本發(fā)明涉及一種生物識(shí)別方法，具體涉及一種基于核零空間線性鑒別分析(KNLDA)的RBF神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別方法，屬于計(jì)算機(jī)視覺(jué)和模式識(shí)別領(lǐng)域。

背景技術(shù)：

人臉識(shí)別是當(dāng)今模式識(shí)別的一個(gè)重點(diǎn)研究課題。近20年來(lái)，人臉識(shí)別技術(shù)的研究已經(jīng)成為一個(gè)研究熱點(diǎn)，其簡(jiǎn)單、直接、易于被用戶接受。目前，人臉識(shí)別技術(shù)已經(jīng)廣泛應(yīng)用于證件驗(yàn)證、智能監(jiān)控、刑偵破案等領(lǐng)域，但是由于人臉識(shí)別是非剛性、光照變化、姿勢(shì)變化、年齡變化、遮擋等問(wèn)題，這些對(duì)人臉識(shí)別算法產(chǎn)生影響，其程度各不相同。

由于人臉圖像的維度比較高，一般方法的通常做法是將人臉圖像進(jìn)行降維提取特征臉，再進(jìn)行對(duì)比。特征提取是人臉識(shí)別的關(guān)鍵步驟其主要目的是降維，較為經(jīng)典的算法有主成分分析(PCA)和線性判別分析(LDA)相較于以重構(gòu)為目的的PCA，以分類(lèi)為目的的LDA在處理人臉識(shí)別問(wèn)題時(shí)更為有效。然而在人臉識(shí)別中經(jīng)常會(huì)遇到小樣本問(wèn)題使類(lèi)內(nèi)散步矩陣Sw奇異，針對(duì)該問(wèn)題，研究者相繼提出了很多算法，提出了零空間線性判別分析(NLDA)并證實(shí)了最佳鑒別矢量集應(yīng)位于Sw的零空間中。NLDA方法本質(zhì)上仍是一種線性方法，在人臉識(shí)別問(wèn)題中，由于光照、姿態(tài)、表情等差異，造成人臉圖像分布是非線性的和復(fù)雜的，所以線性算法在完成人臉等圖像識(shí)別任務(wù)時(shí)，不能取得令人滿意的結(jié)果。通過(guò)非線性映射，核方法將輸入空間樣本映射到高維特征空間，在高維特征空間利用線性特征提取算法，從而有效提取樣本的非線性特征。將NLDA與核方法進(jìn)行結(jié)合，得到核零空間線性鑒別分析(KNLDA)，導(dǎo)出了KNLDA算法，通過(guò)引入核函數(shù)，得到低維矩陣，有效避免了直接計(jì)算復(fù)雜的非線性映射函數(shù)，解決了高維類(lèi)內(nèi)離散度矩陣的維數(shù)災(zāi)難問(wèn)題。

徑向基函數(shù)(Radial Basis Function,RBF)神經(jīng)網(wǎng)絡(luò)是于上世紀(jì)八十年代末由J.moody與C.Darken提出的一種神經(jīng)網(wǎng)絡(luò)，它模擬了人腦中調(diào)整、相互覆蓋接受區(qū)域的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，能以任意進(jìn)度畢竟任意連續(xù)函數(shù)，是一種局部逼近網(wǎng)絡(luò)，RBF網(wǎng)絡(luò)的結(jié)構(gòu)能夠根據(jù)具體問(wèn)題進(jìn)行調(diào)整，具有學(xué)習(xí)速度快，不會(huì)陷入局部極小的特點(diǎn)，目前已廣泛應(yīng)用于系統(tǒng)辨認(rèn)，函數(shù)逼近、信號(hào)處理與控制等多個(gè)領(lǐng)域。

在實(shí)際生活中，人臉圖像由照明、姿勢(shì)、年齡、遮擋等變化造成人臉識(shí)別難度。所以。在日常生活中，人臉識(shí)別技術(shù)還不夠圓滿，為此長(zhǎng)期進(jìn)行深入的研究，最近幾年，人臉識(shí)別技術(shù)得到了很大的進(jìn)展，但是仍然都不能達(dá)到滿意的要求。

