BP神经网络对人脸角度的检测讲解材料.ppt

自动化与电气工程学院; 多层前向反馈式神经网络是目前应用比较广泛的人工神经网络，其中BP(Back Propagation network，简称BP网络)学习算法是最著名的多层前向反馈式神经网络训练算法之一。该算法在图像处理和图像识别领域已经取得令人瞩目的成就，其主要思想是利用已知确定结果的样本模式对网络进行训练，然后利用训练好的网络进行图像的处理或识别。本文将讨论用MATLAB实现BP神经网络对人脸角度的分析。; 图像边缘提取 通常选择一阶和二阶导数来检测边界，利用求导的方法很方便的 检到灰度值的不连续的效果，常用的边缘提取算子有Roberts算子、sobel算子和prewitt算子等。 我这里用到是sobel算子，sobel算子对灰度渐变的图像处理效果较好，不仅能检测到边缘点，而且能进一步抑制噪声的影响 ; sobel算子包含两组3x3的矩阵，分别为横向及纵向，将之与图像作平面卷积，即可分别得出横向及纵向的亮度差分近似值。如果以A代表原始图像，Gx及Gy分别代表经横向及纵向边缘检测的图像，其公式如下： 图像的每一个像素的横向及纵向梯度近似值可用以下的公式结合，来计算梯度的大小。 ; 然后可用以下公式计算梯度方向 在以上例子中，如果以上的角度 等于零，即代表图像该处拥有纵向边缘，右方较亮，若为 ,则左方较亮。 原图片大小是420*420不方便图片特征提取，所以将图片特征提取，所以将图片分割成6行8列，由于图片中的眼睛位置变化较大最大，边缘效果最明显，所以对他特征提取，眼睛大概位于分割图片的第二行。; 特征值提取 建立一个N*8特征值P 相当于第i行，第j列分割图片的所有边缘灰度值之和，然后将矩阵标准化，得到所需要的特征向量。 ; 数学模型 : BP神经网络是一种多层前向网络，由输入层、输出层、隐含层(可以是一层或多层)构成，一种典型的三层BP神经网络模型如图所示。 ; （1）作用函数模型 传递函数是反映下层输入对上层节点刺激脉冲强度的函数又称刺激函数，一般取为(0,1)内连续取值Sigmoid函数，即: （2）节点输出模型 隐节点输出模型： 输出节点输出模型： f-非线形作用函数；q -神经单元阈值 （3）误差计算模型 误差计算模型是反应神经网络计算输出与实际输出之间误差 的函数 ; 反向传播算法的主要思想是把学习过程分为2个阶段：第1阶段(正向传播过程)，输入信息从输入层开始逐层计算各单元的实际输出值，每一层神经元的状态只对下一层神经元的状态产生影响；第2阶段(反向传播过程)，若在输出层未能得到期望的输出值，则逐层递归计算实际输出与期望输出之间的差值，根据此误差修正前层权值使误差信号趋向最小。它通过连续不断地在相对于误差函数斜率下降的方向上计算网络权值和偏差变化而逐渐逼近目标。每次权值和误差的变化都与网络误差的影响成正比。 BP网络模型处理信息的基本原理是：输入信号Xi通过中间节点（隐层点）作用于输出节点，经过非线形变换，产生输出信号Yk，网络训练的每个样本包括输入向量X和期望输出量t，网络输出值Y与期望输出值t之间的偏差，通过调整输入节点与隐层节点的联接强度取值Wij和隐层节点与输出节点之间的联接强度Tjk以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数（权值和阈值），训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线形转换的信息。 ;构建BP神经网络步骤 第1步，用均匀分布随机数将权值和阈值初始化。 第2步，对样本数据进行训练： (1)加载输入向量和目标向量； (2)计算隐含层和输出层的实际输； (3)计算输出层的误差； (4)计算隐含层单元误差； (5)采用梯度下降法对权值和阈值进行修改，将误差信号沿原来的连续返回，通过修改各层神经元的权值，逐次地向输入层传播去进行计算。再经过正向传播过程，这两个过程反复进行使得误差信号最小；;BP网络训练过程; 1.3 BP神经网络的工具箱函数 Matlab2014Ra的BP网络工具箱中包含了进行BP网络分析和设计的许多工具函数，表列出了其中一些函数的名称和基本功能。 函数名 功能 Logsig 对数S型传递函数 pure