輸出的結果是1 1 1 1 2 2 1 2 3 3 3 3 .，因為每4個數(shù)字是屬于同一個人的，前四個都是1則都預測正確，第二組的4個數(shù)字2 2 1 2 中的那個1就是預測錯誤（本來是2預測成了1）。由于參數(shù)的隨機初始化，不保證每次的結果都相同。function main()%clcclear all;%close all;load(date1_5.mat,feature);warning off allSamNum=35; %輸入樣本數(shù)量TestSamNum=35; %測試樣本數(shù)量ForcastSamNum=20; %預測樣本數(shù)量HiddenUnitNum=8; %中間層隱節(jié)點數(shù)量取8InDim=40; %網(wǎng)絡輸入維度OutDim=4; %網(wǎng)絡輸出維度%inputp=;t=;pnew=;for i=1:55 if(mod(i,11)0) p=p;feature(i,:); elsepnew=pnew;feature(i,:); endendp=p;pnew=pnew;%outputs1=0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ;s2=0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 ;s3=0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ;s4=1 1 1 1 1 1 1 0 0 0 0 0 0 0 1 1 1 1 1 1 1 0 0 0 0 0 0 0 1 1 1 1 1 1 1 ;t=s1;s2;s3;s4;size(t) %4*35 輸出size(p) %40*35 輸入SamIn,minp,maxp,tn,mint,maxt=premnmx(p,t); %原始樣本對（輸入和輸出）初始化rand(state,sum(100*clock) %依據(jù)系統(tǒng)時鐘種子產(chǎn)生隨機數(shù)SamOut=tn;TestSamIn=SamIn; %這里取輸入樣本與測試樣本相同因為樣本容量偏少TestSamOut=SamOut; %也取輸出樣本與測試樣本相同MaxEpochs=50000; %最多訓練次數(shù)為50000lr=0.035; %學習速率為0.035E0=0.65*10(-3); %目標誤差為0.65*10(-3)W1=0.5*rand(HiddenUnitNum,InDim)-0.2; %初始化輸入層與隱含層之間的權值B1=0.5*rand(HiddenUnitNum,1)-0.2; %初始化輸入層與隱含層之間的閾值W2=0.5*rand(OutDim,HiddenUnitNum)-0.2; %初始化輸出層與隱含層之間的權值B2=0.5*rand(OutDim,1)-0.2; %初始化輸出層與隱含層之間的閾值ErrHistory=; %給中間變量預先占據(jù)內(nèi)存for i=1:MaxEpochs % HiddenOut=logsig(W1*SamIn+repmat(B1,1,SamNum); % 隱含層網(wǎng)絡輸出HiddenOut=1./(1+exp(-(W1*SamIn+repmat(B1,1,SamNum); % 隱含層網(wǎng)絡輸出NetworkOut=W2*HiddenOut+repmat(B2,1,SamNum); % 輸出層網(wǎng)絡輸出 Error=SamOut-NetworkOut; % 實際輸出與網(wǎng)絡輸出之差 SSE=sumsqr(Error) ; %能量函數(shù)（誤差平方和）ErrHistory=ErrHistory SSE; if SSEE0,break, end % 調(diào)整權值（閾值） Delta2=Error; Delta1=W2*Delta2.*HiddenOut.*(1-HiddenOut); dW2=Delta2*HiddenOut; dB2=Delta2*ones(SamNum,1); dW1=Delta1*SamIn; dB1=Delta1*ones(SamNum,1); %對輸出層與隱含層之間的權值和閾值進行修正 W2=W2+lr*dW2; B2=B2+lr*dB2; %對輸入層與隱含層之間的權值和閾值進行修正 W1=W1+lr*dW1; B1=B1+lr*dB1;endHiddenOut=1./(1+exp(-(W1*SamIn+repmat(B1,1,TestSamNum); % 隱含層輸出最終結果NetworkOut=W2*HiddenOut+repmat(B2,1,TestSamNum); % 輸出層輸出最終結果a=postmnmx(NetworkOut,mint,maxt); % 還原網(wǎng)絡輸出層的結果% 利用訓練好的網(wǎng)絡進行預測pnewn=tramnmx(pnew,minp,maxp); %歸一化；HiddenOut=1./(1+exp(-(W1*pnewn+repmat(B1,1,ForcastSamNum);anewn=W2*HiddenOut+repmat(B2,1,ForcastSamNum); % 輸出層輸出預測結果%把網(wǎng)絡預測得到的數(shù)據(jù)還原為原始的數(shù)量級；anew=postmnmx(anewn,mint,maxt);answer=zeros(1,size(anew,2);d=1;for j=1:20 for i=4:-1:1 answer(j)=answer(j)+anew(i,j)*d; d=d*2; end d=1;endanswer=answer+0.5;answer=floor(answer)function feature = read_can_use()clc,clear;%for i=1:5 for jj=1:11 % s1=YALEsubject0; s2=int2str(i);s22=_;s222=int2str(jj); s3=.bmp; str=strcat(s1,s2); str=strcat(str,s22); str=strcat(str,s222); str=strcat(str,s3); a2=imread(str); M=double(a2); % num=1; for j=1:10 for k=1:4 x=i; %將圖片的灰度矩陣劃分成32塊小矩陣 temp_num1=size(M,1)./10;%100*80 temp_num2=siz