技術(shù)實(shí)現(xiàn)要素：

人臉識(shí)別受光照、姿態(tài)、遮擋物一系列自然因素的干擾異常嚴(yán)重，為了提高識(shí)別率、增強(qiáng)魯棒性，本發(fā)明提供了一種基于核零空間的線性鑒別分析(KNLDA)的RBF神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別方法，該方法能更好地體現(xiàn)人臉的非線性特征，利用RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行更精準(zhǔn)的識(shí)別。

本發(fā)明通過(guò)以下技術(shù)手段解決上述技術(shù)問(wèn)題：

一種基于KNLDA的RBF神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別方法，其步驟如下：首先，讀取人臉圖像并進(jìn)行人臉區(qū)域檢測(cè)，然后，人臉圖像增強(qiáng)預(yù)處理，繼而通過(guò)KNLDA選取最佳投影矩陣，對(duì)人臉圖像進(jìn)行特征提取，最后訓(xùn)練RBF神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)人臉識(shí)別。

傳統(tǒng)的LDA方法對(duì)于光照較強(qiáng)、人臉姿態(tài)變化較大、存在部分遮擋的自然環(huán)境下，識(shí)別率會(huì)急劇下降，為了提高方法的魯棒性和識(shí)別率，本文采用基于KNLDA的RBF神經(jīng)網(wǎng)絡(luò)人臉識(shí)別方法，其步驟如下：

(1)通過(guò)核函數(shù)方法將輸入空間映射到高維空間；

(2)將高維空間的樣本進(jìn)行零空間線性鑒別分析，可有效解決小樣本問(wèn)題，并且使類(lèi)內(nèi)距離最小，類(lèi)間距離最大；

(3)得到最佳投影矩陣，求得降維矩陣，用此樣本訓(xùn)練RBF神經(jīng)網(wǎng)絡(luò)；

(4)采用正交最小二乘法學(xué)習(xí)算法訓(xùn)練，通過(guò)正交化方法，在輸入空間中選取對(duì)降低誤差貢獻(xiàn)較大的向量作為網(wǎng)絡(luò)中心；

(5)使用RBF神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)人臉識(shí)別。

RBF神經(jīng)網(wǎng)絡(luò)具有以下優(yōu)點(diǎn)：

1、具有全局最佳逼近的特性。

2、網(wǎng)絡(luò)的輸入和輸出映射功能較強(qiáng)，理論證實(shí)，與其他前向網(wǎng)絡(luò)相比，RBF網(wǎng)絡(luò)是完成映射功能最優(yōu)的前向網(wǎng)絡(luò)。

3、網(wǎng)絡(luò)中連接權(quán)值和輸出之間呈現(xiàn)出線性關(guān)系。

4、較強(qiáng)的分類(lèi)能力。

5、因?yàn)樯窠?jīng)元進(jìn)行局部調(diào)節(jié)，所以RBF神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程收斂速度快。

本發(fā)明針對(duì)光照強(qiáng)度、人臉姿態(tài)變化較大、人臉存在遮擋造成識(shí)別率嚴(yán)重降低，提出了一種基于KNLDA的RBF神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別方法，通過(guò)該方法可以最大程度的優(yōu)化投影矩陣，從而使目標(biāo)函數(shù)達(dá)到最大值，并且識(shí)別率較常規(guī)的二維主成分分析法方法相比，識(shí)別率更高，魯棒性更好。

