模糊RBF神经网络在人脸识别的应用研究

论文摘要

随着社会的发展,各个方面对快速有效的自动身份验证的要求日益迫切,于是怎么用计算机进行身份验证是一项有意义的研究工作。众所周知,人的各种生物特征是人的内在的属性,具有很强的自身稳定性和个体差异性,因此以人的生物特征为依据进行身份验证是可行的。而其中人脸特征又是最自然直接的手段,相比其他生物特征,它具有直接、友好、方便的特点,易于为用户接受。目前人脸识别问题的研究发展很快,涵盖了图像处理、模式识别和计算机视觉等多个领域,它主要有两个部分:特征提取和模式识别部分。特征提取是从人脸图像中提取可以用来分类的特征信息,而模式识别部分是利用提取的特征进行模式分类及识别,本文就是沿着这个方向继续研究。本文对目前人脸识别相关方法进行深入研究,提出了基于模糊RBF神经网络的人脸识别模型,并提出采用基于K-means的层次聚类方法优化模糊RBF神经网络人脸识别模型。具体地,本文首先概述了人脸识别的基本理论和相关技术,分析了人脸各种特征提取方法之后,选择采用独立主元分析方法提取人脸特征。然后对模糊RBF神经网络和聚类方法进行了研究,在此基础上建立了模糊RBF神经网络的分类识别模型。与其他神经网络一样,模糊RBF神经网络参数初始值的选择会影响其训练效果,隐层神经元个数也决定模糊RBF神经网络的性能。针对神经网络的共性以及模糊RBF神经网络自身的特点,本文提出基于K-means的层次聚类方法对训练样本进行聚类分析,根据聚类结果初始化模糊RBF神经网络的参数和设定隐层神经元个数,并在此基础上提出减少模糊RBF神经网络参加训练的参数。通过实验比较,本文的模糊RBF神经网络改进方法提高了模糊RBF神经网络的训练效果与人脸识别效率。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 论文的研究背景和意义
• 1.2 人脸识别技术的发展研究现状概述
• 1.3 模糊神经网络的发展及研究现状概述
• 1.4 聚类算法研究现状概述
• 1.5 论文的主要内容与结构
• 第二章 人脸特征提取技术分析
• 2.1 人脸识别的步骤
• 2.2 特征提取
• 2.3 ICA 理论基础
• 2.3.1 独立统计的基本概念
• 2.3.2 ICA 预处理
• 2.3.3 ICA 的模型和定义
• 2.3.4 ICA 优化算法
• 2.4 本章小结
• 第三章 模糊RBF 神经网络理论研究
• 3.1 模糊神经网络概述
• 3.2 模糊集理论概述
• 3.2.1 模糊集的定义
• 3.2.2 模糊集的基本运算
• 3.2.3 模糊系统的T—S 模型
• 3.3 模糊RBF 神经网络
• 3.4 应用实例
• 3.5 本章小结
• 第四章 模糊RBF 神经网络的分类模型及其改进
• 4.1 模糊RBF 神经网络结构设计
• 4.2 K-means 聚类
• 4.3 基于K-means 的层次聚类方法
• 4.4 模糊RBF 神经网络分类模型的改进
• 4.4.1 参数初始值的确定
• 4.4.2 中心参数不参与训练
• 4.4.3 改进网络的应用实例
• 4.5 本章小结
• 第五章 改进模糊RBF 神经网络在人脸识别中的应用
• 5.1 人脸识别过程
• 5.2 模糊RBF 神经网络的两种训练模型
• 5.3 ICA 投影轴数对识别率的影响分析
• 5.4 ICA 提取特征的效果
• 5.5 参与直接梯度下降法训练的参数选择分析
• 5.6 训练样本数目对识别率的影响分析
• 5.7 模糊RBF 神经网络识别时间分析
• 5.8 本章小结
• 第六章 总结与展望
• 6.1 总结
• 6.2 展望
• 参考文献
• 攻读硕士期间发表的论文
• 致谢
• 附录 Ⅰ 本文方法Ⅰ 的网络训练代码
• 附录 Ⅱ 基于K-means 的层次聚类方法的代码