本發(fā)明涉及一種基于神經(jīng)網(wǎng)絡(luò)的人臉識別方法，屬于人臉識別領(lǐng)域。

背景技術(shù)：

人臉識別是通過分析人類臉部視覺特征來達到身份鑒別目的的一種計算機技術(shù)。學(xué)術(shù)界對人臉識別給出了廣義和狹義兩方面的具體定義。廣義的人臉識別包括人臉檢測（facedetection）、人臉表征（facerepresentation）、人臉鑒別（faceidentification）、表情分析（faceexpressionanalysis）以及物理分類（physicalclassification）等一系列相關(guān)技術(shù)；而狹義的人臉識別則被定義為一種技術(shù)或系統(tǒng)，這一技術(shù)或系統(tǒng)能夠通過人臉的特征進行身份確認、身份比較和身份查找。

目前，由于人臉識別技術(shù)能夠通過生物體（一般特指人）本身的生物特征來區(qū)分個體，提高了生物體識別的精度，因此，該技術(shù)得到了廣泛關(guān)注和推崇，使該領(lǐng)域也成為了生物識別特征研究中的熱點。以人類為例，生物特征主要來自于以下方面：臉、視網(wǎng)膜、虹膜、手掌紋、指紋、語音、體形、習(xí)慣等，因而基于上述內(nèi)容，研究則被重點放在了識別人臉、視網(wǎng)膜、虹膜、手掌紋、指紋、語音、體形、鍵盤敲擊、簽字等相應(yīng)特征的計算機識別技術(shù)上，并取得了具有重要意義的成果。

人臉識別的優(yōu)勢在于其自然性和友好性的特點。所謂自然性，是指人類本身也是通過觀察和比較人類臉部特征來辨別和確認對方身份的，如語音識別、體形識別等也同樣具有自然性的特征，而人類或其他生物通常不通過指紋、虹膜等特征區(qū)別個體，因此上述特征識別就不具有自然性的特征。

所謂友好性，是指該識別方法不因特殊對待而增加被鑒別人的心理負擔，并且也因此而更容易獲取直接和真實的特征信息。指紋或者虹膜識別需要利用電子壓力傳感器或紅外線等特殊技術(shù)手段采集信息，上述特殊的采集技術(shù)易被人發(fā)現(xiàn)，大大增加了被鑒別人躲避身份鑒別的可能性，降低了身份鑒別的效率。

然而，人臉識別卻可通過簡單的圖像或視頻技術(shù)直接獲取被鑒別人的人臉信息，這種信息采集方式不易于被人察覺，增加了信息的真實性和可靠性。

雖然人臉識別技術(shù)具有上述優(yōu)點，但該技術(shù)的實現(xiàn)卻并不容易。主要受人臉的生物特性所限制，具體表現(xiàn)在：

第一，由于同種類型的人臉的結(jié)構(gòu)都具有較高的相似性。該特點可以用于人臉定位，但是卻大大增加了利用人臉特征鑒別個體的難度。

第二，受年齡、情緒、溫度光照條件、遮蓋物等因素的限制，人臉的外形很不穩(wěn)定，甚至在不同觀察角度，人臉的圖像特征也存在顯著的差異，增加了人臉識別技術(shù)應(yīng)用的復(fù)雜性。

為使人臉識別技術(shù)更好的服務(wù)于所需領(lǐng)域，則需要對上述兩項限制進行研究尋求突破。

基于核子空間的人臉識別技術(shù)是人臉識別領(lǐng)域中應(yīng)用最為廣泛的技術(shù)之一。一個一般的核子空間人臉識別算法流程如圖1所示，由于核子空間中基的表示要用到所有的訓(xùn)練樣本，因此隨著訓(xùn)練樣本個數(shù)的增多，測試樣本的投影速度減慢，進而嚴重影響了人臉識別速度，尤其是在實時系統(tǒng)和在線系統(tǒng)中這種弊端體現(xiàn)的更為明顯。

技術(shù)實現(xiàn)要素：

鑒于上述現(xiàn)有技術(shù)的不足之處，本發(fā)明的目的在于提供一種基于神經(jīng)網(wǎng)絡(luò)的人臉識別方法，希望建立一種人臉識別算法模型，使其能夠?qū)颂卣髯涌臻g的基表示進行約減。在人臉識別過程中，使測試樣本避免向由全部訓(xùn)練樣本構(gòu)成的特征子空間的基進行投影，而是向約減的近似子空間投影，以此來提高人臉識別速度。