附圖說(shuō)明

圖1是基于KNLDA的RBF神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別方法流程圖

圖2是基于膚色和AdaBoost人臉檢測(cè)方法流程圖

圖3是RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖

圖4是軟件初始界面圖

圖5是樣本注冊(cè)界面圖

圖6是訓(xùn)練樣本示例圖

圖7是軟件運(yùn)行初始化界面圖

圖8是訓(xùn)練界面圖

圖9是復(fù)雜情形下的識(shí)別效果圖

具體實(shí)施方式

本發(fā)明的思路是針對(duì)現(xiàn)有的人臉識(shí)別方法在光照、姿態(tài)、遮擋物一系列自然因素的干擾下，識(shí)別率大幅度降低，魯棒性也減弱的問(wèn)題，提出了一種核零空間線性鑒別分析(KNLDA)的RBF神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別方法，通過(guò)引入核函數(shù)，將輸入空間映射到高維特征空間，低維空間線性不可分的模式通過(guò)非線性映射到高維特征空間則可能實(shí)現(xiàn)線性可分，研究表明，與基于歐氏距離度量的分類(lèi)相比，使用RBF神經(jīng)網(wǎng)絡(luò)分類(lèi)法可以改進(jìn)人臉識(shí)別系統(tǒng)。提高人臉識(shí)別方法在光照、姿態(tài)變化較大，存在部分遮擋下的識(shí)別率，增強(qiáng)魯棒性。

本發(fā)明的人臉識(shí)別方法，其流程圖如圖1所示：具體按照以下步驟:

步驟1、人臉檢測(cè)

考慮到人臉是一個(gè)相當(dāng)復(fù)雜的特征，在人臉檢測(cè)中需要考慮較多的因素，基于膚色的檢測(cè)方法對(duì)人臉表情、姿態(tài)等變化有較強(qiáng)的適用性，然而，這種方法誤檢率偏高，基于AdaBoost的人臉檢測(cè)方法雖然擁有較低的誤檢率，但是其檢測(cè)速度較慢。綜合考慮，為了提高人臉檢測(cè)方法的性能，本文采用將AdaBoost方法與膚色模型相結(jié)合，從而完成人臉檢測(cè)?；谀w色特性和AdaBoost人臉檢測(cè)方法的思想可以概括為：首先，利用人體膚色聚類(lèi)特性在YCbCr色彩空間下建立基于膚色的統(tǒng)計(jì)模型，從待檢測(cè)圖像中篩選出人臉區(qū)域，繼而運(yùn)用改進(jìn)的AdaBoost訓(xùn)練出的級(jí)聯(lián)分類(lèi)器對(duì)可能的人臉區(qū)域進(jìn)行驗(yàn)證，最后確定圖像中的人臉位置，本發(fā)明的人臉檢測(cè)方法流程圖如圖2所示。

步驟2、圖像預(yù)處理

在使用圖像采集設(shè)備進(jìn)行拍攝視頻圖像和傳輸?shù)倪^(guò)程中，受到外部環(huán)境諸如溫度、光照以及設(shè)備本身因素的影響，獲取到的圖像質(zhì)量會(huì)降低。因此，需要對(duì)采集到的圖像進(jìn)行預(yù)處理。人臉檢測(cè)和人臉識(shí)別過(guò)程必不可少的一個(gè)環(huán)節(jié)是人臉圖像的預(yù)處理，人臉圖像質(zhì)量的好壞直接關(guān)系到圖識(shí)別的準(zhǔn)確率。由于圖像采集的環(huán)境非常復(fù)雜，導(dǎo)致采集到的圖像融入噪聲，從而導(dǎo)致失真。為了保證圖像的質(zhì)量，圖像的預(yù)處理是必要的。常用的人臉圖像預(yù)處理的方法有：灰度變換、二值化、圖像的歸一化、圖像濾波、圖像銳化等。

