2018年基于神经网络的人脸识别(附代码).doc

go 【代码及说明见第四页】 基于三层BP神经网络的人脸识别 实验要求 采用三层前馈BP神经网络实现标准人脸YALE数据库的识别。 二、BP神经网络的结构和学习算法 实验中建议采用如下最简单的三层BP神经网络，输入层为，有n个神经元节点，输出层具有m个神经元，网络输出为,隐含层具有k个神经元，采用BP学习算法训练神经网络。 BP神经网络的结构 BP网络在本质上是一种输入到输出的映射，它能够学习大量的输入与输出之间的映射关系，而不需要任何输入和输出之间的精确的数学表达式，只要用已知的模式对BP网络加以训练，网络就具有输入输出对之间的映射能力。 BP网络执行的是有教师训练，其样本集是由形如（输入向量，期望输出向量）的向量对构成的。在开始训练前，所有的权值和阈值都应该用一些不同的小随机数进行初始化。 BP算法主要包括两个阶段： (1) 向前传播阶段 ①从样本集中取一个样本(Xp,Yp)，将Xp输入网络，其中Xp为输入向量，Yp为期望输出向量。 ②计算相应的实际输出Op。 在此阶段，信息从输入层经过逐级的变换，传送到输出层。这个过程也是网络在完成训练后正常运行时执行的过程。在此过程中，网络执行的是下列运算： (2) 向后传播阶段 ①计算实际输出Op与相应的理想输出Yp的差； ②按极小化误差的方法调整权矩阵。 这两个阶段的工作一般应受到精度要求的控制，定义 (1) 作为网络关于第p个样本的误差测度（误差函数）。而将网络关于整个样本集的误差测度定义为 (2) 如前所述，将此阶段称为向后传播阶段，也称之为误差传播阶段。 为了更清楚地说明本文所使用的BP网络的训练过程，首先假设输入层、中间层和输出层的单元数分别是N、L和M。X=(x0,x1,…,xN-1)是加到网络的输入矢量，H=(h0,h1,…,hL-1)是中间层输出矢量，Y=(y0,y1,…,yM-1)是网络的实际输出矢量，并且用D=(d0,d1,…,dM-1)来表示训练组中各模式的目标输出矢量。输出单元i到隐单元j的权值是Vij，而隐单元j到输出单元k的权值是Wjk。另外用θk和Φj来分别表示输出单元和隐单元的阈值。 于是，中间层各单元的输出为： (3) 而输出层各单元的输出是： (4) 其中f(*)是激励函数，采用S型函数： (5) 在上述条件下，网络的训练过程如下： (1) 选定训练集。由相应的训练策略选择样本图像作为训练集。 (2) 初始化各权值Vij，Wjk和阈值Φj，θk，将其设置为接近于0的随机值，并初始化精度控制参数ε和学习率α。 (3) 从训练集中取一个输入向量X加到网络，并给定它的目标输出向量D。 (4) 利用式(7)计算出一个中间层输出H，再用式(8)计算出网络的实际输出Y。 (5) 将输出矢量中的元素yk与目标矢量中的元素dk进行比较，计算出M个输出误差项：对中间层的隐单元也计算出L个误差项： (6) 依次计算出各权值和阈值的调整量： (6) (7) (8) (9) (7) 调整权值和阈值：， ， (8) 当k每经历1至M后，判断指标是否满足精度要求：E≤ε，其中E是总误差函数，且。如果不满足，就返回(3)，继续迭代。如果满足，就进入下一步。 (9) 训练结束，将权值和阈值保存在文件中。这时可以认为各个权值已经达到稳定，分类器形成。再一次进行训练时，直接从文件导出权值和阈值进行训练，不需要进行初始化。 BP算法流程图 YALE数据库是由耶鲁大学计算视觉与扼制中心创立,包括15位志愿者，每个人有11张不同姿势、光照和表情的图片，共计165张图片,图片均为80*100像素的BMP格式图像。我们将整个数据库分为两个部分，每个人的前5幅图片作为网络的训练使用，后6副图片作为测试使用。 说明： 程序的输入数据可以从这里下载： 链接: /s/1aAHGyg0sFH1PYdY4XekyTQ 密码: vsfb 如果不能下载了， 可以自己找找YALE人脸数据库。 代码分为read_can