為了達到上述目的，本發(fā)明采取了以下技術(shù)方案：

本發(fā)明提供了一種基于神經(jīng)網(wǎng)絡(luò)的人臉識別方法，包括以下步驟：

步驟一、建立訓(xùn)練集圖像集合，對訓(xùn)練集人臉位圖進行存儲，并讀取位圖數(shù)據(jù)；

步驟二、原始輸入空間中的訓(xùn)練樣本進行特征提取，形成訓(xùn)練集樣本集合；

步驟三、利用訓(xùn)練集位圖數(shù)據(jù)和特征提取后的訓(xùn)練集樣本集合訓(xùn)練一個rbf神經(jīng)網(wǎng)絡(luò)；

步驟四、建立測試集圖像集合，對測試集人臉位圖進行存儲，并讀取位圖數(shù)據(jù)；

步驟五、將測試集位圖數(shù)據(jù)輸入訓(xùn)練完成的rbf神經(jīng)網(wǎng)絡(luò)，得到測試集樣本點集合；

步驟六、利用分類器，對測試集圖像進行分類識別。

優(yōu)選的，上述步驟二進行特征提取是通過kpca方法來進行。

優(yōu)選的，上述步驟三訓(xùn)練rbf神經(jīng)網(wǎng)絡(luò)包括無監(jiān)督和有監(jiān)督訓(xùn)練兩個步驟。

優(yōu)選的，上述訓(xùn)練包括以下步驟：

第一步、通過聚類的方法計算基函數(shù)中心；

第二步、計算方差；

第三步、獲取隱含層神經(jīng)元到輸出層神經(jīng)元連接權(quán)值。

優(yōu)選的，上述第一步包括調(diào)整聚類中心，即獲取不同聚類集合vp中訓(xùn)練樣本均值，即全新聚類中心ci，判斷全新聚類中心是否發(fā)生改變，如果不變那么獲取的ci就是最終基函數(shù)中心，如果改變則繼續(xù)調(diào)整聚類中心，進行下一輪求解。

相比現(xiàn)有技術(shù)，本發(fā)明提供的基于神經(jīng)網(wǎng)絡(luò)的人臉識別方法，逼近速度快，且識別率較高，在滿足一定識別正確率的條件下，識別時間短。

附圖說明

圖1為現(xiàn)有技術(shù)中一般的核子空間人臉識別方法流程示意圖；

圖2為本發(fā)明基于神經(jīng)網(wǎng)絡(luò)的人臉識別方法流程示意圖。

具體實施方式

本發(fā)明提供一種基于神經(jīng)網(wǎng)絡(luò)的人臉識別方法，為使本發(fā)明的目的、技術(shù)方案及效果更加清楚、明確，以下參照附圖并舉實施例對本發(fā)明進一步詳細說明。應(yīng)當理解，此處所描述的具體實施例僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

首先，通過訓(xùn)練利用自組織選取中心方法確定rbf神經(jīng)網(wǎng)絡(luò)。分為無監(jiān)督和有監(jiān)督訓(xùn)練。訓(xùn)練的具體流程如下：

第一步：通過聚類的方法計算基函數(shù)中心c。

（1）網(wǎng)絡(luò)初始化：隨機選取h個訓(xùn)練樣本作為聚類中心ci（i=1,2,…,h），將輸入訓(xùn)練樣本集合以最近鄰規(guī)則分組：將xp依據(jù)xp同中心ci間歐式距離分配至輸入樣本不同的聚類集合vp(p=1,2,…p)中。

（2）調(diào)整聚類中心：獲取不同聚類集合vp中訓(xùn)練樣本均值，即全新聚類中心ci，判斷全新聚類中心是否發(fā)生改變，如果不變那么獲取的ci就是最終基函數(shù)中心，如果改變則繼續(xù)調(diào)整聚類中心，進行下一輪求解。

第二步：計算方差σi。

將高斯函數(shù)作為神經(jīng)網(wǎng)絡(luò)的基函數(shù)，設(shè)選取中心間距離的最大值為cmax，則方差σi計算表達式如下:

第三步：獲取隱含層神經(jīng)元到輸出層神經(jīng)元連接權(quán)值

可以用最小二乘法計算隱含層神經(jīng)元與輸出層神經(jīng)元的連接權(quán)值，其表達式如下：

如圖2所示，本實施例提供的基于神經(jīng)網(wǎng)絡(luò)的人臉識別方法，具體包括以下步驟：

（1）建立訓(xùn)練集圖像集合，對訓(xùn)練集人臉位圖進行存儲，并讀取位圖數(shù)據(jù)。

（2）利用kpca方法對原始輸入空間中的訓(xùn)練樣本進行特征提取，形成訓(xùn)練集樣本集合。

（3）利用訓(xùn)練集位圖數(shù)據(jù)和特征提取后的訓(xùn)練集樣本集合訓(xùn)練一個rbf神經(jīng)網(wǎng)絡(luò)。

（4）建立測試集圖像集合，對測試集人臉位圖進行存儲，并讀取位圖數(shù)據(jù)。

（5）將測試集位圖數(shù)據(jù)輸入訓(xùn)練完成的rbf神經(jīng)網(wǎng)絡(luò)，得到測試集樣本點集合。

（6）利用分類器，對測試集圖像進行分類識別。

相比現(xiàn)有技術(shù)，本發(fā)明提供的基于神經(jīng)網(wǎng)絡(luò)的人臉識別方法，逼近速度快，且識別率較高，在滿足一定識別正確率的條件下，識別時間短。

可以理解的是，對本領(lǐng)域普通技術(shù)人員來說，可以根據(jù)本發(fā)明的技術(shù)方案及其發(fā)明構(gòu)思加以等同替換或改變，而所有這些改變或替換都應(yīng)屬于本發(fā)明所附的權(quán)利要求的保護范圍。