步驟3、基于核零空間線性鑒別分析(KNLDA)的特征提取

核零空間線性鑒別分析在特征提取上是基于LDA方法和核函數(shù)的改進(jìn)。線性鑒別分析(LDA)已廣泛應(yīng)用于機(jī)器視覺(jué)和圖像識(shí)別等領(lǐng)域，但難以解決遇到的小樣本問(wèn)題，零空間線性鑒別分析(NLDA)在訓(xùn)練樣本總類(lèi)內(nèi)離散度矩陣的零空間中提取樣本的鑒別特征，克服了的小樣本問(wèn)題，提高了識(shí)別率，然而，NLDA仍然是一種線性特征的提取方法，不能有效提取樣本的非線性特征。通過(guò)非線性映射，核函數(shù)方法將輸入空間樣本映射到高維特征空間，在高維特征空間利用線性特征提取算法，從而有效提取樣本的非線性特征。在實(shí)際穩(wěn)定的人臉識(shí)別系統(tǒng)中，光照強(qiáng)度、人臉姿態(tài)變化、遮擋物問(wèn)題始終是個(gè)極具挑戰(zhàn)的難題，這些問(wèn)題引起的誤差可能干擾到圖像的某些位置的特征提取，同時(shí)對(duì)一些有用信息的幅值也會(huì)產(chǎn)生影響。這些干擾因素帶來(lái)的噪聲干擾同時(shí)也會(huì)對(duì)其他無(wú)遮擋的部分的特征提取帶來(lái)不利的影響。所以本發(fā)明采用核零空間線性鑒別分析特征提取方法。

采用核零空間線性鑒別分析特征提取方法，其步驟如下：

假設(shè)C類(lèi)樣本分別為A¹，A¹，A¹，...，A^c，每類(lèi)樣本數(shù)為n_i(i＝1,2,3...C)，總數(shù)為N；表示第i(i＝1,2,3,...,C)類(lèi)、第j(j＝1,2,3,...,n_i)個(gè)樣本，則第i類(lèi)樣本的類(lèi)內(nèi)均值為C類(lèi)樣本總均值為

線性鑒別分析(LDA)

線性鑒別分析是以提取高維樣本最具鑒別能力的低維特征為目的。將樣本總類(lèi)內(nèi)離散度矩陣Sw和總類(lèi)間離散度矩陣Sb分別定義為：

則樣本總離散度矩陣St為：

假設(shè)W_LDA為L(zhǎng)DA算法的投影矩陣，則LDA準(zhǔn)則定義為:

當(dāng)投影矩陣W_LDA滿足LDA的準(zhǔn)則函數(shù)最大時(shí)，樣本投影后的線性鑒別特征具有最佳分辨能力。W_LDA可通過(guò)求解的p個(gè)較大特征值對(duì)應(yīng)的特征向量w₁,w₂...,w_d,...w_p組成投影矩陣，然而，S_w通常為奇異矩陣，其秩遠(yuǎn)小于樣本的維數(shù)m，從而使W_LDA無(wú)法求解，即出現(xiàn)小樣本問(wèn)題。

為了解決小樣本問(wèn)題，使用NLDA算法，首先去掉St的零空間，將所有樣本向St的秩空間投影，降低了樣本維數(shù)而沒(méi)有丟失Sw的零空間鑒別信息，St的秩通常為N-1，因此，樣本向St的秩空間投影后的維數(shù)l滿足l<N-1<<m,從而解決了Sw零空間的維數(shù)災(zāi)難問(wèn)題。具體描述如下：

1)去掉St的零空間，假設(shè)U為St非零特征值對(duì)應(yīng)的特征向量組成的投影矩陣，則有S_w'＝U^TS_wU和S_b'＝U^TS_bU。

2)計(jì)算S_w'的零空間，假設(shè)P為S_w'的零空間，則有S_w”＝P^TS_w'P＝(UP)^TS_w(UP)＝0和S_b”＝P^TS_b'P＝(UP)^TS_b(UP)。其中UP為Sw的有效零空間，對(duì)提取鑒別特征有貢獻(xiàn)。

3)若S_b”的零空間存在，則將其去除，即在S_w'的零空間中最大化樣本的類(lèi)間距離，假設(shè)V表示S_b”非零特征值對(duì)應(yīng)的特征向量組成的矩陣，則NLDA的投影矩陣可表示為W_NLDA＝UPV。

經(jīng)過(guò)1)和2)，S_b”通常為滿秩矩陣，故第三步可以省略，此時(shí)NLDA投影矩陣可表示為W_NLDA＝UP，其中W_NLDA表示NLDA的投影矩陣。

NLDA算法仍然不能有效提取樣本的非線性特征，而核方法可以通過(guò)非線性映射，將輸入空間樣本映射到高維特征空間，然后在高維特征空間提取樣本最具鑒別能力的非線性特征。本發(fā)明引入核方法的優(yōu)點(diǎn)，引入了KNLDA算法，并應(yīng)用于人臉識(shí)別，即將高維特征空間中樣本總類(lèi)內(nèi)離散度矩陣的零空間投影矩陣作為人臉識(shí)別的投影矩陣。經(jīng)過(guò)非線性映射Φ，將輸入空間樣本變換到高維特征空間F中，每類(lèi)樣本經(jīng)過(guò)非線性映射后的均值為假設(shè)W_KNLDA＝[w₁,w₂,...,w_d,...,w_p]為KNLDA的投影矩陣，則在高維特征空間F中，樣本的特征可表示為：

在高緯特征空間F中，樣本特征總類(lèi)內(nèi)離散矩陣表示為：

其中表示在高維特征空間F中第i類(lèi)樣本特征的均值，其中為樣本高維特征空間F中總類(lèi)內(nèi)離散度矩陣，然而，非線性映射Φ的具體形式難以求出，因此，不能直接通過(guò)對(duì)進(jìn)行特征值分解求得KNLDA的投影矩陣W_KNLDA。

根據(jù)核函數(shù)理論，在高維特征空間F中，投影矩陣W_KNLDA的任意投影向量Wd可展開(kāi)為所有經(jīng)過(guò)非線性映射Φ后的訓(xùn)練樣本之和，即

其中，表示投影向量Wd朝著投影方向投影后的展開(kāi)系數(shù)，這里投影方向指訓(xùn)練樣本經(jīng)非線性映射Φ后形成的方向定義核函數(shù)將高維特征空間F中的樣本和每類(lèi)樣本均值分別向Wd投影，得

有其中a＝[a₁,a₂,...,a_d,...,a_p]為投影向量朝著投影方向后展開(kāi)系數(shù)組成的系數(shù)矩陣，這里，投影方向指訓(xùn)練樣本經(jīng)非線性映射后形成的方向，d＝1,2,3，，...，P，故可將化簡(jiǎn)為：

其中，維數(shù)大小為N×N，a可通過(guò)解Q的特征值和特征向量得到，由選取的Q的p個(gè)較小的特征值對(duì)應(yīng)的特征向量所組成，維數(shù)大小為N×p，同時(shí)p＜＜N，因此，在特征空間F中，樣本的特征又可表示為：

其中為經(jīng)過(guò)非線性映射Φ后的樣本向W_KNLDA的投影向量Wd投影所提取的特征，具體描述如下：

1)將輸入空間樣本映射到高維特征空間F中，即

2)計(jì)算系數(shù)矩陣a，首先，計(jì)算矩陣然后對(duì)Q進(jìn)行特征值分解，選取Q的的p個(gè)較小特征值所對(duì)應(yīng)的特征向量組成矩陣a

3)計(jì)算樣本矩陣，樣本的特征為其中

由上可知，KNLDA算法通過(guò)引入核函數(shù)得到低維矩陣，選取Q的P個(gè)較小特征值對(duì)應(yīng)特征向量組成a，矩陣a和Q的維數(shù)大小分別為N×p和N×N，其中p＜＜N，因此，核方法通過(guò)內(nèi)積形式采用Mercer核函數(shù)，有效避免了直接計(jì)算復(fù)雜的非線性映射函數(shù)Φ，解決了高維類(lèi)內(nèi)離散度矩陣的維數(shù)災(zāi)難問(wèn)題。

步驟4、訓(xùn)練RBF神經(jīng)網(wǎng)絡(luò)，RBF神經(jīng)網(wǎng)絡(luò)的基本思想是：用RBF作為隱含單元的“基”構(gòu)成隱含層空間，將輸入的空間分解成許多超球面形成的子空間。為了對(duì)這些子空間進(jìn)行分類(lèi)通常需要用到聚類(lèi)算法，常用的有分級(jí)聚類(lèi)、模糊C-均值聚類(lèi)以及C-均值聚類(lèi)等無(wú)監(jiān)督的學(xué)習(xí)算法，這些算法的共同特點(diǎn)是沒(méi)有將訓(xùn)練樣本的類(lèi)別信息用于樣本的分類(lèi)當(dāng)中。RBF神經(jīng)網(wǎng)絡(luò)采用了有監(jiān)督的學(xué)習(xí)算法。然后將分解的子空間直接映射到隱含層空間，從而有效解決了在低維空間線性不可分問(wèn)題，通過(guò)將低維空間轉(zhuǎn)換為高維空間，使得現(xiàn)象不可分的問(wèn)題變得線性可分。RBF神經(jīng)網(wǎng)絡(luò)比歐式距離的度量方式更精準(zhǔn)。

RBF網(wǎng)絡(luò)的訓(xùn)練學(xué)習(xí)通常分為兩個(gè)過(guò)程：

第一個(gè)過(guò)程是確定隱層的中心和方差，中心的選擇對(duì)輸入層與隱層之間映射空間的結(jié)構(gòu)有很大影響；

第二個(gè)過(guò)程是隱層到輸出層之間連接權(quán)值的確定。

由于輸出層的輸出由隱層節(jié)點(diǎn)的輸出線性加權(quán)組合得到，因此網(wǎng)絡(luò)的輸出只受少數(shù)權(quán)值的影響，訓(xùn)練過(guò)程中需要調(diào)整的權(quán)值也相對(duì)較少，大大減少了RBF網(wǎng)絡(luò)的學(xué)習(xí)時(shí)間。

RBF函數(shù)選取中心的方法有很多種，本發(fā)明的RBF網(wǎng)絡(luò)使用正交最小二乘法(OLS)學(xué)習(xí)算法。它通過(guò)正交化方法，在輸入向量中選取對(duì)降低誤差貢獻(xiàn)較大的向量作為網(wǎng)絡(luò)中心。

設(shè)網(wǎng)絡(luò)的訓(xùn)練樣本集為{X₁,X₂,...,X_N}，網(wǎng)絡(luò)的期望輸出為{d₁,d₂,...,d_N}，N表示訓(xùn)練樣本的數(shù)目，RBF網(wǎng)絡(luò)可用以下線性方程表示：

式中M為隱層節(jié)點(diǎn)的個(gè)數(shù)，可用公式的矩陣形式表示RBF網(wǎng)絡(luò)：

d＝PΘ+E

設(shè)上式的最小二乘解為對(duì)回歸矩陣P正交分解P＝WA，式中，A為M×M的上三角矩陣，對(duì)角線上的元素的值為1，W為N×M的正交矩陣，有H＝W^TW，H為對(duì)角矩陣，另Aθ＝g則d＝Wg+E。式中g(shù)的最小二乘解表示為：

其中，采用施密特正交化方法對(duì)P進(jìn)行正交分解，在選擇特征子集的過(guò)程中，使用誤差比最大的準(zhǔn)則來(lái)決定基失量Wi，從而確定網(wǎng)絡(luò)的中心，誤差比的定義如下：

根據(jù)預(yù)先設(shè)定的誤差范圍ρ，使其符合以下條件從未確定隱層節(jié)點(diǎn)的數(shù)目M。RBF網(wǎng)絡(luò)中心數(shù)目的選擇對(duì)網(wǎng)絡(luò)的性能有很大的影響。正交最小二乘法能夠自動(dòng)選擇網(wǎng)絡(luò)中心，避免了隨機(jī)選取中心帶來(lái)的問(wèn)題。

由于人臉識(shí)別屬于模式分類(lèi)，采用RBF網(wǎng)絡(luò)模型中的廣義網(wǎng)絡(luò)GN來(lái)實(shí)現(xiàn)人臉的識(shí)別。RBF網(wǎng)絡(luò)輸入層節(jié)點(diǎn)個(gè)數(shù)等于人臉特征向量的維數(shù)，輸出層節(jié)點(diǎn)的個(gè)數(shù)為樣本的類(lèi)別數(shù)?；瘮?shù)中心的選取及隱層的節(jié)點(diǎn)個(gè)數(shù)由正交最小二乘法自動(dòng)確定。隱層節(jié)點(diǎn)參數(shù)一經(jīng)確定，就可通過(guò)求解線性方程組得到輸出權(quán)值。可使用集成的RBF網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)對(duì)人臉的識(shí)別。

步驟5、系統(tǒng)實(shí)現(xiàn)及識(shí)別結(jié)果

鑒別出待識(shí)別人的身份是人臉識(shí)別的最后一個(gè)階段，每個(gè)子網(wǎng)絡(luò)只負(fù)責(zé)識(shí)別一類(lèi)模式，每個(gè)子網(wǎng)絡(luò)的輸出節(jié)點(diǎn)個(gè)數(shù)為1，一共需要訓(xùn)練K(K為樣本的類(lèi)別數(shù))個(gè)子網(wǎng)絡(luò)來(lái)構(gòu)成集成網(wǎng)絡(luò)。根據(jù)所有子網(wǎng)絡(luò)的輸出來(lái)判定測(cè)試樣本的所屬類(lèi)別，最終完成識(shí)別目的。本發(fā)明結(jié)合OpenCv計(jì)算機(jī)視覺(jué)庫(kù)與Visual Studio 2010軟件，開(kāi)發(fā)出了一個(gè)實(shí)時(shí)的人臉識(shí)別系統(tǒng)。該識(shí)別系統(tǒng)的主界面如圖4所示。本發(fā)明所設(shè)計(jì)的人臉識(shí)別系統(tǒng)主要包括人臉自動(dòng)檢測(cè)、人臉信息輸入、人臉身份判別三個(gè)模塊。當(dāng)程序開(kāi)始執(zhí)行時(shí)，系統(tǒng)將自動(dòng)加載人臉檢測(cè)模塊，攝像頭開(kāi)啟并在特定區(qū)域內(nèi)對(duì)人臉進(jìn)行檢測(cè)。點(diǎn)擊“Enrol”進(jìn)行注冊(cè)，本文提供了三種注冊(cè)方式，分別是：拍攝、從已有圖庫(kù)注冊(cè)、從模板文件注冊(cè)。我們使用攝像頭拍攝獲取頭像，如圖5所示，點(diǎn)擊“Train”進(jìn)行訓(xùn)練，其目的是建立訓(xùn)練圖像集，為人臉識(shí)別做準(zhǔn)備。圖6為示例訓(xùn)練樣本集。假如人臉數(shù)據(jù)庫(kù)訓(xùn)練完成后，接下來(lái)便可以對(duì)視頻中的人臉進(jìn)行識(shí)別，即可對(duì)待檢測(cè)的人臉進(jìn)行身份鑒別。如果待識(shí)別人臉判斷為人臉數(shù)據(jù)庫(kù)中的人臉，則在檢測(cè)框左上方顯示出待檢測(cè)人臉的姓名信息。人臉識(shí)別系統(tǒng)運(yùn)行初始狀態(tài)效果圖如圖7所示，訓(xùn)練界面圖如圖8所示。本發(fā)明設(shè)計(jì)的人臉識(shí)別系統(tǒng)在表情變化較大、存在遮擋干擾下進(jìn)行實(shí)驗(yàn)，其目的是對(duì)改進(jìn)后的人臉識(shí)別算法做評(píng)判。結(jié)果表明，本發(fā)明在人臉表情變化較大、存在遮擋等干擾時(shí)，依然保持較高的識(shí)別率，如圖9所示。